1025 PAT Ranking@PTA

本文介绍了一个竞赛排名系统的实现过程,通过先排序后处理的方式,确保了最终排名和局部排名的准确性。系统首先读取参赛者信息,然后进行排序,最后根据成绩计算排名,相同成绩的参赛者将获得相同的排名。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

先sort,再处理。

final_rank和local_rank都是要根据前一个人的成绩得出,所以我们要额外定义记录前一个人成绩的变量;成绩相同,rank相同,反之,用已经计入排名的人数更新rank。

#include <iostream>
#include <cstdio>
#include <cstring>
#include <string>
#include <algorithm>
#include <map>
#include <vector>
#include <set>
#include <stack>
#include <iomanip>
#include <cstdlib>
#include <queue>

using namespace std;

struct Node{
	string id;
	int location;
	int score;
}stu[30003];

int pre_local_score[103];
int local_rank[103];
int local_cnt[103];

bool cmp(const Node &a,const Node &b){
	if(a.score != b.score) return a.score > b.score;
	return a.id < b.id;
}

int main(){
	int n;
	cin >> n;
	int k;
	int cnt = 0;
	for(int i=1;i<=n;++i){
		cin >> k;
		while(k--){
			cin >> stu[cnt].id >> stu[cnt].score;
			stu[cnt++].location = i;
		}
	}
	sort(stu,stu+cnt,cmp);
	int pre_score = -1;
	int final_rank = 0;
	memset(pre_local_score,-1,sizeof(pre_local_score));
	memset(local_rank,0,sizeof(local_rank));
	memset(local_cnt,0,sizeof(local_cnt));
	cout << cnt << endl;
	for(int i=0;i<cnt;++i){
		if(stu[i].score != pre_score){
			pre_score = stu[i].score;
			final_rank = i+1;
		}
		int location = stu[i].location;
		if(stu[i].score != pre_local_score[location]){
			pre_local_score[location] = stu[i].score;
			local_rank[location] = local_cnt[location]+1;
		}
		++local_cnt[location];
		cout << stu[i].id << " " << final_rank << " " << stu[i].location 
		<< " " << local_rank[location] << endl;
	}
	return 0;
}

 

### 如何在 TensorFlow Ranking 中计算 Recall@K TensorFlow Ranking 是一个用于构建和训练排名模型的框架,支持多种评估指标,其中包括 `Recall@K`。为了实现这一目标,可以利用 TensorFlow 的内置函数或者自定义方法来完成。 #### 方法概述 TensorFlow 提供了一个名为 `tfr.keras.metrics.RecallMetric` 的类[^4],可以直接用来计算 `Recall@K` 指标。该类允许指定不同的截断值(即 K),从而灵活地评估不同长度下的召回性能。 以下是具体实现方式: --- #### 代码示例 ```python import tensorflow as tf import tensorflow_ranking as tfr # 假设这是预测的相关性得分 predictions = tf.constant([ [0.9, 0.8, 0.7], [0.6, 0.5, 0.4] ]) # 假设这是真实标签 (1 表示相关项) labels = tf.constant([ [1, 0, 1], [0, 1, 0] ]) # 创建 Recall@K 度量对象 recall_at_k_metric = tfr.keras.metrics.RecallMetric(topn=2) # 更新状态并计算度量 update_op = recall_at_k_metric.update_state(labels, predictions) result = recall_at_k_metric.result() print(f"Recall@2: {result.numpy()}") # 输出最终的结果 ``` 上述代码展示了如何使用 TensorFlow Ranking 来计算 `Recall@K`。核心逻辑在于调用 `tfr.keras.metrics.RecallMetric` 并传入相应的参数。 --- #### 参数说明 - **`topn`**: 指定要计算的 `K` 值,例如 `topn=2` 表示计算 `Recall@2`。 - **`labels`**: 真实的相关性标签,通常是一个二维张量,形状为 `[batch_size, list_size]`。 - **`predictions`**: 预测的相关性得分,同样是一个二维张量,形状与 `labels` 对应。 --- #### 关键点解释 1. **排序机制** 在计算 `Recall@K` 时,会基于预测得分对项目进行降序排列,并选取前 K 个项目作为候选集。随后统计这些候选集中真正相关的比例[^4]。 2. **批处理支持** 上述代码能够一次性处理多个样本(批次)。对于每个样本独立计算其 `Recall@K`,最后取平均值得到整体表现。 3. **动态更新** 如果需要逐步累积结果,则可以通过多次调用 `update_state()` 方法不断刷新内部状态,直到所有数据都被遍历完毕后再提取最终结果。 --- #### 注意事项 - 数据输入需满足一致性要求,即 `labels` 和 `predictions` 的形状必须匹配。 - 当列表中有效条目不足 K 个时,某些情况下可能会引发错误或返回不合理的数值;因此建议提前过滤掉不符合条件的数据记录[^5]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值