62 圆圈最后的数字

该博客探讨了一种用数组替代循环链表的方法,通过动态调整数组下标实现链表元素的删除。核心算法是根据给定的步长m删除数组中的元素,直至数组只剩下一个元素。在循环过程中,当删除位置超出数组长度时,会通过取模运算确保下标的有效性。最后返回数组中剩余的唯一元素。

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

用数组代替循环链表
0 1 2 3 4 m=3 res = 3
依次删除 2 0 4 1 ,最后为3
精髓
1 m-1若m为3 则删除的第3个数字 ,为当前位置+2,当前位置start是第一个数字。
2 start = (start+(m-1))%arr.length

function foo(n,m) {
      let arr = [];
      for (let i=0;i<n;i++){
        arr.push(i);
      }
      let start = 0;
      while (arr.length>1) {

        if ( start + m-1 <arr.length) {
          start = start + m-1
          arr.splice(start,1)
        }
        else {
          start = (start+(m-1))%arr.length
          arr.splice(start,1)
        }
      }
      return arr[0]
    }

    console.log(foo(5, 3));
基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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