leetcode每日一练:求二和(java)

本文深入探讨了经典的两数之和算法问题,通过使用哈希表(Map)来高效地找到数组中两个数的索引,使得这两数之和等于目标值。文章详细解释了算法的实现思路与代码示例,展示了如何利用哈希表存储数组元素及其索引,以O(n)的时间复杂度解决该问题。

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

题目: 给定一个整数数组,返回这两个数字的索引,使它们加到一个特定的目标。您可以假设每个输入都有一个解决方案,并且可能不会使用相同的元素两次。

Example:
给定数组s=[2,7,11,15],目标=9
因为s[0]+s[1]=2+7=9,返回[0,1]
想法:
利用Map可以存储键值,找出与元素:

class Solution {
public int[] twoSum(int[] nums, int target) {
    int res[]=new int[2];
	Map<Integer,Integer> map=new HashMap<>();
	for(int i=0;i<nums.length;++i) {
		if(map.containsKey(target-nums[i]) && map.get(target-nums[i])!=i) {
			res[0]=i;
			res[1]=map.get(target-nums[i]);
			break;
		}
      	  map.put(nums[i], i);
      	 	}
	return res;
 }
 }
基于html+python+Apriori 算法、SVD(奇异值分)的电影推荐算法+源码+项目文档+算法析+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)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