AcWing 802. 区间和(离散化)

该博客介绍了如何使用离散化和前缀和数据结构处理大数据场景下的区间求和查询。在下标范围极大导致数组或哈希表无法存储的情况下,通过将数据映射到有限长度的数组中进行离散化,然后利用前缀和预处理,将查询复杂度降低到O(1),总复杂度达到O((n+2*m)log(n+2*m))。文章提供了详细的C++代码实现,并给出了样例输入和输出。

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

在这里插入图片描述

由于下标范围(-1e9,1e9),数组或者哈希表都会爆,数据很大但是数量有限,将相隔巨大的点映射到有限长度的数组中,即离散化

a[N],s[N]存放数据,前缀和
alls存所有下标(包括原数组和询问的,根据询问来选择下标来存数)
add表示位置x数值+c,query表示询问

简而言之,问题是求(l,r)区间的和,那么只要将所有询问的下标存下,再找出原数据中x的值在下标数组(a)中的位置并加上c即可。
对于询问,前缀和预处理将每次查询的复杂度降为o(1)
总复杂度O((n+2∗m)log(n+2∗m)),输入*查找

#include <bits/stdc++.h>

using namespace std;

typedef long long ll;
typedef pair<int, int> PII;
const int N = 3e6 + 5;
int a[N], s[N]; //存数,前缀和
vector<int> alls;
vector<PII> add, query;
int findd(int x) //二分求出x对应的离散化的值
{                //第一个>=x的位置
    int l = 0, r = alls.size() - 1;
    while (l < r)
    {
        int midd = l + r >> 1;
        if (alls[midd] >= x)
            r = midd;
        else
            l = midd + 1;
    }
    return r + 1; //映射到1,2,3..n(从1开始)
}
int main()
{
    ios::sync_with_stdio(false);
    int n, m;
    cin >> n >> m;
    for (int i = 0; i < n; i++)
    {
        int x, c;
        cin >> x >> c; //位置x的数值+c
        add.push_back({x, c});
        alls.push_back(x); //存放位置
    }
    for (int i = 0; i < m; i++)
    {
        int l, r;
        cin >> l >> r;
        query.push_back({l, r});
        alls.push_back(l);
        alls.push_back(r);
    }

    sort(alls.begin(), alls.end());                           //排序
    alls.erase(unique(alls.begin(), alls.end()), alls.end()); //去重

    for (auto item : add) //二分查找位置并处理(+c)
    {
        int x = findd(item.first);
        a[x] += item.second;
    }

    for (int i = 1; i <= alls.size(); i++)
        s[i] = s[i - 1] + a[i]; //预处理前缀和

    for (auto item : query)
    {
        int l = findd(item.first), r = findd(item.second);
        cout << s[r] - s[l - 1] << endl;
    }

    return 0;
}

//作者:Magic_Zq
//链接:https://www.acwing.com/file_system/file/content/whole/index/content/4009470/
//来源:AcWing
<think>好的,我现在需要帮助用户了解AcWing平台上的离散化概念实现方法。首先,我得回忆一下离散化的基本概念。离散化主要用于处理那些数值范围很大但实际数据点稀疏的情况,通过将大范围的数值映射到紧凑的连续整数,从而优化算法的时间空间效率。例如,处理坐标范围很大的数据但实际只有少数几个点的情况。 接下来,用户提到了AcWing平台,可能需要结合平台上的课程内容来回答。根据提供的引用,特别是引用[2]、[3]、[4],可以看出AcWing离散化方法主要涉及排序、去重二分查找。我需要将这些步骤详细说明,并给出代码示例,比如使用C++的vector来实现。 然后,用户可能想知道离散化的应用场景,比如区间的统计问题,或者需要压缩数据空间的情况。比如在计算前缀时,原始坐标可能非常分散,离散化后可以转换为连续的索引,减少计算量。 另外,需要注意实现中的细节,比如去重的必要性,以及如何通过二分查找快速找到原数据对应的离散化后的值。这里可能会引用到引用[3]中的内容,即使用二分法找到第一个大于等于x的位置作为映射后的值。 最后,生成相关问题的时候,要围绕离散化的实现步骤、应用场景、性能优势以及与其他算法的结合,比如位运算等。这样可以帮助用户进一步巩固知识,并了解如何在实际问题中应用离散化。</think>### AcWing离散化算法详解 #### 一、离散化核心思想 离散化是一种将大范围稀疏数据映射到紧凑连续区间算法,核心思想可概括为: $$原数据X \rightarrow 映射后的索引index$$ 例如处理坐标范围$[-10^9, 10^9]$但实际只使用$10^5$个点的情况[^2]。其核心步骤为: 1. 排序所有待离散化数值 2. 去重消除重复元素 3. 使用二分查找建立映射关系 #### 二、AcWing实现模板(C++) ```cpp vector<int> alls; // 存储所有待离散化的值 sort(alls.begin(), alls.end()); // 排序 alls.erase(unique(alls.begin(), alls.end()), alls.end()); // 去重 // 二分查找映射函数 int find(int x) { int l = 0, r = alls.size() - 1; while (l < r) { int mid = l + r >> 1; if (alls[mid] >= x) r = mid; else l = mid + 1; } return r + 1; // 映射到1~n的连续区间 } ``` 此实现利用了位运算优化二分过程(`mid = l + r >> 1`等价于`(l + r)/2`)[^4] #### 三、典型应用场景 1. **区间统计**:如AcWing 802题,处理坐标范围极大但操作次数有限的情况 2. **坐标压缩**:将稀疏坐标映射到连续索引,节省存储空间 3. **数据归一化**:消除数据绝对大小对算法的影响,保留相对顺序 #### 四、算法优势对比 | 处理方式 | 时间复杂度 | 空间复杂度 | 适用场景 | |----------|------------|------------|----------| | 原始数据 | O(1) | O(N) | 小范围 | | 离散化 | O(logN) | O(M) M<<N | 大范围稀疏数据 | #### 五、注意事项 1. 必须严格完成**排序-去重-二分**三步骤 2. 二分查找建议使用左闭右闭区间写法 3. 离散化后的索引通常从1开始,避免边界问题 4. 需要同时处理原始数据离散化后的映射关系[^3]
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