LeetCode之Median of Two Sorted Arrays

本文介绍了一种查找两个已排序数组中位数的方法,通过递归算法找到指定位置的元素,适用于寻找两个数组中第k大的元素。此算法在处理不同长度的数组时能有效地减少计算复杂度。
/*本题更一般化的形式为,查找两个数组中第k大的元素。
方法参考自:https://github.com/soulmachine/leetcode*/
class Solution {
public:
	double findMedianSortedArrays(int A[], int m, int B[], int n) {
		int total(m+n);
		if(total & 0x1){
			return find_kth_element(A, m, B, n, total/2 + 1);
		}
		else{
			return ((double)find_kth_element(A, m, B, n, total/2)
				+ find_kth_element(A, m, B, n, total/2+1))/2;
		}
	}

	int find_kth_element(int A[], int m, int B[], int n, int k){
		//保证m<=n
		if(m > n) return find_kth_element(B, n, A, m, k);
		if(m == 0) return B[k-1];
		if(k == 1) return std::min(A[0], B[0]);

		int ia = std::min(k/2, m), ib = k - ia;
		if(A[ia-1] < B[ib-1]){
			return find_kth_element(A + ia, m - ia, B, n, k - ia);
		}
		else if(A[ia-1] > B[ib-1]){
			return find_kth_element(A, m, B + ib, n - ib, k - ib);
		}
		else{
			return A[ia-1];
		}
	}
};

Nano-ESG数据资源库的构建基于2023年初至2024年秋季期间采集的逾84万条新闻文本,从中系统提炼出企业环境、社会及治理维度的信息。其构建流程首先依据特定术语在德语与英语新闻平台上检索,初步锁定与德国DAX 40成分股企业相关联的报道。随后借助嵌入技术对文本段落执行去重操作,以降低内容冗余。继而采用GLiNER这一跨语言零样本实体识别系统,排除与目标企业无关的文档。在此基础上,通过GPT-3.5与GPT-4o等大规模语言模型对文本进行双重筛选:一方面判定其与ESG议题的相关性,另一方面生成简明的内容概要。最终环节由GPT-4o模型完成,它对每篇文献进行ESG情感倾向(正面、中性或负面)的判定,并标注所涉及的ESG具体维度,从而形成具备时序特征的ESG情感与维度标注数据集。 该数据集适用于多类企业可持续性研究,例如ESG情感趋势分析、ESG维度细分类别研究,以及企业可持续性事件的时序演变追踪。研究者可利用数据集内提供的新闻摘要、情感标签与维度分类,深入考察企业在不同时期的环境、社会及治理表现。此外,借助Bertopic等主题建模方法,能够从数据中识别出与企业相关的核心ESG议题,并观察这些议题随时间的演进轨迹。该资源以其开放获取特性与连续的时间覆盖,为探究企业可持续性表现的动态变化提供了系统化的数据基础。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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