【LeetCode 系列】Leetcode OJ 8. String to Integer (atoi) [Difficulty: Easy]

本文详细解析了一道看似简单的LeetCode题目,通过多种特殊情况的分析,揭示了解题过程中的复杂性和陷阱。文章提供了完整的Python代码实现,并针对边界条件进行了深入讨论。

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

由于开始准备找工作了,之前曾经花6天,每天刷11题的方式迅速刷完了牛客网的剑指OFFER66题,但是很快就忘记了,想想自己虽然菜,但是也可以刷刷Leetcode简单题吧,这篇算是第一篇把。

题目链接

这道题目看起来貌似不是很麻烦,但是实际上处理起来特别的麻烦,题意也没说清:

情况1.   比如遇到“+-12” 两个符号都出现了。这种就凉了

情况2.  比如遇到“-5-” 那么这时候应该输出的是-5 但是如果遇到的是“-5 20”那应该输出什么呢?0还是-5?

情况3   边界问题的考虑,这个比较简单

总之,在多次错误之后,终于通过了。下面贴上我的Python代码

class Solution:
    def myAtoi(self, str):
        """
        :type str: str
        :rtype: int
        """
        num = 0
        fla = False
        could = False
        min = 1
        hasnumber = False
        issplit = False
        for st in str:
            if st == ' ' :
                if hasnumber: issplit = True
                continue
            if st == '-':
                if hasnumber: break
                hasnumber = str
                min = -1
                continue
            if st == '+':
                if hasnumber: break
                fuhao = True
                hasnumber = True
                continue

            if st <= '9' and st >= '0':
                if issplit: break
                num = num * 10 + ord(st) - ord('0')
                fla = True
                could = True
                hasnumber = True
                continue
            else:
                if not could: return 0
                if fla: break

        total = num * min
        if total < -pow(2,31): return -2147483648
        if total > pow(2,31)-1: return pow(2,31)-1
        return total

 

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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