函数 sort,unique,stable_sort,count_if,谓词

本文介绍了一个使用C++进行字符串处理的例子程序,包括读取字符串、排序、去重、按长度排序及计数等功能。通过示例展示了sort、unique、stable_sort和count_if等STL算法的应用。

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

bool isShorter(const string &s1,const string &s2)
{
    return s1.size() < s2.size();                              
}

bool GT6(const string &s)
{
    return s.size() >= 6;
}

int main()
{
    vector<string> words;
    string nect_word;
    while (cin >> next_word){
        words.push_back(next_word);
  }    
    sort (words.begin(), words.end());
    vector<string>::iterator end_unique = unique(words.begin(), words.end());
    words.erase(end_unique, words.end());
    stable_sort(words.begin(),word.end(),isShorter);
    vector<string>::size_type wc = count_if (words.begin(), words.end(), GT6);
    cout << wc << " " << make_plural (wc, "word", "s") << " 6 characters or longer " << endl;
    return 0;
}
    

sort函数:将容器中元素按字典排列;

unique函数:删除相邻的重复元素,然后重新排列输入范围内的元素,并且返回一个迭代器,表示无重复的值范围的结束;

谓词:做某些检测的函数,返回用于条件判断的类型,指出条件是否成立;

stable_sort函数:保留相等元素的原始相对位置,本程序里,对于相同长度的元素,将保留其字典顺序;

count_if函数:返回使谓词函数返回条件成立的元素的个数。

转载于:https://www.cnblogs.com/qiushuixiaozhanshi/p/5630042.html

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