3.明明的随机数

该文章介绍了一种使用Java编程解决特定问题的方法。通过创建一个TreeSet集合,可以自动实现对1到500之间随机生成的整数进行去重和排序。文章提供了一个示例代码,展示如何读取输入的整数,将它们添加到TreeSet中,最后打印出排序后的无重复整数。

描述

明明生成了NN个1到500之间的随机整数。请你删去其中重复的数字,即相同的数字只保留一个,把其余相同的数去掉,然后再把这些数从小到大排序,按照排好的顺序输出。

数据范围: 1≤n≤1000 1≤n≤1000  ,输入的数字大小满足 1≤val≤500 1≤val≤500 

输入描述:

第一行先输入随机整数的个数 N 。 接下来的 N 行每行输入一个整数,代表明明生成的随机数。 具体格式可以参考下面的"示例"。

输出描述:

输出多行,表示输入数据处理后的结果

示例1

输入:

3
2
2
1

输出:

1
2

说明:

输入解释:
第一个数字是3,也即这个小样例的N=3,说明用计算机生成了3个1到500之间的随机整数,接下来每行一个随机数字,共3行,也即这3个随机数字为:
2
2
1
所以样例的输出为:
1
2       

思路:

分析一下题目,其实这道题最主要的就是两个需求,1.去重,2.排序

其实在集合中,有一个能够刚好满足这两个功能的类,TreeSet;并且Integer是实现了Comparable接口的,所以我们可以使用TreeSet的add方法直接将Integer数据加到集合中,并且同时也可以实现排序的功能。

解答:

import java.util.Scanner;
import java.util.TreeSet;

// 注意类名必须为 Main, 不要有任何 package xxx 信息
public class Main {
    public static void main(String[] args) {
        Scanner in = new Scanner(System.in);
        TreeSet<Integer> tree = new TreeSet<>();
        // 根据题目我们可以了解到它输入的第一个数字是后面数字的总数量,所以我们这里先把这个数字取出来,不添加到集合中
        int i = in.nextInt();
        // 注意 hasNext 和 hasNextLine 的区别
        while (in.hasNextInt()) { // 注意 while 处理多个 case
            int num = in.nextInt();
            tree.add(num);
        }
        for(int num:tree){
            System.out.println(num);
        }
    
    }
}

### 如何在 `np.random.permutation` 中设置随机数种子 为了确保每次运行程序时生成的结果一致,可以通过设置随机数种子来实现这一目标。以下是关于如何在使用 `np.random.permutation` 时设置随机数种子的具体方法。 #### 设置随机数种子的方法 在 NumPy 的 `random` 模块中,可以调用 `np.random.seed(seed_value)` 来设定随机数生成器的种子[^2]。一旦设置了种子值,在后续执行任何依赖于随机性的操作(如 `np.random.permutation` 或其他随机函数)时,都会基于相同的初始状态生成重复的结果。 #### 示例代码 下面是一个完整的示例,展示如何通过设置种子值使 `np.random.permutation` 返回相同的结果: ```python import numpy as np # 设置随机数种子 np.random.seed(42) # 使用 np.random.permutation 对列表进行随机排序 result = np.random.permutation([1, 2, 3, 4, 5]) print(result) # 输出: [3 2 5 1 4] ``` 如果再次运行此代码片段而不更改种子值,则会得到完全一样的结果 `[3 2 5 1 4]`。这是因为随机数生成器的状态被固定下来了。 需要注意的是,当不显式指定种子时,默认情况下 NumPy 随机数生成器会在内部选取一个不可预测的时间戳作为默认种子值,因此每次运行可能会获得不同的排列顺序。 另外值得注意的一点是,虽然这里讨论的重点在于 `np.random.permutation` 方法的应用场景及其与种子的关系,但实际上整个 NumPy 库中的所有涉及随机化的功能都遵循同样的原则——即只要提前设定了全局范围内的种子(`np.random.seed`)之后再调用任意数量次此类函数均能重现之前产生的数据模式[^3]。 #### 更多扩展应用实例 对于更复杂的案例来说,比如希望打乱一个多维数组或者仅需部分元素被打散重排而不是整体改变位置关系的情形下,也可以利用类似的逻辑完成任务: ```python import numpy as np # 设定固定的随机数种子以便验证一致性 np.random.seed(42) multi_dim_array = np.arange(16).reshape((4, 4)) shuffled_rows = multi_dim_array[np.random.permutation(multi_dim_array.shape[0])] print(shuffled_rows) ``` 在这个例子当中,我们先创建了一个四行四列大小填充连续整数值构成二维矩阵;接着借助 `np.random.permutation()` 获取到重新安排后的索引序列作用于原始对象之上从而实现了按照行维度独立洗牌的效果而保持每行列内相对布局不变特性[^4]。
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