数组/列表 283. 移动零 566.重塑矩阵 485. 最大连续1的个数

本文深入讲解了移动零、重塑矩阵及最大连续1的个数等经典算法问题的多种解决方案,包括暴力法、两次遍历法、一次遍历法等,通过实例演示了不同算法的实现过程,帮助读者掌握算法设计和优化技巧。

283. 移动零

  • 给定一个数组 nums,编写一个函数将所有 0 移动到数组的末尾,同时保持非零元素的相对顺序。
  1. 必须在原数组上操作,不能拷贝额外的数组。
  2. 尽量减少操作次数。

示例:

输入: [0,1,0,3,12]
输出: [1,3,12,0,0]

思路1:暴力法

遍历列表,遇到零的时候将其移除,并添加到列表末尾

代码实现1:

class Solution:
    def moveZeroes(self, nums: List[int]) -> None:
        for i in nums:
            if i == 0:
                nums.remove(0)
                nums.append(0)

思路2:两次遍历法

使用两个指针a、b。a向前走,每遇到一个非0元素就将其往移动到指针b处,此时b也向前走一个位置,第一次遍历完后,b指针的下标就指向了最后一个非0元素下标。
第二次遍历的时候,起始位置就从b开始到结束,将剩下的这段区域内的元素全部置为0。
在这里插入图片描述

代码实现2:

class Solution:
    def moveZeroes(self, nums: List[int]) -> None:
        """
        Do not return anything, modify nums in-place instead.
        """
        b, n = 0, len(nums)
        for a in range(n):
            if nums[a] != 0:
                nums[b] = nums[a]
                b += 1
        for i in range(b, n):
            nums[i] = 0

思路3:一次遍历法

这里参考了快速排序的思想,快速排序首先要确定一个待分割的元素做中间点x,然后把所有小于等于x的元素放到x的左边,大于x的元素放到其右边。
这里我们可以用0当做这个中间点,把不等于0(注意题目没说不能有负数)的放到中间点的左边,等于0的放到其右边。
这的中间点就是0本身,所以实现起来比快速排序简单很多,我们使用两个指针i和j,只要nums[i]!=0,我们就交换nums[i]和nums[j]
在这里插入图片描述

代码实现3:

class Solution:
    def moveZeroes(self, nums: List[int]) -> None:
        """
        Do not return anything, modify nums in-place instead.
        """
        b = 0
        for a in range(len(nums)):
            if nums[a] != 0:
                nums[b], nums[a] = nums[a], nums[b]
                b += 1

566. 重塑矩阵

  • 在MATLAB中,有一个非常有用的函数 reshape,它可以将一个矩阵重塑为另一个大小不同的新矩阵,但保留其原始数据。
    给出一个由二维数组表示的矩阵,以及两个正整数r和c,分别表示想要的重构的矩阵的行数和列数。
    重构后的矩阵需要将原始矩阵的所有元素以相同的行遍历顺序填充。
    如果具有给定参数的reshape操作是可行且合理的,则输出新的重塑矩阵;否则,输出原始矩阵。

示例:

示例 1:
输入: 
nums = 
[[1,2],
 [3,4]]
r = 1, c = 4
输出: 
[[1,2,3,4]]
解释:
行遍历nums的结果是 [1,2,3,4]。新的矩阵是 1 * 4 矩阵, 用之前的元素值一行一行填充新矩阵。

示例 2:
输入: 
nums = 
[[1,2],
 [3,4]]
r = 2, c = 4
输出: 
[[1,2],
 [3,4]]
解释:
没有办法将 2 * 2 矩阵转化为 2 * 4 矩阵。 所以输出原矩阵。

思路:

代码实现:

class Solution:
    def matrixReshape(self, nums: List[List[int]], r: int, c: int) -> List[List[int]]:
    	# 判断重塑是否合理
        num = len(nums) * len(nums[0])
        if num != r * c:
            return nums
        else:
        	# 先将所有元素放入大数组
            matrix = []
            for i in nums:
                matrix.extend(i)
            # 根据行列,从大数组中取值并填入
            reshape = [[matrix.pop(0) for _ in range(c)] for _ in range(r)]
            return reshape

485. 最大连续1的个数

  • 给定一个二进制数组, 计算其中最大连续1的个数。

示例:

输入: [1,1,0,1,1,1]
输出: 3
解释: 开头的两位和最后的三位都是连续1,所以最大连续1的个数是 3.

思路1:一次遍历法

使用一个计数器 cur 记录1的数量,另一个计数器 max_len 记录当前最大1的数量
遇到1时:

  1. cur+1

遇到0时

  1. 记录当前已经记录的数量,并与最大值比较(放在遇到0时处理,比每次遇到1时就判断要快)
  2. cur设为0

返回 max_len(注意应写为max(max_len, cur),因为最大值比较放在了遇到0的情况,如果只有遇到1,则max_len的值得不到更新)

代码实现1:

class Solution:
    def findMaxConsecutiveOnes(self, nums: List[int]) -> int:
        max_len = 0
        cur = 0
        for a in range(len(nums)):
            if nums[a] == 1:
                cur += 1
            else:
                max_len = max(max_len, cur)
                cur = 0
        return max(max_len, cur)

思路2:使用map

使用 map 和 join 来解决此问题。
使用 splits 函数在 0 处分割将数组转换成字符串。
在获取子串的最大长度就是最大连续 1 的长度。

代码实现2:

class Solution:
    def findMaxConsecutiveOnes(self, nums: List[int]) -> int:
        # 将整数组成的列表转为一个长字符串
        str1 = ''.join(map(str, nums))
        # 对字符串按照0切割,返回的列表中只有每个元素只有1组成
        str2 = str1.split('0')
        # 统计每个元素的长度并取最大值
        max_len = max(map(len, str2))
        return max_len
<think>我们首先需要理解问题:用户在使用`scaler.inverse_transform`对三维数组进行逆变换时遇到问题,想知道如何正确使用。 根据引用[1]和引用[2]中的信息,`MinMaxScaler`的`inverse_transform`方法要求输入数据的列数(特征数)必须与模型建立(fit)时使用的列数一致。但是,输入数据的样本数(行数)可以是任意的,并且支持广播(如将一列的数据广播到多列)。 然而,`MinMaxScaler`通常用于二维数组(n_samples, n_features)。用户提到的是三维数组,这可能是问题的关键。 在机器学习中,三维数组通常出现在时间序列数据(如多个时间步长的特征)或图像数据(宽、高、通道)中。但是,`MinMaxScaler`设计用于二维数据,因此我们需要将三维数组重塑为二维数组,然后进行逆变换,之后再恢复为三维结构。 步骤: 1. 在归一化(拟合)时,将三维数组重塑为二维数组(例如,(n_samples, n_timesteps*n_features) 或 (n_samples, n_channels*n_height*n_width)),然后进行fit。 2. 在逆变换时,同样使用相同的scaler对象,将归一化后的二维数据进行逆变换,然后再重塑回原来的三维形状。 但是,需要注意的是,在归一化时,我们通常希望每个特征(在二维数组中,每一列是一个特征)独立归一化。如果我们将三维数组的多个维度合并成一列,那么归一化就会将这些合并后的数据当作一个特征来处理,这可能会导致问题,因为原始的三维数组可能包含多个特征(例如时间序列的多个时间步,图像的多个通道)。 另一种做法是:将三维数组视为多个二维样本,每个样本是一个二维矩阵(例如时间序列中的每个时间步有多个特征)。那么,我们可以将每个特征独立归一化,即沿着每个特征维度进行归一化。 具体方法: 假设我们有一个三维数组,形状为 (n_samples, timesteps, n_features)(时间序列数据): - 我们可以先将其重塑为 (n_samples * timesteps, n_features) 的二维数组,然后使用`MinMaxScaler`进行归一化。 - 这样,归一化是针对每个特征(共n_features个特征)进行的,与时间步无关。 - 逆变换时,同样将归一化后的二维数组(形状为(n_samples * timesteps, n_features))输入`inverse_transform`,然后再重塑回 (n_samples, timesteps, n_features)。 但是,如果用户的数据是图像数据(例如形状为(n_samples, height, width, channels)),那么通常我们会对每个通道独立归一化。此时,我们可以将数据重塑为 (n_samples * height * width, channels),然后归一化每个通道,逆变换后再重塑。 然而,用户没有具体说明三维数组的结构,因此我们需要根据具体情况处理。 根据引用[1]中提到的,`inverse_transform`的输入必须满足模型所记住的列数。因此,在逆变换时,输入数据的列数必须与fit时相同。 示例代码: 假设我们有一个三维数组,形状为(2, 3, 2),即2个样本,每个样本3个时间步,每个时间步2个特征。 归一化步骤: ```python from sklearn.preprocessing import MinMaxScaler import numpy as np # 原始数据 data_3d = np.array([ [[1, 2], [3, 4], [5, 6]], [[7, 8], [9, 10], [11, 12]] ]) # 将三维数组重塑为二维 (n_samples * timesteps, n_features) n_samples, timesteps, n_features = data_3d.shape data_2d = data_3d.reshape(-1, n_features) # 形状为(6,2) # 创建并拟合scaler scaler = MinMaxScaler() normalized_data_2d = scaler.fit_transform(data_2d) # 此时,归一化后的数据是二维的,我们可以将其重塑回三维 normalized_data_3d = normalized_data_2d.reshape(n_samples, timesteps, n_features) # 现在,如果我们想要逆变换,首先将归一化后的三维数组再次重塑为二维(与归一化时相同的列数) inverse_data_2d = scaler.inverse_transform(normalized_data_2d) # 输入二维数组,形状(6,2) # 然后再重塑为三维 inverse_data_3d = inverse_data_2d.reshape(n_samples, timesteps, n_features) # 验证是否与原始数据相同 np.array_equal(data_3d, inverse_data_3d) # 应该返回True ``` 但是,如果用户在归一化时没有按照上述方式重塑,而是直接尝试对三维数组使用`fit_transform`,那么就会出错,因为`MinMaxScaler`期望二维数组。 因此,解决方案是:在归一化前将三维数组重塑为二维数组,在逆变换后再重塑回三维。注意,在整个过程中,特征数(n_features)必须保持不变。 如果用户已经用三维数组进行了fit,那么这是错误的,因为fit要求输入是二维的(形状为(n_samples, n_features))。所以,用户需要检查他们是如何进行fit的。 根据引用[2]中的示例,`MinMaxScaler`的输入都是二维的。 因此,总结回答:`scaler.inverse_transform`要求输入是二维数组,且列数与fit时相同。对于三维数组,需要先将其重塑为二维数组(保持特征数不变),然后进行逆变换,之后再重塑回三维。 注意:重塑时,我们合并了样本和时间步(或高度、宽度),这样每个特征(原始三维数组的最后一维)被独立归一化。这样,在逆变换时,我们同样将三维数组重塑为二维(列数相同),然后进行逆变换。 如果用户的三维数组结构不同,需要根据特征的实际含义调整重塑方式,确保归一化是针对每个特征独立进行的。 最后,生成相关问题。</think>### 如何对三维数组使用`scaler.inverse_transform` `MinMaxScaler`的`inverse_transform`方法要求输入数据的**特征维度(列数)必须与模型拟合(fit)时保持一致**,但支持**样本维度(行数)自由变化**。三维数组需要先转换为二维格式才能正确逆变换。以下是具体步骤: #### 正确操作步骤 1. **重塑为二维数组** 将三维数组 $X_{\text{3d}}$ 重塑为二维形状 $(n\_samples \times \text{timesteps}, \text{features})$: ```python n_samples, timesteps, n_features = X_3d.shape X_2d = X_3d.reshape(-1, n_features) # 形状变为 (n_samples*timesteps, n_features) ``` 2. **执行逆变换** 使用已拟合的`scaler`对象进行逆变换: ```python X_inv_2d = scaler.inverse_transform(X_2d) # 输出二维数组 ``` 3. **恢复三维结构** 将结果重塑回原始三维形状: ```python X_inv_3d = X_inv_2d.reshape(n_samples, timesteps, n_features) ``` --- #### 完整示例代码 ```python import numpy as np from sklearn.preprocessing import MinMaxScaler # 原始三维数组 (2个样本, 3个时间步, 2个特征) X_3d = np.array([ [[1, 2], [3, 4], [5, 6]], [[7, 8], [9, 10], [11, 12]] ]) # 1. 重塑为二维数组 n_samples, timesteps, n_features = X_3d.shape X_2d = X_3d.reshape(-1, n_features) # -> (6, 2) # 2. 拟合归一化模型并转换 scaler = MinMaxScaler(feature_range=(0, 1)) X_normalized = scaler.fit_transform(X_2d) # 归一化后的二维数据 # 3. 对归一化数据执行逆变换 X_inv_2d = scaler.inverse_transform(X_normalized) # 逆变换为二维 # 4. 恢复三维结构 X_inv_3d = X_inv_2d.reshape(n_samples, timesteps, n_features) # 验证结果 print("原始数据:\n", X_3d) print("逆变换恢复数据:\n", X_inv_3d) # 应与原始数据一致 ``` #### 关键说明 - **列数一致性**:`inverse_transform`要求输入列数必须与`fit`时相同(本例中为2列)[^1][^2]。 - **行数灵活性**:行数(样本×时间步)可任意变化,支持广播机制[^1]。 - **维度处理**:三维数组需通过`reshape`保证特征维度对齐,时间步/样本维度可合并处理。 --- ### 常见错误及解决 1. **直接输入三维数组** ```python # 错误:输入维度不匹配 scaler.inverse_transform(X_3d) # 引发ValueError ``` **解决方案**:必须按上述步骤重塑为二维。 2. **特征维度不一致** 若逆变换时列数与`fit`时不同(如`fit`用2列,逆变换用3列),会触发维度错误。 **解决方案**:确保所有操作的特征维度一致。 3. **广播机制应用** 若需对单个特征列逆变换后广播到多列(如将一列数据复制到5列): ```python # 假设scaler拟合时用(1,5)数据 X_broadcasted = scaler.inverse_transform(X_single_column) # 输入(5,1) ``` 需确保广播逻辑符合特征含义[^1]。 ---
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