每日一题——Python实现PAT甲级1046 Shortest Distance(举一反三+思想解读+逐步优化)


一个认为一切根源都是“自己不够强”的INTJ

个人主页:用哲学编程-CSDN博客
专栏:每日一题——举一反三
Python编程学习
Python内置函数

Python-3.12.0文档解读

目录

我的写法

专业点评

优点

改进建议

时间复杂度分析

空间复杂度分析

总结

我要更强

方法一:优化空间复杂度(保留前缀和)

方法二:直接使用距离数组进行查询

代码优化解释

时间和空间复杂度分析

总结

哲学和编程思想

编程思想和哲学

总结

举一反三

1. 空间换时间

2. 时间换空间

3. 贪心思想

4. 分治思想

5. 动态规划

举一反三的技巧



https://pintia.cn/problem-sets/994805342720868352/exam/problems/type/7?problemSetProblemId=994805435700199424&page=0


我的写法

# 从输入中读取一行,将其拆分为整数,并存储在 distances 列表中
distances = list(map(int, input().split()))# 第一个元素是 N,表示接下来行程的数目
N = distances[0]# 剩下的元素是各段行程的距离
distances = distances[1:]# 从输入中读取 M,表示要处理的查询次数
M = int(input())# 创建一个前缀和数组,用于存储从起点到各位置的累计距离
prefix_sum = [0] * (N + 1)# 计算前缀和数组
for i in range(1, N + 1):# prefix_sum[i] 表示从起点到第 i 段行程结束的累计距离prefix_sum[i] = prefix_sum[i - 1] + distances[i - 1]# 总的环形路径的距离
total_distance = prefix_sum[N]# 处理每个查询
for i in range(M):# 读取查询的两个点 a 和 ba, b = map(int, input().split())# 确保 a 小于 b,如果不是则交换 a 和 bif a > b:a, b = b, a# 计算从 a 到 b 的路径距离distance1 = prefix_sum[b - 1] - prefix_sum[a - 1]# 计算从 b 到 a(绕过环的另一边)的路径距离distance2 = total_distance - distance1# 输出较短的路径距离print(min(distance1, distance2))

这段代码的功能是处理一个环形路径的查询问题,计算两个节点之间的最短距离。以下是对这段代码的点评,以及时间复杂度和空间复杂度的分析。

专业点评

优点
  1. 前缀和的使用:
    • 通过前缀和数组 prefix_sum,可以在常数时间内计算任意两点之间的路径距离。这种方法有效地将路径长度查询的时间复杂度从线性降到常数。
  2. 处理环形路径:
    • 计算两种可能的路径(顺时针和逆时针)并取最小值的方式,确保了找到两点间的最短路径。
  3. 输入处理:
  • 代码通过 map 和 split 组合高效地读取并转换输入,符合常见的Python代码风格。
改进建议
  1. 输入验证:
    • 没有对输入进行验证假设输入是正确的。可以增加对输入数据的合法性检查,确保输入值在合理范围内。
  2. 变量命名:
  • 可以通过更具描述性的变量名(如 distance_clockwise 和 distance_counterclockwise)来提高代码的可读性。

时间复杂度分析

  1. 前缀和计算:
    • 构建前缀和数组的时间复杂度为 O(N),因为需要遍历距离数组一次。
  2. 查询处理:
    • 每次查询的时间复杂度为 O(1),因为计算路径距离和比较最小值的操作都是常数时间内完成的。
  3. 总体时间复杂度:
  • 总体时间复杂度为 O(N+M),其中 N 是距离数组的大小,M 是查询次数。

空间复杂度分析

  1. 前缀和数组:
    • 需要一个大小为 N+1 的前缀和数组 prefix_sum,空间复杂度为 O(N)。
  2. 输入存储:
    • distances 数组存储每段行程的距离,空间复杂度为 O(N)。
  3. 总体空间复杂度:
  • 总的空间复杂度为 O(N),因为额外使用的主要是 distances 和 prefix_sum 数组。

总结

这段代码使用前缀和技巧有效地解决了环形路径的最短距离查询问题,时间复杂度为 O(N+M),空间复杂度为O(N)。整体实现高效、简洁,但可以通过增加输入验证和更清晰的变量命名进一步提高代码质量。


我要更强

在这个问题中,由于我们需要进行多次查询,而每次查询都需要计算两点之间的最短距离,前缀和的使用已经是一种非常高效的方案。进一步优化时间复杂度已经较为困难,因为查询已经是 O(1) 的时间复杂度。

然而,我们可以考虑优化空间复杂度,特别是当 N 非常大时。以下是几种可能的优化方法:

方法一:优化空间复杂度(保留前缀和)

尽管前缀和数组的空间复杂度是 O(N),但它已经是当前任务的较优解。如果我们希望进一步减少空间消耗,可以考虑在查询中实时计算部分前缀和,而不是存储整个前缀和数组。然而,由于查询次数 M 通常大于路径段数 N,这种方法可能并不会带来实际的性能提升。

方法二:直接使用距离数组进行查询

如果我们不使用前缀和数组,而是直接从距离数组中计算路径长度,虽然会增加每次查询的时间复杂度,但可以节省空间。

下面是直接使用距离数组进行查询的代码示例:

# 读取输入
distances = list(map(int, input().split()))
N = distances[0]
distances = distances[1:]
M = int(input())# 计算总距离
total_distance = sum(distances)# 处理每个查询
for _ in range(M):a, b = map(int, input().split())if a > b:a, b = b, a# 计算从 a 到 b 的路径距离distance1 = sum(distances[a-1:b-1])# 计算从 b 到 a(绕过环的另一边)的路径距离distance2 = total_distance - distance1# 输出较短的路径距离print(min(distance1, distance2))

代码优化解释

  1. 输入读取和初始化:
    • 读取并解析输入,distances 包含各段行程的距离。
  2. 总距离计算:
    • 计算环形路径的总距离。
  3. 查询处理:

对每个查询,计算从 a 到 b 的两种路径距离,输出较小的值。

时间和空间复杂度分析

  1. 时间复杂度:
    • 每次查询的时间复杂度为 O(N),因为我们需要计算部分路径的距离。总的时间复杂度为 O(M⋅N)。
  2. 空间复杂度:
  • 这种方法的空间复杂度为 O(1),除了输入数据外不需要额外的空间。

总结

直接使用距离数组进行查询可以显著减少空间消耗,但会增加查询的时间复杂度。如果路径段数 N 较小且查询次数 M 较多,这种方法可能不如使用前缀和的方案高效。选择何种方法需要根据具体的输入规模进行权衡。


哲学和编程思想


在上述解决问题的过程中,运用了多种编程思想和哲学,下面详细说明:

编程思想和哲学

  1. 空间换时间(前缀和方法):
    • 思想:通过增加额外的空间(前缀和数组)来换取时间上的优化。
    • 具体应用:在前缀和方法中,我们使用一个大小为 �+1N+1 的数组来存储从起点到各位置的累计距离。这使得每次查询的时间复杂度从可能的 �(�)O(N) 降至 �(1)O(1)。
    • 哲学:用更多的空间来预处理数据,以便在后续查询中能够快速得到结果。这种方法常用于需要多次查询的大数据集。
  2. 时间换空间(直接计算路径距离):
    • 思想:减少空间使用,通过增加计算时间来实现同样的功能。
    • 具体应用:在没有使用前缀和的情况下,我们直接在每次查询中计算部分路径的距离。这样做虽然节省了空间,但查询时间复杂度增加到了 �(�)O(N)。
    • 哲学:在空间资源紧张的情况下,可以通过增加计算时间来节省空间。这种方法适用于空间资源比时间资源更宝贵的场景。
  3. 贪心思想:
    • 思想:在每一步选择中做出局部最优的选择,希望最终得到全局最优解。
    • 具体应用:在环形路径的查询中,我们计算了两种路径(顺时针和逆时针)的距离,并选择了最小的那个距离。这个过程实际上是一个贪心选择的过程。
    • 哲学:通过一系列局部最优的选择,可以达到全局最优的效果。这种方法适用于问题可以分解成一系列子问题,并且每个子问题的最优解能构成问题的最优解的情况。
  4. 分治思想:
    • 思想:将问题分解成更小的子问题,分别解决这些子问题,然后合并结果。
    • 具体应用:虽然在上述代码中没有直接应用分治法,但前缀和的计算过程可以看作是一种分治思想的应用。我们先解决小范围内的求和问题,再通过累积的方式解决更大范围的求和问题。
    • 哲学:通过将复杂问题分解成更小、更易解决的子问题,可以有效地降低解决问题的复杂度。这种方法尤其适用于递归和动态规划。
  5. 动态规划思想:
  • 思想:通过记录子问题的解,避免重复计算,逐步解决更大的问题。
  • 具体应用:前缀和数组的构建和使用实际上是一种动态规划思想的体现。我们通过记录每个位置的累计和,避免了在每次查询时重复计算相同的子区间和。
  • 哲学:通过存储和利用子问题的解,可以大大提高解决问题的效率。这种方法适用于具有重叠子问题的场景。

总结

通过分析和解释,可以看到编程思想和哲学在解决实际问题中的应用。这些思想帮助我们在不同的约束条件下(如时间复杂度和空间复杂度)找到适合的解决方案。理解并灵活应用这些思想,可以使我们在编程中更加从容地应对各种挑战。


举一反三


理解和灵活应用编程思想和哲学是提升编程能力的关键。下面是一些技巧,结合这些思想,能更好地举一反三,解决类似的问题:

1. 空间换时间

  • 技巧:预处理和缓存
    • 应用:当你需要频繁查询某些数据时,考虑是否可以通过预处理将结果存储在数组或表中,从而减少每次查询的计算量。
    • 示例:前缀和、动态规划中的状态转移表、缓存最近查询结果的LRU缓存。
  • 延伸:存储中间结果
  • 应用:在递归问题中,存储已经计算过的结果,避免重复计算。
  • 示例:斐波那契数列的动态规划实现。

2. 时间换空间

  • 技巧:实时计算
    • 应用:当空间有限时,考虑是否可以在每次需要时实时计算所需的数据,而不是提前存储所有可能的结果。
    • 示例:对每次查询实时计算路径距离,而不是使用前缀和数组。
  • 延伸:按需加载
  • 应用:在处理大数据时,可以考虑按需加载需要的数据,而不是一次性加载所有数据。
  • 示例:分页加载数据、流式处理大文件。

3. 贪心思想

  • 技巧:每次选择局部最优解
    • 应用:当问题可以分解成一系列子问题,并且每个子问题的最优解能构成问题的最优解时,考虑使用贪心算法。
    • 示例:找零钱问题、活动选择问题、最小生成树(Prim和Kruskal算法)。
  • 延伸:构建贪心策略
  • 应用:在实际问题中,尝试构建一个简单的贪心策略,验证其是否能得到全局最优解。
  • 示例:为旅行商问题构建最近邻居贪心策略。

4. 分治思想

  • 技巧:将问题分解成更小的子问题
    • 应用:当问题可以递归地分解成更小的问题,并且这些子问题独立求解后可以合并成最终结果时,考虑使用分治算法。
    • 示例:二分搜索、归并排序、快速排序。
  • 延伸:寻找合适的分解点
  • 应用:在实际问题中,尝试找到合适的分解点,以便将问题分解成更小的、易于解决的子问题。
  • 示例:在图算法中,将图分解成子图进行处理。

5. 动态规划

  • 技巧:记录子问题的解
    • 应用:当问题具有重叠子问题结构时,通过记录子问题的解,避免重复计算。
    • 示例:背包问题、最长公共子序列、最长递增子序列。
  • 延伸:自底向上和自顶向下
  • 应用:理解动态规划的两种实现方式:自顶向下的记忆化搜索和自底向上的递推。
  • 示例:斐波那契数列的两种动态规划实现。

举一反三的技巧

  1. 类比法:将当前问题与已知问题进行类比,寻找相似之处,应用相同或类似的解决方法。
    • 实践:在面对新问题时,问自己:“这是否类似于我之前解决过的某个问题?”
  2. 分解法:将复杂问题分解成更小的子问题,分别解决这些子问题,再将其组合成最终解决方案。
    • 实践:在解决复杂问题时,尝试运用分治思想,将问题逐步细化。
  3. 验证法:假设某种策略是可行的,先尝试解决子问题,验证其可行性,再逐步扩展到更大的问题。
    • 实践:在尝试贪心算法或其他策略时,先在小规模问题上验证,再扩展到全局。
  4. 优化法:在已有解决方案的基础上,思考是否有可以优化的部分,特别是时间复杂度和空间复杂度。
  • 实践:在已有的解决方案上,问自己:“是否有更快(时间)或更省空间的方法?”

通过运用这些技巧和思想,可以更好地理解和解决问题,提升编程能力。理解背后的哲学和原理,能够在面对新的或复杂的问题时,迅速找到有效的解决方案。


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/21024.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Python模块导入的写法

关于Python模块导入的写法有 相对路径导入 和 绝对路径导入 两种不同的导入路径的写法。 文章目录 相对路径导入绝对路径导入总结 相对路径导入 from .utils import upblock2d, crossattn_upblock2d使用了相对导入,以(“.”)开头这种导入方…

HCIP-Datacom-ARST自选题库__MAC【14道题】

一、单选题 1.缺省情况下,以下哪种安全MAC地址类型在设备重启后表项会丢失? 黑洞MAC地址 Sticky MAC地址 安全动态MAC地址 安全静态MAC地址 2.华为交换机MAC地址表中的动态sticky MAC地址的默认老化时间是多少秒? 300 不会老化 400 500 3.华为交换机MA…

【BeyondCompare官方免费版下载链接】

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 前言一、BeyondCompare官方免费版下载链接 前言 该软件用于比较两个文本或文件夹之间的不同之处,查看代码修改时非常好用。 一、BeyondCompare官方免费…

Polar Web【简单】login

Polar Web【简单】login 本文旨在记录此题的探索和解决过程。 Contents Polar Web【简单】login探索&思路EXP (python)结果&总结 探索&思路 查看源码,发现存在用户信息泄露。尝试用获取信息登录,显示成功,但其后没有可做的操作。…

有损线、上升边退化与材料特性(七)

有损线的不良影响 当信号沿着实际有损线传输时,高频分量的幅度减小,而低频分量的幅度保持不变。由于这个种选择性的衰减,信号的带宽降低,信号的上升边会增长。如果上升边的退化与单位间隔比很小,同位模式将比较稳定与…

Django视图与路由:打造你的网络帝国

Hello,我是阿佑,上期给大家讲了 Django ORM魔法:用Python代码召唤数据库之灵! 今天将带大家深入探讨了视图的工作原理、如何编写高效的函数视图和类视图,以及如何巧妙地利用URL路由来提升应用的用户体验和可维护性。通…

最新h5st(4.7.2)参数分析与纯算法还原(含算法源码)

文章目录 1. 写在前面2. 加密分析3. 算法还原 【🏠作者主页】:吴秋霖 【💼作者介绍】:擅长爬虫与JS加密逆向分析!Python领域优质创作者、CSDN博客专家、阿里云博客专家、华为云享专家。一路走来长期坚守并致力于Python…

操作系统 实验29 同步与互斥

1、并发线程同步与互斥 源程序&#xff1a; #include <stdio.h> #include <stdlib.h> #include <pthread.h> #include <unistd.h> #include <string.h> int num30,count10; pthread_mutex_t mylockPTHREAD_MUTEX_INITIALIZER; void *sub1(voi…

图解 Python 编程(10) | 错误与异常处理

&#x1f31e;欢迎来到Python的世界 &#x1f308;博客主页&#xff1a;卿云阁 &#x1f48c;欢迎关注&#x1f389;点赞&#x1f44d;收藏⭐️留言&#x1f4dd; &#x1f31f;本文由卿云阁原创&#xff01; &#x1f4c6;首发时间&#xff1a;&#x1f339;2024年6月2日&…

LangChain学习之prompt格式化与解析器使用

1. 学习背景 在LangChain for LLM应用程序开发中课程中&#xff0c;学习了LangChain框架扩展应用程序开发中语言模型的用例和功能的基本技能&#xff0c;遂做整理为后面的应用做准备。视频地址&#xff1a;基于LangChain的大语言模型应用开发构建和评估高 2. 先准备尝试调用O…

数据结构(C):从初识堆到堆排序的实现

目录 &#x1f31e;0.前言 &#x1f688; 1.堆的概念 &#x1f688; 2.堆的实现 &#x1f69d;2.1堆向下调整算法 &#x1f69d;2.2堆的创建&#xff08;堆向下调整算法&#xff09; ✈️2.2.1 向下调整建堆时间复杂度 &#x1f69d;2.3堆向上调整算法 &#x1f69d;2.…

testcontainer

在我们的项目中&#xff0c;单元测试是保证我们代码质量非常重要的一环&#xff0c;但是我们的业务代码不可避免的需要依赖外部的系统或服务如DB&#xff0c;redis&#xff0c;其他外部服务等。如何保证我们的测试代码不受外部依赖的影响&#xff0c;能够稳定的运行成为了一件比…

c++------类和对象(下)包含了this指针、构造函数、析构函数、拷贝构造等

文章目录 前言一、this指针1.1、this指针的引出1.2、 this指针的特性 二、类的默认的六个构造函数2.1、构造函数简述2.2构造函数 三、析构函数3.1、析构函数引出3.2、特点&#xff1a; 四、拷贝构造4.1、引入4.2、特征&#xff1a;4.3、默认拷贝构造函数 总结 前言 在本节中&a…

中国的历史看中国的经济发展

从中国的历史看中国的经济发展&#xff0c;可以发现其经历了几个显著的阶段&#xff0c;每个阶段都有其独特的特点和成就&#xff1a; 古代经济&#xff1a;中国古代经济以农业为主&#xff0c;实行井田制&#xff0c;重视水利工程的建设&#xff0c;如都江堰、灵渠等。 商业发…

Compose Multiplatform 1.6.10 发布,解释一些小问题, Jake 大佬的 Hack

虽然一直比较关注跨平台开发&#xff0c;但其实我很少写 Compose Multiplatform 的内容&#xff0c;因为关于 Compose Multiplatform 的使用&#xff0c;其实我并没在实际生产环境上发布过&#xff0c;但是这个版本确实值得一提&#xff0c;因为该版本包含&#xff1a; iOS Bet…

数据库(15)——DQL分页查询

DQL分页查询语法 SELECT 字段列表 FROM 表名 LIMIT 起始索引&#xff0c;查询记录数; 注&#xff1a;起始索引从0开始&#xff0c;起始索引&#xff08;查询页码-1&#xff09;*每页显示记录数。 如果查询的是第一页&#xff0c;可以省略起始索引。 示例&#xff1a;查询第一页…

【考研数学】概率论如何复习?跟谁好?

概率论一定要跟对老师&#xff0c;如果跟对老师&#xff0c;考研基本上能拿满分 概率论在考研试卷中占比并不大&#xff0c;其中&#xff1a; 高等数学&#xff0c;90分&#xff0c;约占比60%; 线性代数&#xff0c;30分&#xff0c;约占比20%; 概率论与数理统计&#xff0…

hive中的join操作及其数据倾斜

hive中的join操作及其数据倾斜 join操作是一个大数据领域一个常见的话题。归根结底是由于在数据量超大的情况下&#xff0c;join操作会使内存占用飙升。运算的复杂度也随之上升。在进行join操作时&#xff0c;也会更容易发生数据倾斜。这些都是需要考虑的问题。 过去了解到很…

每日5题Day15 - LeetCode 71 - 75

每一步向前都是向自己的梦想更近一步&#xff0c;坚持不懈&#xff0c;勇往直前&#xff01; 第一题&#xff1a;71. 简化路径 - 力扣&#xff08;LeetCode&#xff09; class Solution {public String simplifyPath(String path) {Deque<String> stack new LinkedList…

mysql的增删查改(进阶)

目录 一. 更复杂的新增 二. 查询 2.1 聚合查询 COUNT SUM AVG MAX MIN 2.1.2 分组查询 group by 子句 2.1.3 HAVING 2.2 联合查询/多表查询 2.2.1 内连接 2.2.2 外连接 2.2.3 全外连接 2.2.4 自连接 2.2.5 子查询 2.2.6 合并查询 一. 更复杂的新增 将从表名查询到…