matrix

转自原文 C#: 桥接模式 1.引言 桥接模式是一种很实用的结构型设计模式，如果系统中的某各类存在两个独立变化的纬度，通过桥接模式可以将这两个纬度分离出来，它是将抽象部分和实现部分解耦，使得两者都能够独立变化。如果不理解，怎么说都会觉得晦涩，看下面的两个例子： (1)示例1【 桥接模式 】 把遥控器做为一个抽象类，抽象类中提供遥控器的所有实现，其他具体电视品牌的遥控器都继承这个抽象类，具体设计类图如下： 这样的实现使得每部不同型号的电视都有自己遥控器实现，这样的设计对于电视机的改变可以很好地应对，只需要添加一个派生类就搞定了，但随着时间的推移，用户需要改变遥控器的功能，如：用户可能后面需要对遥控器添加返回上一个台等功能时，此时上面的设计就需要修改抽象类RemoteControl的提供的接口了，此时可能只需要向抽象类中添加一个方法就可以解决了，但是这样带来的问题是我们改变了抽象的实现，如果用户需要同时改变电视机品型号和遥控器功能时，上面的设计就会导致相当大的修改，显然这样的设计并不是好的设计。 (2)示例2 画笔有毛笔和蜡笔两种，假如需要大、中、小3种型号的画笔，能够分别绘制出12种不同的颜色，如果使用蜡笔的话需要准备36支，如果使用毛笔，则只需要准备3种型号的毛笔外加12种颜色的调色板，总共15样。如果需要新增一种新型号的画笔，对于蜡笔来说需要增加12支

题意：给定一个0，1矩阵，找到最大的包含1的正方形，并返回它的面积。 思路： 动态规划 初始化：二维数组：dp[i][j] 表示 到达（i, j ）位置所能组成的最大正方形的边长。 1）边界条件：i表示行数，j表示列数。 i == 0 || j == 0 2）状态转移方程：matrix[i][j] == 1时，dp[i][j] = min(dp[i-1][j-1], min(dp[i][j-1], dp[i-1][j] ) ) +1 class Solution { public: int maximalSquare(vector<vector<char>>& matrix) { if(matrix.empty() || matrix[0].empty()) return 0; int n = matrix.size(); int m = matrix[0].size(); int dp[n][m] = {}; //最长边长 int res = 0; //面积 for(int i=0; i<n; i++){ for(int j =0;j<m; j++){ if(i==0 || j==0) dp[i][j] = matrix[i][j] - '0'; else if(matrix[i][j] == '1'){ dp[i][j] = min(dp[i-1][j-1], min(dp[i

Given a 2D binary matrix filled with 0's and 1's, find the largest square containing only 1's and return its area. Example: Input: 1 0 1 0 0 1 0 1 1 1 1 1 1 1 1 1 0 0 1 0 Output: 4 用dp来记录以i，j为右下角元素时最大的matrix。状态转移方程比较trick Solution: class Solution(object): def maximalSquare(self, matrix): """ :type matrix: List[List[str]] :rtype: int """ res = 0 dp = [[0 for i in range(len(matrix[0]))] for j in range(len(matrix))] for i in range(len(matrix)): for j in range(len(matrix[0])): dp[i][j] = 1 if matrix[i][j]=='1' else 0 if i>0 and j>0 and matrix[i][j]=='1': dp[i][j] = 1 + min(dp[i-1][j-1],min(dp[i-1]

使用python求度分布的程序 # -*- coding: utf-8 -*- """ Created on Sun Jun 16 20:13:42 2019 @author: Administrator """ """ 这个函数的作用是将一个矩阵给转换成一个图， 矩阵以多维列表的形式存在，即列表的列表 此处的转换是针对无向图 根据邻接矩阵得到图之后，我们就可以调用networkx 里面的各种函数来分析图的性质，比如度分布， 平均路径程度，聚类系数等一系列图的拓扑性质 """ import networkx as nx import matplotlib.pyplot as plt def degree_of_graph(): # reload(sys) G = nx.Graph() filestr = "" with open("matrix.txt") as files: for line in files: filestr += line.strip() #将字符串转换成列表 matrix = eval(filestr) #存储y坐标的值 y_value = [] #存储x坐标的值 x_value = [] nodes = range(len(matrix)) G.add_nodes_from(nodes) for i in range(len(matrix)): for j

求解网络科学里面的接近中心性 import matplotlib.pyplot as plt import networkx as nx import operator def get_closeness_centrality(): G = nx.Graph() filestr = "" #需要读入的邻接矩阵 with open("nsMatrix.txt") as files: for line in files: filestr += line.strip() #将字符串转换成列表 matrix = eval(filestr) nodes = range(len(matrix)) G.add_nodes_from(nodes) for i in range(len(matrix)): for j in range(len(matrix)): if(matrix[i][j] == 1): G.add_edge(i, j) cc = nx.algorithms.bipartite.centrality.closeness_centrality(G,G.node()) print("节点编号及其接近中心性最大值为：") cc_list = sorted(cc.items(), key=operator.itemgetter(1)) print(cc_list) get