merge

1 from sqlalchemy import * 2 from sqlalchemy.orm import * 3 4 metadata = MetaData() 5 6 t = Table( 7 't', metadata, 8 Column('id', Integer, primary_key=True), 9 Column('state', String(10)), 10 ) 11 12 class Model(object): pass 13 14 mapper(Model, t) 15 16 engine = create_engine('sqlite://') 17 metadata.create_all(engine) 18 19 session = sessionmaker(bind=engine)() 20 21 obj1 = Model() 22 obj1.state = 'value1' 23 session.add(obj1) 24 session.commit() 25 obj_id = obj1.id 26 27 obj2 = Model() 28 obj2.id = obj_id 29 obj2.state = 'value2' 30 obj3 = session.merge(obj2) 31 session.commit() 32 print

左偏树 Noip大概率翻皮水了,然后先继续xjb学习吧,顺便文化课也是翻皮水大队的:( 今天介绍一种特殊的数据结构:可并堆中的一种->左偏树(好吧其实是因为这种简单易懂代码复杂度较低). 基本介绍 左偏树,故名思义,它是颗向左倾斜的树,其实,它还是棵二叉树,再者,它还具有堆的性质,but,它不是堆. 那么显然,左偏树看起来就像是优化堆一些难以用较优复杂度实现的操作,其实主要就是一个操作:合并. 我们知道,传统的二叉堆,是需要暴力合并的,复杂度为 \(O(sz1+sz2)\) ,而本文所涉及的左偏树,复杂度为$O(log_{2} sz1sz2) $. 首先介绍一个定义:一个节点到其 子树内最近叶节点 的距离称之为这个节点的高度 Height ,简记为 ht . 接下来给出一些左偏树的性质. 基本性质 性质1 堆的性质:对于任意节点 P , \(val_{P}\) <(或>) \(val_{lson[p]}\) 与 \(val_{rson[p]}\) 性质2 \[ht_{lson[P]} \geq ht_{rson[P]}\] 左偏树顾名思义,向左倾斜的树,就是这个性质在图像可视化后的诠释. 性质3 \[ht_{P}=ht_{lson[P]}+1\] 很好理解,由性质2以及叶节点ht为0可以得出. 性质4 对于一棵 \(n\) 节点的左偏树, \(max\{ht\} \leq log_