首页 > 其他分享 >离散化(Discretization Algorithm)

离散化(Discretization Algorithm)

时间:2024-02-06 22:12:00浏览次数:33  
标签:begin map Discretization end Algorithm int mid 离散

简介

离散化 —— 把无限空间中有限的个体映射到有限的空间中去,以此提高算法的时空效率,即:在不改变数据相对大小的条件下,对数据进行相应的缩小。
离散化本质上可以看成是一种 \(哈希\),其保证数据在哈希以后仍然保持原来的 全/偏序 关系。

描述

  • 离散化用于处理一些个数不多,但是数据本身很大但是仍需要作为数组等无法过大的下标时,我们可以处理一下这些大的下标,并且依然保持其原序。
  • 通俗地讲就是当有些数据因为本身很大或者类型不支持,自身无法作为数组的下标来方便地处理,而影响最终结果的只有元素之间的相对大小关系时,我们可以将原来的数据按照从大到小编号来处理问题。

示例

image
示例图片

提示

  1. 注意去重复元素
  2. 快速保序映射

代码

  1. 完成排序操作:
sort(a.begin(), a.end());
  1. 完成去重操作:
a.erase(unique(a.begin(), a.end()), a.end());
  1. 完成查找:
    1 . 使用 std::lower_bound 函数查找离散化之后的排名(即新编号):
    lower_bound(a + 1, a + len + 1, x) - a; // 查询 x 离散化后对应的编号
    2 . 二分查找:
    int find(int x) {
    	int l = 0 , r = a.size() -1;
    	while (l < r) {
        	int mid = l + r >> 1;
        	if (a[mid] >= x) r = mid;
        	else l = mid + 1;
    	}
    	return l + 1;	// 从1 ~ n的映射。
    }
    

应用

区间和

假定有一个无限长的数轴,数轴上每个坐标上的数都是 \(0\) 现在,我们首先进行 \(n\) 次操作,每次操作将某一位置 \(x\) 上的数加 \(c\)。接下来,进行 \(m\) 次询问,每个询问包含两个整数 \(l\) 和 \(r\) ,你需要求出在区间 \([l,r]\) 之间的所有数的和。

  • 分析:
    • 由于坐标数据范围很大,但是数据量较小,考虑离散化处理所有坐标
    • 最后要求区间和,可以使用前缀和来求
  • 题解
#include <iostream>
#include <cstring>
#include <algorithm>
using namespace std;
typedef pair<int, int> P;
const int N = 3e5 + 10;
int n, m;
int a[N]; //用于前缀和计算
vector<P> add, query;  //用于存储输入
vector<int> all;  //用于存储所有目标下标
/**
 * 二分查找
 * @param x target
 * @return 从1 ~ n的映射,返回值需要加1
 */
int find(int x) {
    int l = 0, r = all.size() - 1;
    while (l < r) {
        int mid = l + r >> 1;
        if (all[mid] >= x) r = mid;
        else l = mid + 1;
    }
    return l + 1;
}
int main() {
    scanf("%d%d", &n, &m);
    for (int i = 0; i < n; i++) {
        int a, b;
        scanf("%d%d", &a, &b);
        add.push_back({a, b});
        all.push_back(a);  // 将有用的下标全部存入all
    }
    for (int i = 0; i < m; i ++ ) {
        int a, b;
        scanf("%d%d", &a, &b);
        query.push_back({a, b});

        all.push_back(a);
        all.push_back(b);
    }
    //排序
    sort(all.begin(), all.end());
    //去重
    all.erase(unique(all.begin(), all.end()), all.end());
    //插入数据
    for (auto &item: add) {
        a[find(item.first)] += item.second; //映射
    }
    //预处理前缀和
    for (int i = 1; i <= all.size(); i++) a[i] += a[i - 1]; //前缀和
    //查询
    for (auto &item: query) {
      cout << a[find(item.second)] - a[find(item.first) - 1] << endl;
    }
    return 0;
}

补充

  • 对 \(vector\) 进行离散化:
vector<int> a, b;  // b 是 a 的一个副本
sort(a.begin(), a.end());
a.erase(unique(a.begin(), a.end()), a.end());
for (int i = 0; i < n; ++i)
     b[i] = lower_bound(a.begin(), a.end(), b[i]) - a.begin();
  • \(map\) 映射进行离散化:
    • 可以用 \(map\) (每次在 \(map\) 中查询一下这个值是否存在,如果存在则返回对应的值,否则对应另一个值)或 \(hash\) 表(即 unordered_map 或手写 \(hash\) 表,运用方式和 \(map\) 相同)。

\(map\) 与 unordered_map 的区别

  1. 对于 \(map\) 的底层原理,是通过红黑树(一种非严格意义上的平衡二叉树)来实现的,因此 \(map\) 内部所有的数据都是有序的(默认按 \(key\) 进行升序排序)
  2. unordered_map 和 \(map\) 类似,都是存储的 \(key - value\)的值,可以通过 \(key\) 快速索引到 \(value\) 。不同的是 unordered_map 不会根据 \(key\) 的大小进行排序,存储时是根据 \(key\) 的 \(hash\) 值判断元素是否相同,即 unordered_map 内部元素是无序的。unordered_map的 底层是一个防冗余的哈希表(开链法避免地址冲突)

查询、插入、删除操作的时间复杂度都是 \(O(logn)\)

标签:begin,map,Discretization,end,Algorithm,int,mid,离散
From: https://www.cnblogs.com/BadBadBad/p/18010363/DiscretizationAlgorithm

相关文章

  • 基础算法(十四)离散化+二分 ---以题为例
    假定有一个无限长的数轴,数轴上每个坐标上的数都是 0。现在,我们首先进行 n 次操作,每次操作将某一位置 x 上的数加 c。接下来,进行 m 次询问,每个询问包含两个整数 l 和 r,你需要求出在区间 [l,r] 之间的所有数的和。输入格式第一行包含两个整数 n 和 m。接下来 ......
  • 【阅读笔记】《A New Hardware-Efficient Algorithm and Reconfigurable Architecture
    一、对比度增强算法AGCWD硬件化实现2013年发表在TIP上的对比度增强算法AGCWD(Efficientcontrastenhancementusingadaptivegammacorrectionwithweightingdistribution)2014年发表在IEEETransactionsonImageProcessing的《ANewHardware-EfficientAlgorithmandReco......
  • 【离散数学】第一章 命题逻辑
    第一章命题逻辑真值"地球是行星"这句话(命题)是正确的,我们称它的真值为真,通常记作T或者1;这句话也被称作真命题。"2是无理数"这句话(命题)是错误的的,我们称它的真值为假,通常记作F或者0;这句话也被称作假命题。1.命题的真值一定是唯一的;如果一句话不确定真假或者有时候真有时候假,那这句话......
  • 遗传算法(Genetic Algorithm)
    算法简介遗传算法(GeneticAlgorithm,GA)是一种基于自然选择和遗传操作的随机全局搜索优化算法。它通过模拟自然选择和遗传中发生的复制、交叉(crossover)和变异(mutation)等现象,从任一初始种群(父代)开始,通过随机选择、交叉和变异操作,产生更具有生存优势的子代,使群体不断向搜索空间最......
  • 补充:基于项目的协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation
    前言继续上篇博客,继续读论文。想看上篇论文的同学可以点击这里相关工作Inthissectionwebrieflypresentsomeoftheresearchliteraturerelatedtocollaborativefiltering,recommendersystems,dataminingandpersonalization.在本节中,我们简要介绍了一些与协同......
  • R语言中的模拟过程和离散化:泊松过程和维纳过程
    全文链接:http://tecdat.cn/?p=17303 原文出处:拓端数据部落公众号本文中,我们讨论了一个将Poisson过程与Wiener过程结合在一起的最佳算法的问题。实际上,为了生成泊松过程,我们总是习惯于模拟跳跃之间的持续时间。我们使用给定时间间隔内跳跃的均匀性,该条件取决于跳跃的次数。首先......
  • 离散化
    关于离散化的那些事离散化,本质上就是一种hash,我们需要用到的只是数据的排名而不是数据本身,通过映射的方法把跨度大又疏松的数据转化为跨度小的数据。离散化一般有两种形式,一种是sort+unique,另一种是map。sort+unique首先就是直接用数组排序后去重,将需要用的所有数塞到一个......
  • 离散数学 第1章 数理逻辑
    1.1命题1.1.1基本概念断言:一个陈述语句。祈使句、疑问句一定不是断言。命题:要么为真,要么为假,不能二者都是的断言。原子命题(本源命题):一个命题已不能分解成更简单的命题命题和本源命题常用大写字母P、Q、R表示eg.P:4是质数1.1.2命题联结词复合命题:命题和原子命题可通过......
  • 基于项目的协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation Alg
    前言协同过滤推荐系统,包括基于用户的、基于项目的息肉通过率等,今天我们读一篇基于项目的协同过滤算法的论文。今天读的论文为一篇名叫《基于项目的协同过滤推荐算法》(Item-BasedCollaborativeFilteringRecommendationAlgorithms)。摘要Recommendersystemsapplyknowledg......
  • GYM102596L Yosupo's Algorithm【分治,支配对】
    给定平面上\(2n\)个点,每个点有坐标\((x_i,y_i)\),权值\(w_i\)及颜色\(c_i\)。所有点满足:若\(c_i=0\),则\(x_i<0\);若\(c_i=1\),则\(x_i>0\)。\(q\)次查询,每次给定\(L_i,R_i\),你需要选择两个点\(i,j\)满足如下条件:\(c_i=0,c_j=1\)。\(x_i<L,x_j>R\)或\(x_......