首页 > 其他分享 >数论基础

数论基础

时间:2024-08-30 10:18:34浏览次数:12  
标签:函数 数论 dfrac sum 基础 pmod int equiv

数论基础

数论函数

数论函数是指这样一类函数:其定义域是正整数,值域是一个数集。

定义两个数论函数的加法,为逐项相加,即 \((f + g)(n) = f(n) + g(n)\) 。

定义数乘这个数和每一项都相乘,即 \((xf)(n) = x \times f(n)\) 。

常见数论函数

\[1(x) = 1 \\ \epsilon(x) = [x = 1] \\ id(x) = x \\ id^k(x) = x^k \\ \sigma_0(x) = \sum_{d | x} 1 \\ \sigma(x) = \sum_{d | x} d \\ \sigma_k(x) = \sum_{d | x} d^k \]

常见数论函数的性质

\[\sum_{i = 1}^n \sigma(i) = \sum_{i = 1}^n \lfloor \dfrac{n}{i} \rfloor \]

证明:考虑每个因数的贡献即可。

\[\sigma(ij) = \sum_{x | i} \sum_{y | j} [\gcd(x, y) = 1] \]

证明:考虑把每个因子一一映射,如果 \(ij\) 的因子 \(k\) 中有一个因子 \(p^c\),\(i\) 中有因子 \(p^a\),\(j\) 中有因子 \(p^b\)。我们规定:

  • 如果 \(c\leqslant a\),那么在 \(i\) 中选择。
  • 如果 \(c>a\),那么我们把 \(c\) 减去 \(a\),在 \(j\) 中选择 \(p^{c-a}\)(在 \(j\) 中选择 \(p^e\) 表示的是 \(p^{a+e}\))

对于 \(ij\) 的因子 \(k\) 的其他因子同理。于是对于任何一个 \(k\) 有一个唯一的映射,且每一个选择对应着唯一的 \(k\)。

于是对于 \(ij\) 的因子 \(k=\prod {p_i}^{c_i}\),我们不可能同时在 \(i\) 和 \(j\) 中选择 \(p_i\)(优先在 \(i\) 中选择,如果不够就只在 \(j\) 中选择不够的指数),故 \(x\) 和 \(y\) 必须互质。

推广:

\[\sigma(ijk) = \sum_{a | i} \sum_{b | j} \sum_{c | k} [\gcd(a, b) = 1] [\gcd(b, c) = 1] [\gcd(a, c) = 1] \]

积性函数

定义

积性函数

对于函数 \(f(x)\) ,若 \(\forall \gcd(x, y) = 1, f(x y) = f(x) f(y)\) ,则称 \(f(x)\) 为积性函数。

常见的积性函数:

  • 约数函数:\(\sigma_k(n) = \sum_{d | n} d^k\) 。
  • 欧拉函数:\(\varphi(n)\) 。
  • 莫比乌斯函数:\(\mu(n)\)

完全积性函数

对于函数 \(f(x)\) ,若 \(\forall x, y, f(x y) = f(x) f(y)\) ,则称 \(f(x)\) 为完全积性函数。不难发现完全积性函数属于积性函数。

常见的完全积性函数:

  • 常数函数: \(1(n) = 1\) 。
  • 元函数: \(\epsilon(n) = [n = 1]\) 。
  • 单位函数:\(id(n) = n\) 。
  • 幂函数: \(id^x(n) = n^x\) 。

性质

一个显然的事实:\(f(1) = 1\) 。

设 \(n\) 的质因数分解为 \(\prod p_i^{c_i}\) ,则:

  • 对于积性函数 \(f(x)\) ,有 \(f(n) = \prod f(p_i^{c_i})\) 。
  • 对于完全积性函数 \(f(x)\) ,有 \(f(n) = \prod f(p_i)^{k_i}\) 。

若 \(f(n), g(n)\) 均为积性函数,则以下函数也为积性函数:

\[h(n) = f(n^p) \\ h(n) = f^p(n) \\ h(n) = f(n) g(n) \\ h(n) = \sum_{d | n} f(d) g(\dfrac{n}{d}) \]

线性筛

线性筛的时间复杂度是由每个数都会被最小的质因子标记的。

一般的,对于积性函数 \(f(x)\) ,若 \(f(p^c)\) 的值便于分析,则 \(f(1 \sim n)\) 的值可以被线性筛筛出来。

记 \(low_i\) 表示:若 \(i\) 的最小质因子为 \(p_1\) ,其次数为 \(c_1\) ,则 \(low_i = p_1^{c_1}\) 。

在线性筛时,若当前筛出了一个质数 \(p\) ,则将 \(f(p), f(p^2), \cdots, f(p^c)\) 都算出来,否则可以得到 \(f(i) = f(\dfrac{i}{low_i}) \times f(low_i)\) 。

inline void sieve(int n) {
    f[1] = 1;
    
    for (int i = 2; i <= n; ++i) {
        if (!low[i]) {
            pri[++pcnt] = i;
            ll x = i;
            int c = 1;

            while (x <= n) {
                low[x] = x;
                // calculate f(x)
                x *= i, c ++;
            }
        }

        for (int j = 1; j <= pcnt && i * pri[j] <= n; ++j) {
            int x = i * pri[j]; 
            low[x] = i % pri[j] ? pri[j] : low[i] * pri[j];
            f[x] = f[x / low[x]] * f[low[x]];

            if (!(i % pri[j]))
                break;
        }
    }
}

Dirichlet卷积

定义:

  • Dirichlet卷积:\(f(n), g(n)\) 的狄利克雷卷积为 \((f * g) (n) = \sum_{d | n} f(d) g(\dfrac{n}{d})\) 。

  • 逆:满足 \(\epsilon = g * f\) 时,\(g, f\) 互逆,对于每个 \(f(1) \neq 0\) 的函数都存在逆元,可以构造:

    \[g(n) = \dfrac{1}{f(1)} ([n = 1] - \sum_{i | n, i \neq 1} f(i) g(\dfrac{n}{i})) \]

性质:

  • 交换律:\(f * g = g * f\) 。
  • 结合律:\((f * g) * h = f * (g * h)\) 。
  • 分配律:\((f + g) * h = f * h + g * h\) 。
  • 数乘:\((xf) * g = x(f * g)\) 。
  • 单位元:\(\epsilon * f = f\) 。
  • 若 \(h(1) \neq 0\) ,则 \(f = g \iff f * h = g * h\) 。
  • 积性函数的卷积、逆仍为积性函数。

常见Dirichlet卷积式:

\[\sigma_0 = 1 * 1 \\ id = \varphi * 1 \\ \sigma = 1 * id = \sigma_0 * \varphi \\ 1 = \sigma_0 * \mu \\ \epsilon = \mu * 1 \\ \varphi = \mu * id \]

线性筛

线性筛的时间复杂度是由每个数都会被最小的质因子标记的。

一般的,对于积性函数 \(f(x)\) ,若 \(f(p^c)\) 的值便于分析,则 \(f(1 \sim n)\) 的值可以被线性筛筛出来。

记 \(low_i\) 表示:若 \(i\) 的最小质因子为 \(p_1\) ,其次数为 \(c_1\) ,则 \(low_i = p_1^{c_1}\) 。

在线性筛时,若当前筛出了一个质数 \(p\) ,则将 \(f(p), f(p^2), \cdots, f(p^c)\) 都算出来,否则可以得到 \(f(i) = f(\dfrac{i}{low_i}) \times f(low_i)\) 。

筛素数

inline void sieve(int n) {
    memset(isp, true, sizeof(isp));
    isp[1] = false;
    
    for (int i = 2; i <= n; ++i) {
        if (isp[i])
            pri[++pcnt] = i;
        
        for (int j = 1; j <= pcnt && i * pri[j] <= n; ++j) {
            isp[i * pri[j]] = false;
            
            if (!(i % pri[j]))
                break;
        }
    }
}

筛约数个数

\(d_i\) 表示 \(i\) 的约数个数, \(c_i\) 表示 \(i\) 的最小质因子出现次数

inline void prework(int n) {
	memset(isp, true, sizeof(isp));
	pcnt = 0;
	isp[1] = false, d[1] = 1;
	
	for (int i = 2; i <= n; ++i) {
		if (isp[i])
			pri[++pcnt] = i, d[i] = 2, c[i] = 1;
		
		for (int j = 1; j <= pcnt && i * pri[j] <= n; ++j) {
			isp[i * pri[j]] = false;
			
			if (i % pri[j]) {
				c[i * pri[j]] = 1;
				d[i * pri[j]] = d[i] * 2;
			} else {
				c[i * pri[j]] = c[i] + 1;
				d[i * pri[j]] = d[i] / c[i * pri[j]] * (c[i * pri[j]] + 1);
				break;
			}
		}
	}
}

筛约数和

\(f_i\) 表示 \(i\) 的约数和, \(g_i\) 表示 \(i\) 的最小质因子的 \(p^0 + p^1 + \cdots + p^k\)

inline void init(int n) {
	memset(IsPrime, true, sizeof(IsPrime));
	tot = 0;
	g[1] = f[1] = 1;
	
	for (int i = 2; i <= n; ++i) {
		if (IsPrime[i])
			prime[++tot] = i, g[i] = i + 1, f[i] = i + 1;
		
		for (int j = 1; j <= tot && i * prime[j] <= n; ++j) {
			IsPrime[i * prime[j]] = false;
			
			if (i % prime[j]) {
				f[i * prime[j]] = f[i] * f[prime[j]];
				g[i * prime[j]] = prime[j] + 1;
			}
			else {
				g[i * prime[j]] = g[i] * prime[j] + 1;
				f[i * prime[j]] = f[i] / g[i] * g[i * prime[j]];
				break;
			}
		}
	}
}

扩展欧几里得

扩展欧几里得算法常用于求解方程 \(ax + by = \gcd(a, b)\) 的一组可行解。由裴蜀定理可知,该方程一定有解。

实现

设:

\[ax_1 + by_1 = \gcd(a,b) \\ bx_2 + (a \bmod b)y_2 = \gcd(b, a \bmod b) \]

由欧几里得定理 \(\gcd(a, b) = \gcd(b, a \bmod b)\) 可知:

\[ax_1 + by_1 = bx_2 + (a \bmod b)y_2 \]

将 \(a \bmod b\) 用 \(a - \lfloor \dfrac{a}{b} \rfloor \times b\) 带入,得:

\[ax_1 + by_1 = bx_2 + (a - \lfloor \dfrac{a}{b} \rfloor \times b)y_2 \]

展开得到:

\[ax_1 + by_1 = ay_2 + bx_2 - \lfloor \dfrac{a}{b} \rfloor \times by_2 = ay_2 + b(x_2 - \lfloor \dfrac{a}{b} \rfloor y_2) \]

所以:

\[\begin{cases} x_1 = y_2 \\ y_1 = x_2 - \lfloor \dfrac{a}{b} \rfloor y_2 \end{cases} \]

实现:

int exgcd(int a, int b, int &x, int &y) {
    b ? (exgcd(b, a % b, y, x), y -= a / b * x) : (x = 1, y = 0);
}

应用

P5656 【模板】二元一次不定方程 (exgcd)

对于不定方程:

\[ax + by = c \]

若 \(c\) 不是 \(\gcd(a, b)\) 的倍数,则无解。已知exgcd可以求出

\[ax + by = \gcd(a,b) \]

的一组整数特解,记为 \(\begin{cases} x = x_0 \\ y = y_0 \end{cases}\) ,可以得到该方程的一特解:

\[\begin{cases} x_1 = \dfrac{x_0 c}{\gcd(a, b)} \\ y_1 = \dfrac{y_0 c}{\gcd(a, b)} \end{cases} \]

考虑构造原方程整数通解形式,设 \(d \in \mathbb{Q}\) ,则:

\[a(x_1 + db) + b(y_1 - da) = c \]

同时,通解需保证 \(x_1 + db, y_1 - da\) 均为整数。因为 \(x_1, y_1\) 均为整数,故只需保证 \(db, da\) 为整数即可。

令当 \(d\) 取到最小可能的正值时的 \(d_x = db, d_y = da\) ,那么有通解形式:

\[\begin{cases} x = x_1 + s d_x \\ y = y_1 - s d_y \end{cases} \]

其中 \(s\) 为任意整数。

中国剩余定理

中国剩余定理(CRT)是用于求解形如:

\[\begin{aligned} \begin{cases} x &\equiv a_1 \pmod{m_1} \\ x &\equiv a_2 \pmod{m_2} \\ &\vdots \\ x &\equiv a_k \pmod{m_k} \end{cases} \end{aligned} \]

的一元线性同余方程组,其中 \(m\) 两两互质。

实现

  • 计算 \(M = \prod_{i = 1}^k m_i\) 。
  • 对于第 \(i\) 个方程
    • 计算 \(p_i = \dfrac{M}{m_i}\) 。
    • 计算 \(p_i\) 在模 \(m_i\) 意义下的逆元 \(p_i^{-1}\) 。
    • 计算 \(c_i = p_i p_i^{-1}\) (不要对 \(m_i\) 取模)。
  • 方程组在模 \(M\) 意义下的唯一解即为 \(x = \sum_{i = 1}^k a_i c_i \pmod{M}\) 。
inline ll CRT() {
	ll M = 1, res = 0;
	
	for (int i = 1; i <= n; ++i)
		M *= m[i];
	
	for (int i = 1; i <= n; ++i)
		res = (res + a[i] * (M / m[i]) % M * inv(M / m[i], m[i]) % M) % M;
	
	return res;
}

证明:只需证明上述算法解出的 \(x\) 均满足每一个方程即可。

当 \(i \not = j\) 时,显然有 \(p_j \equiv 0 \pmod{m_i}\) ,故 \(c_j \equiv p_j \equiv 0 \pmod{m_i}\) ,又因为 \(c_i \equiv p_i (p_i^{-1} \bmod m_i) \equiv 1 \pmod{m_i}\) ,所以有:

\[\begin{aligned} x &\equiv \sum_{j = 1}^k a_j c_j &\pmod{m_i} \\ &\equiv a_i c_i &\pmod{m_i} \\ &\equiv a_i p_i (p_i^{-1} \bmod m_i) &\pmod{m_i} \\ &\equiv a_i &\pmod{m_i} \end{aligned} \]

所以上述算法解出的 \(x\) 均满足每一个方程。

另外,若 \(y \not = x\) ,则总存在 \(i\) 使得 \(x, y\) 在模 \(m_i\) 意义下不同余。

Garner算法

CRT的另一个用途是用一组比较小的质数表示一个大整数。

例如,若 \(a\) 满足:

\[\begin{aligned} \begin{cases} A &\equiv a_1 \pmod{p_1} \\ A &\equiv a_2 \pmod{p_2} \\ &\vdots \\ A &\equiv a_k \pmod{p_k} \end{cases} \end{aligned} \]

且 \(A < \prod_{i = 1}^k p_i\) , \(p_i\) 均为质数,则有

\[A = x_1 + x_2 p_1 + x_3p_1p_2 + \cdots + x_kp_1 \cdots p_{k - 1} \]

可以用 Garner 算法求出系数 \(x_1, \cdots, x_k\)

令 \(r_{i, j}\) 表示 \(p_i\) 在模 \(p_j\) 意义下的逆元,第一个方程带入 \(A\) 可以得到

\[a_1 \equiv x_1 \pmod{p_1} \]

带入第二个方程可以得到

\[\begin{aligned} a_2 &\equiv x_1 + x_2 p_1 &\pmod{p_2} \\ a_2 - x_1 &\equiv x_2 p_1 &\pmod{p_2} \\ (a_2 - x_1) r_{1, 2} &\equiv x_2 &\pmod{p_2} \\ x_2 &\equiv (a_2 - x_1) r_{1, 2} &\pmod{p_2} \end{aligned} \]

类似地,我们可以得到

\[x_k = (\cdots((a_k - x_1)r_{1, k} - x_2)r_{2, k} - \cdots) r_{k - 1, k} \pmod{p_k} \]

代码实现:

for (int i = 1; i <= k; ++i) {
	x[i] = a[i];
	
	for (int j = 1; j < i; ++j)
		x[i] = (r[j][i] * (x[i] - x[j]) % p[i] + p[i]) % p[i];
}

某些问题出于某些原因,给出的模数不是质数。但对其质因数分解会发现它没有平方因子,也就是该模数是由一些不重复的质数相乘得到。那么我们可以分别对这些模数进行计算,最后用 CRT 合并答案。

优化

观察:

\[\begin{aligned} x_1 &= a_1 &\pmod{p_1} \\ x_2 &= (a_2 - x_1) r_{1, 2} \\ &= a_2r_{1, 2} - x_1 r_{1, 2} &\pmod{p_2} \\ x_3 &= ((a_3 - x_1) r_{1, 3} - x_2) r_{2, 3} \\ &= a_3 r_{1, 3} r_{2, 3} - (x_1 r_{1, 3} r_{2, 3} + x_2 r_{2, 3}) &\pmod{p_3} \\ x_4 &= (((a_3 - x_1) r_{1, 4} - x_2) r_{2, 4} - x_3) r_{3, 4} \\ &= a_3 r_{1, 4} r_{2, 4} r_{3, 4} - (x_1 r_{1, 4} r_{2, 4} r_{3, 4} + x_2 r_{2, 4} r_{3, 4} + x_3 r_{3, 4}) &\pmod{p_4} \end{aligned} \]

归纳:

\[\begin{aligned} x_k &= a_k \prod_{i = 1}^{k - 1} r_{i, k} - \sum_{i = 1}^{k - 1} (x_i \prod_{j = i}^{k - 1} r_{j, k}) &\pmod{p_k} \\ &= \prod_{i = 1}^{k - 1} r_{i, k} (a_k - \sum_{i = 1}^{k - 1} \dfrac{x_i}{\prod_{j = 1}^{i - 1} r_{j, k}}) &\pmod{p_k} \\ &= (\prod_{i = 1}^{k - 1} p_i)^{-1} (a_k - \sum_{i = 1}^{k - 1} (x_i \prod_{j = 1}^{i - 1} p_j)) &\pmod{p_k} \end{aligned} \]

那么有:

\[\begin{aligned} A &= \sum_{i = 1}^{k} (x_i \prod_{j = 1}^{i - 1} p_j) &\pmod{M} \\ A &= \sum_{i = 1}^{k} ((\prod_{j = 1}^{i - 1} p_j)^{-1} (a_i - \sum_{j = 1}^{i - 1} (x_j \prod_{u = 1}^{j - 1} p_u)) \prod_{j = 1}^{i - 1} p_j) &\pmod{M} \\ A &= \sum_{i = 1}^{k} (a_i - \sum_{j = 1}^{i - 1} (x_j \prod_{u = 1}^{j - 1} p_u)) &\pmod{M} \end{aligned} \]

for (int i = 1; i <= k; ++i)
	A = (A + 1ll * ((a[i] - A) % p[i] + p[i]) % p[i] * inv(mod % p[i], p) % p[i] * Mod) % Mod;

此时时间复杂降为 \(O(n)\) 。

exCRT

模数不互质的CRT。

考虑两个方程的情况,设两个方程分别为 \(x \equiv a_1 \pmod{m_1}\) 与 \(x \equiv a_2 \pmod{m_2}\) 。转化为不定方程 \(x = m_1 p + a_1 = m_2 q + a_2\) ,其中 \(p, q \in \mathbb{Z}\) ,则有 $ m_1 p - m_2 q = a_2 - a_1$

由裴蜀定理,当 \(\gcd(m_1, m_2) \nmid (a_2 - a_1)\) 时方程无解。否则我们用exgcd求出一组可行解 \(p, q\) ,则 \(x \equiv m_1 p + a_1 \pmod{\operatorname{lcm}(m_1, m_2)}\) 。

拓展到多个方程,类似地,我们按照上述过程两两合并即可。

inline pair<s128, s128> merge(pair<s128, s128> dt1, pair<s128, s128> dt2) {
	s128 m1 = dt1.first, a1 = dt1.second;
	s128 m2 = dt2.first, a2 = dt2.second;
	s128 c = ((a2 - a1) % m2 + m2) % m2;
	s128 x, y, g = exgcd(m1, m2, x, y), bg = m2 / g;
	
	if (c % g)
		return make_pair((s128) -1, (s128) -1);
	
	x = x * c / g % bg, a1 += x * m1;
	m1 *= bg, a1 = (a1 % m1 + m1) % m1;
	return make_pair(m1, a1);
}

inline s128 exCRT() {
	pair<s128, s128> now = make_pair(m[1], a[1]);
	
	for (int i = 2; i <= n; ++i)
		now = merge(now, make_pair(m[i], a[i]));
		
	return now.second;
}

数论分块

注意到 \(\lfloor \dfrac{n}{x} \rfloor\) 在 \(x \in [1, n]\) 时的取值不超过 \(2 \sqrt{n}\) 种,对于某一些问题,考虑对一段 \(\lfloor \dfrac{n}{x} \rfloor\) 均相等的区间,我们可以直接得出该区间里的所有 \(x\) 对答案的贡献。

如果要实现整块一起统计,我们需要求出每一块的块头 \(l\) 和块尾 \(r\),则:

\[Ans = \sum_{i=1}^{k} \lfloor \dfrac{n}{i} \rfloor = \sum_{[l,r]} (r-l+1)(\lfloor \dfrac{n}{l} \rfloor) \]

注意到每一块的 \(l\) 都可以由上一块的 \(r\) 推出,故我们继续讨论如何在已知 \(l\) 的情况下推出 \(r\) 。令 \(t = \lfloor \dfrac{n}{l} \rfloor\) ,容易得到

\[\begin{cases} r = \min(\lfloor \dfrac{n}{t} \rfloor,n) \ \ \ &(t \neq 0) \\ r = n \ \ \ &(t=0) \end{cases} \]

直接计算即可,时间复杂度 \(O(\sqrt{n})\) 。

for (int l = 1, r; l <= n; l = r + 1) {
	r = n / (n / l);
	// Calculate the contribution of [l, r]
}

扩展到二维甚至多维也是类似的,时间复杂度 \(O(k \sqrt{n})\) ,其中 \(k\) 为维度。

二维数论分块:

for (int l = 1, r; l <= min(n, m); l = r + 1) {
	r = min(n / (n / l), m / (m / l));
	// Calculate the contribution of [l, r]
}

标签:函数,数论,dfrac,sum,基础,pmod,int,equiv
From: https://www.cnblogs.com/wshcl/p/18388080/NumberTheory

相关文章

  • CSS基础 水平垂直居中
    几种实现水平垂直居中方式利用定位+margin:auto利用定位+margin:负值利用定位+transformtable布局flex布局grid布局利用定位+margin:auto先上代码:<style>.father{width:500px;height:300px;border:1pxsolid#0a3b98;position......
  • Makefile 基础与常用语法详解
    目录 一、引言二、Makefile基础概念1.目标、依赖和命令2.文件名和搜索路径3.执行顺序和依赖关系三、Makefile常用语法1.变量和宏定义2.自动变量3.模式规则 4.条件判断5.循环6.伪目标 四、Makefile实际应用示例五、总结 一、引言        在......
  • 【408DS算法题】029基础-二叉树的层次遍历
    Index题目本文稍后补全,以下内容来自:https://blog.csdn.net/weixin_60702024/article/details/141615340分析实现总结题目本文稍后补全,以下内容来自:https://blog.csdn.net/weixin_60702024/article/details/141615340给定二叉树的根节点root,写出函数实现对二叉树的层......
  • 第2天---RSA基础题型
    T1.知pqe求d解m题目:fromCrypto.Util.numberimport*flag=b'NSSCTF{******}'p=getPrime(512)q=getPrime(512)n=p*qe=65537phi=(p-1)*(q-1)m=bytes_to_long(flag)c=pow(m,e,n)print(f'p={p}')print(f'q={q}......
  • 组合分类器基础实验——numpy实现或sklearn借口调用:袋装Bagging, 随机森林, 提升Boost
    袋装(Bagging)基本思想对原训练数据集采用随机有放回抽样的方法选择子数据集从而构造组合分类器。给定含有n个样本的数据集合D,袋装在构造指定的T个基础模型(以基分类器为例)的基本过程:对D进行采样,得到若干个大小相同子数据集Di(i=1,2,…,T),Di中可能包含重复样本(因为对每个Di采用的......
  • Linux基础软件-lvm
    作者介绍:简历上没有一个精通的运维工程师。希望大家多多关注作者,下面的思维导图也是预计更新的内容和当前进度(不定时更新)。Linux进阶部分又分了很多小的部分,我们刚讲完了Linux日常运维。讲的那些东西都算是系统自带的,但是Linux作为一个服务器操作系统,肯定是要安装运行软件......
  • python基础(11文件读取)
    python系列文章目录python基础(01变量&数据类型&运算符)python基础(02序列共性)python基础(03列表和元组)python基础(04字符串&字典)python基础(05集合set)python基础(06控制语句)python基础(07函数)python基础(08类和对象)python基础(09闭包&装饰器)python基础(10异常处理)文章......
  • C语言基础——函数详解
    目录 函数的概述1函数的概念2函数的意义 函数的定义和使用1函数的定义2函数的调用2.1在同一文件中函数定义后函数调用2.2在同一文件中函数定义前函数调用2.3调用其它文件中定义的函数2.3.1在函数调用文件中进行声明2.3.2在头文件中进行函数的声明 函......
  • 剖析企业报表工具全攻略:从基础到进阶,盘点六大常见的报表工具需求
    在科技日新月异的今天,各行业的数据规模急剧膨胀,特别是对于财务工作人员而言,如何高效、直观地将纷繁复杂的数据以期望的形式呈现出来,成为了日常工作中的一大挑战。为解决这一问题,报表工具应运而生,它们如同一座桥梁,连接着数据与决策者的洞察之间。然而,面对市场上琳琅满目的报表工......
  • C++基础面向对象特征
    目录学习目标:学习内容:1.C++对函数的扩充1.1函数重载(overload)1.1.1 概念1.1.2 要求1.2 函数的默认参数 1.3哑元 1.4内联函数        内联函数与带参宏的区别(重要)2.封装2.1面向对象的三大特质2.2C++中的类(class)2.3定义格式2.4 this指......