对角线

二维数组： public static void Main(string[] args) { int[,] a = new int[3, 3]; Random rom = new Random(); for (int x = 0; x < a.GetLength(0); x++) { for (int y = 0; y < a.GetLength(1); y++) { a[x, y] = rom.Next(31); Console.Write("{0} ", a[x, y]); } Console.WriteLine(""); } } // 求矩阵对角线之和 public static void Main(string[] args) { int[,] a= new int[3, 3]; Random rnd = new Random(); int a1 = 0; int a2 = 0; for (int x = 0; x < a.GetLength(0); x++) { for (int y = 0; y < a.GetLength(1); y++) { a[x, y] = rnd.Next(21); Console.Write("{0} ", a[x, y]); if (x == y) { a1 += a[x, y]; //统计正对角线元素之和 } if (x + y == a

　　在数据预处理中，我们需要采集前的数据是非常庞大的。不妨将数据集D视作一个矩阵，每一行对应一个样本，每一列对应某个特征。 　　而在现实生活中，例如文档分类任务，以每一个字词作为一个特征，特征属性多大成千上万，即数千数万列，而相当一部分特征对于所考虑的问题具有“稀疏性”，也就是矩阵中许多列与当前学习任务无关。这一部分涉及到了特征降维等知识。 　　在此之前，由于属性的繁多，并不是每一个样本都具有所有属性。矩阵的每一行都将充斥着相当一部分零元素。当样本具有这样的稀疏性时，对学习任务会有不少的好处！例如，线性支持向量机之所以能在文字处理上有良好的性能，恰是由于文本数据在使用字频时具有高度的稀疏性，使得大部分问题都线性可分。而为了存储的高效性，必须了解一些稀疏矩阵的存储方法。 一、Coordinate(COO) 图一、Coordinate存储方式示例 　　这是最简单的存储格式，每一个元素需要一个三元组来表示，分别是 行号、 列号 以及 数值。这种方式简单易理解，但是空间不是最优的。 二、Compressed Sparse Row(CSR) 　　 图二、Compressed Sparse Row存储方式示例一 　　CSR不是三元组，而是整体的编码方式。数值values和列号column indices与COO一致，表示一个元素以及其列号。 行偏移row

从一开始按以下方式逆时针旋转，可以形成一个边长为七的正方形螺旋： 一个有趣的现象是右下对角线上都有一个奇完全平方数，但是更有趣的是两条对角线上的十三个数中有八个数是素数(已经标红)，也就是说素数占比为 \(8/13\approx62\%\) 。如果在上面的螺旋再加一层就可以形成一个边长为九的正文形螺旋。如果这个过程继续下去，在边长为多少的时候两条对角线上的数字中质数占比会低于10%？ 分析：这道题和第二十八题非常类似，只不过二十八题是顺时针旋转，所以是右上角元素是完全平方数，而这道题是逆时针旋转，所以右下角元素是完全平方数。回忆二十八题的解题思路，我们从每一层的完全平方数开始，依次递推同一层的另外三个对角线元素的值。这道题也是一样的思路，首先观察每一层右下角的奇完全平方数，如边长为七时右下角的奇完全平方数是四十九，然后从四十九中减去六就得到左下角的对角线元素是四十三，而六恰好是边长七减去一。依次类推，我们从四十三中减去六得到左上角的对角线元素为三十七，再减去六得到右上角对角线元素为三十一。在这四个数中，右下角的完全平方数显然不是素数，所以我们只需要检测剩下三个元素是否是素数就可以了。 一般地，设每一层螺旋的边长为 \(k\) ，显然 \(k\) 只能取大于一的奇数值。则这一层的右下角元素值为 \(k^2\) ，左下角元素为 \(k^2-(k-1)\) ，左上角元素为 \(k^2-2

真的是超级简单的一次信心赛，但我还是爆炸…… T1：秒切 T2：秒切 T3：这题意是啥？？？ 明天中午有直播讲解。到时候再把不会的题改了。 T1： 入门难度。 一条n个节点的链，你可以跳过其中k段，求从1到n的最小长度。 贪心跳最大即可。暴力能过。 扫一遍，维护一个当前k段长度和总长度和，当前k段长度打擂台求最大，输出总长度减去最大k段长度。 \(O(n)\) 。 T2： 依旧入门难度。一段01序列，求有多少个连续（均为0或均为1）子串。 扫一遍判断当前值与上一个值是否相等即可。暴力能过。 \(O(n)\) 。 T3： 给定 \(S\) ， \(T\) 初始为空串，每次操作在 \(T\) 最前或最后插入一个字符，并求有多少个不同的 \(l\) ,使得 \(l\) 范围内没有对应相同的元素。 （即$\forall i\in[1,~l],S[i] \not= T[T.size()-l+i] $） 17分： 考虑类似于最大公共子串的写法。 表格中的一个格子 \((x,~y)\) 为true，当且仅当对应的 \(S[x]\) 与 \(T[y]\) 不同 每次维护 \(T\) ，并重新求一次 \(l\) 。 把每种相同颜色的方格称为一条对角线，由于只有 \(T\) 的尾部和 \(S\) 的头部能重合，合法的对角线只有上图中的几条。 每次扫一遍图中有几条对角线，线上所有格子均为true。 \

#include<stdio.h> #define N 3//（这里为3阶矩阵）根据实际要求此处可以改动 int main() { } 文章来源: 求一个3*3矩阵对角线元素之和

1、NumPy（Numerical Python）是Python语言的一个扩充程序库。提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库! numeric python 数字化的python numpy中最重要的一个形式叫ndarray （n-表示的是n个； d-dimension，维度； array-数组）。 2、Python 本身支持的数值类型有 int（整型，python2 中存在 long 长整型）、float（浮点型）、bool（布尔型） 和 complex（复数型）。 而 Numpy 支持比 Python 本身更为丰富的数值类型。 ndarray：N维数组对象（矩阵），所有元素必须是相同类型. ndarray属性：ndim属性，表示维度个数；shape属性，表示各维度大小；dtype属性，表示数据类型。 Numpy 中，ndarray 类具有六个参数，它们分别为： shape：数组的形状。 dtype：数据类型。 buffer：对象暴露缓冲区接口。 offset：数组数据的偏移量。 strides：数据步长。 order：{‘C’，’F’}，以行或列为主排列顺序

numpy.identity(n, dtype=None) >>> np.identity( 3 ) array( [[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 0., 1.]] ) numpy.eye(N, M=None, k=0, dtype=< class ‘float’>, order=’C’) Parameters: N : int 行数 M : int, 可选，列数，默认等于N k : int, 可选，对角线索引：0（默认值）是指主对角线，正值是指上对角线，而负值是指向下对角线。 order : {‘C’, ‘F’}, optional 可选，内存中以行存储还是以列存储。 >>> np.eye( 2 , dtype=int) array( [[1, 0], [0, 1]] ) >>> np.eye( 3 , k= 1 ) array( [[ 0., 1., 0.], [ 0., 0., 1.], [ 0., 0., 0.]] ) 相当于k等于1，对角线就整体往右边移动一位。 文章来源: np.identity和np.eye

给定一个 n × n 的方阵，本题要求计算该矩阵除副对角线、最后一列和最后一行以外的所有元素之和。副对角线为从矩阵的右上角至左下角的连线。 输入格式: 输入第一行给出正整数 n （ 1 < n ≤ 1 0 ）；随后 n 行，每行给出 n 个整数，其间以空格分隔。 输出格式: 在一行中给出该矩阵除副对角线、最后一列和最后一行以外的所有元素之和。 输入样例: 4 2 3 4 1 5 6 1 1 7 1 8 1 1 1 1 1 输出样例: 35 #include<stdio.h> int main() { int n, a[10][10]; int i, j, sum=0; scanf("%d", &n); for(i=0; i<n; i++) for(j=0; j<n; j++){ scanf("%d", &a[i][j]); if(!(i+j==n-1||i==n-1||j==n-1)) sum+=a[i][j]; } printf("%d", sum); return 0; } 文章来源: 练习7-7 矩阵运算（20 分）

关于PCB的Mark PCB板子做好后，需要贴装元器件，现在元器件的贴装都是通过机器来完成的(SMT)。SMT中会用到mark点。 一、什么是Mark点 Mark点也叫基准点，为贴装工艺中的所有元器件的贴装提供基准点。因此，Mark点对SMT生产至关重要。 二、ARK点作用及类别 2.1 MARK点分类 单板MARK，贴装单片PCB时需要用到，在PCB板上; 拼板MARK，贴装拼板PCB时需要用到，一般在工艺边上; 局部MARK，用以提高贴装某些元器件的精度，比如QFP、BGA等封装; 1）拼版的工艺边上和不拼版的单板上至少又三个Mark点 呈L形分布，且对脚Mark点关于中心 不 对称（防呆）； 3）需拼版的单板上尽量有Mark点，如果没有放置位置，单板上可以没有； 4）集成电路引脚中心间距小于0.65mm的芯片需要在长边对角线上有一对Mark点； 1.2 MARK点的组成 mark点是由标记点/特征点和空旷区组成的： 三、Mark点的设计规范 3.1 形状 要求Mark点标记为实心圆，建议直径1.0mm 3.2 组成 一个完整的MARK点包括：标记点/特征点和空旷区域。 3.3 尺寸 Mark点标记最小的直径一般为1.0mm，最大直径一般为3.0mm 3.4 位置 Mark点位于电路板对角线的相对位置且尽可能地距离分开，最好分布在最长对角线位置。因此MARK点都必须成对出现

题目：给定一个含有 M x N 个元素的矩阵（M 行，N 列），请以对角线遍历的顺序返回这个矩阵中的所有元素，对角线遍历如下图所示。 说明： 输入: [ [ 1, 2, 3 ], [ 4, 5, 6 ], [ 7, 8, 9 ] ] 输出: [1,2,4,7,5,3,6,8,9] 所以，即先创建空列表，然后append迭代添加即可。 还是自己多画图找规律。 class Solution: def findDiagonalOrder(self, matrix: List[List[int]]) -> List[int]: if(matrix==[]): return [] r=0 c=0 row=len(matrix) col=len(matrix[0]) a=row*col res=[] for i in range(a): res.append(matrix[r][c]) if((r+c)%2==0): if(c==col-1): r=r+1 elif(r==0): c=c+1 else: r=r-1 c=c+1 else: if(r==row-1): c=c+1 elif(c==0): r=r+1 else: r=r+1 c=c-1 return res 这里，编写时出了俩错， 第一个：r=0，c=0 不能这么写，应该改为r，c=0，0 第二个：python里面没有自增，自减