离散化

线段树离散化 1.输入完所有数据，对开花时间离散化 2.区间更新，点查询，LAZY操作。。 View Code #include<stdio.h> #include<stdlib.h> #include<string.h> #include<iostream> #include<vector> using namespace std; #define MAXN 51000 struct node { int left, right; int num; int sum; int lazy; }seg[500010]; int N, M; struct flower { int a,b; }p[101000]; int v[200010]; int hashx[201000]; void build(int l, int r, int root) { int mid = (l + r) / 2; seg[root].left = l; seg[root].right = r; seg[root].num = 0; seg[root].lazy = 0; seg[root].sum = 0; if( l == r ) { return; } build(l,mid,root*2); build(mid+1,r,root*2+1); seg[root].sum = seg[root*2]

求逆序对最常用的方法就是树状数组了，确实，树状数组是非常优秀的一种算法。在做POJ2299时，接触到了这个算法，理解起来还是有一定难度的，那么下面我就总结一下思路： 首先：因为题目中a[i]可以到999,999,999之多，在运用树状数组操作的时候，用到的树状数组C[i]是建立在一个有点像位存储的数组的基础之上的，不是单纯的建立在输入数组之上。 比如输入一个9 1 0 5 4（最大9） 那么C[i]树状数组的建立是在： 下标 0 1 2 3 4 5 6 7 8 9 –——下标就要建立到9 数组 1 1 0 0 1 1 0 0 0 1 –——通过1来表示存在 现在由于999999999这个数字相对于500000这个数字来说是很大的，所以如果用数组位存储的话，那么需要999999999的空间来存储输入的数据。 这样是很浪费空间的，题目也是不允许的，所以这里想通过离散化操作。 那么怎么离散化操作呢？离散化是一种常用的技巧，有时数据范围太大，可以用来放缩到我们能处理的范围，必要的是建立一个结构体a[n]，v表示输入的值，order表示原i值，再用一个数组aa[n]存储离散化后的值 例如： i:1 2 3 4 5 v:9 0 1 5 4 sort:0 1 4 5 9 order:2 3 5 4 1 aa:5 1 2 4 3 //建立映射:aa[a[i].order]=i;

hdoj 4325 Flowers 题目链接： http://acm.hdu.edu.cn/showproblem.php?pid=4325 思路： 直接线段树，按照花的开放区间的大小建树，要注意虽然花的周期数据可能会达到1e9，这样的话线段树开四倍时不可能的。但是我们可以看到一共可能的数据时N行，那么每行两个数，再开4倍的区间。计算下来，在离散化的帮助下，我们只需要开8*N被的线段树即可。 另外询问的数据也需要放入离散化的范围，如果不这样做，有可能在询问时使用lower_bound函数会导致数据的改变，询问的原数据发生变化。 eg:1~3 7~10 询问6，结果应该时0，但因为lower_bound的原因询问时使用7，得到结果1。etc. 代码： #include <iostream> #include <algorithm> #include <stdio.h> #include <string.h> #include <math.h> using namespace std; const int maxn = 1e5+5; struct node { int l,r,sum,lazy; inline void update(int val) { lazy+=val; sum+=val; } } tr[maxn*8]; int a[maxn],b[maxn],c[maxn<<1

做了一道树上求逆序对的题，主要难点并不在于树形结构，而是求逆序对数。（在我看来是这样的）。 to洛谷P3605晋升者计数。 发现自己树状数组求逆序对还有个坑，先填上再说。再加上最近学的树状数组离散化，捋一捋思路。 首先是离散化 for(int i=1;i<=n;i++){ a[i].v=read(); a[i].id=i; } sort(a+1,a+1+n);按v排序 for(int i=1;i<=n;i++)b[a[i].id]=i; 在上述代码中，首先我们输入的是a[i].v，也就是一开始的数据，我们将其放到结构体里，再记录一下id，也就是原序。之后我们将a按照v排序，那么得到的就是从小到大的顺序。 又因为离散化是为了避免数据太大而出锅，所以我们在乎的就是数据的相对顺序，所以很容易地想到，将他们的顺序作为新的权值，这样就可以保证相对大小不变并且还可以最大化的缩小数据范围。 那么我们开一个新的数组，对应为离散化之后的数组，那么这个数组一定是要和原数组的顺序相同的，所以这个时候原来记录的id也就是原序就有了用场，然后再把当前这个元素的排名也就是i赋给离散化数组的第a[i].id位即可。 再来说逆序对数，在一个序列中，如果存在 \[ i<j并且a[i]>a[j] \] 那么就代表有一个逆序对。 考虑如何用树状数组实现 \(nlogn\) 的时间复杂度求逆序对数。 首先

给这个题目跪了两天了，想吐简直 发现自己离散化没学好 包括前一个离散化的题目，实际上是错了，我看了sha崽的博客后才知道，POJ那题简直数据弱爆了，本来随便一组就能让我WA掉的，原因在于离散化的时候，缩小数据规模的同时，没有考虑到误差，比如 1 4 6 8，离散化之后是1 2 3 4，我如果覆盖了1 2和3 4，表面上好像全部覆盖了，实际数据并没有覆盖。。所以我只能说那道题目我其实错了，并没有真正做出离散化出来。。。现在用这道题来弥补。 color the ball，ball的编号可以从1 到2^31，不可能开这么大线段树，但是其实测试数据只有N=2000*2组，所以必然是离散化，初始的时候，所有球都是黑色的，然后N组数组，a b w(b)，说明把 区间 a到b染成（white or black）,最后求最长的连续白色的区间的左右边界 瞬间想到上次求最大连续子串，线段树节点里用一个除了记录最大值，前驱最大值，后驱最大值以外，专门用个lm ,rm记录题目需要的坐标。这些都好处理，基本的线段树区间合并。要注意的是落实的叶子节点的时候，不能单纯以离散化之后的区间长度为衡量标准，要回到原区间去，原区间最长才是真正的最长。这个也好操作，读入数据的时候已经把原始区间保存下来了。 然后就是坑爹的离散化了，还是sha崽说得对，如果离散的两点距离大一1的话，必须要中间手动插点

线段树离散化 1.输入完所有数据，对开花时间离散化 2.区间更新，点查询，LAZY操作。。 View Code #include<stdio.h> #include<stdlib.h> #include<string.h> #include<iostream> #include<vector> using namespace std; #define MAXN 51000 struct node { int left, right; int num; int sum; int lazy; }seg[500010]; int N, M; struct flower { int a,b; }p[101000]; int v[200010]; int hashx[201000]; void build(int l, int r, int root) { int mid = (l + r) / 2; seg[root].left = l; seg[root].right = r; seg[root].num = 0; seg[root].lazy = 0; seg[root].sum = 0; if( l == r ) { return; } build(l,mid,root*2); build(mid+1,r,root*2+1); seg[root].sum = seg[root*2]

hdoj 4325 Flowers 题目链接： http://acm.hdu.edu.cn/showproblem.php?pid=4325 思路： 直接线段树，按照花的开放区间的大小建树，要注意虽然花的周期数据可能会达到1e9，这样的话线段树开四倍时不可能的。但是我们可以看到一共可能的数据时N行，那么每行两个数，再开4倍的区间。计算下来，在离散化的帮助下，我们只需要开8*N被的线段树即可。 另外询问的数据也需要放入离散化的范围，如果不这样做，有可能在询问时使用lower_bound函数会导致数据的改变，询问的原数据发生变化。 eg:1~3 7~10 询问6，结果应该时0，但因为lower_bound的原因询问时使用7，得到结果1。etc. 代码： #include <iostream> #include <algorithm> #include <stdio.h> #include <string.h> #include <math.h> using namespace std; const int maxn = 1e5+5; struct node { int l,r,sum,lazy; inline void update(int val) { lazy+=val; sum+=val; } } tr[maxn*8]; int a[maxn],b[maxn],c[maxn<<1

1.参考资料 2.相关定义 3.IMU 的噪声模型 3.1噪声的建模 3.2白噪声和随机游走噪声的离散化 3.3如何获取传感器噪声参数 4.随机噪声和扰动的积分 4.1建立模型 4.2噪声的离散化模型推导 4.3系统的状态误差方程 4.4状态误差方程的积分 4.4.1 第一项-状态误差 4.4.2 第二项-测量白噪声 4.4.3 第三项-扰动噪声离散化（随机游走噪声) 4.5 离散的系统误差方程 4.6 误差状态方程的其他说明 4.7 Full IMU example 1.参考资料 <1>Kalibr IMU Noise Model： https://github.com/ethz-asl/kalibr/wiki/IMU-Noise-Model <2>高斯白噪声: http://blog.csdn.net/ZSZ_shsf/article/details/46914853 <3>随机游走： http://blog.sina.com.cn/s/blog_5c2cfefb0100emyi.html <4>泡泡机器人IMU状态模型(2) http://mp.weixin.qq.com/s/_ElpcSkMaGEIFd3bmwGa_Q <5>泡泡机器人IMU状态模型(1) http://mp.weixin.qq.com/s/PD4cOqVE3oMhyW4A2N02xQ <6>

1.餐饮销量数的统计量情况 import pandas as pd import matplotlib.pyplot as plt # 餐饮销量数的统计量情况 catering_sale = '../data/chapter3/demo/data/catering_sale.xls' # 餐饮数据 data = pd.read_excel(catering_sale, index_col='日期') # 指定日期为列索引 print(data) # 过滤异常数据 data = data[(data['销量'] > 400) & (data['销量'] < 5000)] print(data) # 数据基本描述 print(data.describe()) # 菜品盈利 catering_profit = '../data/chapter3/demo/data/catering_dish_profit.xls' data = pd.read_excel(catering_profit, index_col='菜品名') print(data) data = data.sort_values(by='盈利', ascending=False) print(data) # rate = 1.0*data['盈利'].cumsum/data['盈利'].sum() data.columns

part1： 【转】https://blog.csdn.net/weixin_40165004/article/details/89080968 Weka数据预处理(一) 对于数据挖掘而言，我们往往仅关注实质性的挖掘算法，如分类、聚类、关联规则等，而忽视待挖掘数据的质量，但是高质量的数据才能产生高质量的挖掘结果，否则只有"Garbage in garbage out"了。保证待数据数据质量的重要一步就是数据预处理（Data Pre-Processing），在实际操作中，数据准备阶段往往能占用整个挖掘过程6~8成的时间。本文就weka工具中的数据预处理方法作一下介绍。 Weka的数据预处理又叫数据过滤，他们可以在weka.filters中找到。根据过滤算法的性质，可以分为有监督的（SupervisedFilter）和无监督的（UnsupervisedFilter）。对于前者，过滤器需要设置一个类属性，要考虑数据集中类的属性及其分布，以确定最佳的容器的数量和规模；而后者类的属性可以不存在。同时，这些过滤算法又可归结为基于属性的（attribute）和基于实例的(instance)。基于属性的方法主要是用于处理列，例如，添加或删除列；而基于实例的方法主要是用于处理行，例如，添加或删除行。 数据过滤主要解决以下问题（老生常谈的）： 数据的缺失值处理、标准化、规范化和离散化处理。