当前位置: 首页 > news >正文

C++笔记之初始化二维矩阵的方法

C++笔记之初始化二维矩阵的方法

—— 2023年5月20日 上海


code review!
在这里插入图片描述

文章目录

  • C++笔记之初始化二维矩阵的方法
    • 一.常见方法
      • 1. 使用数组
      • 2. 使用向量
      • 3. 使用数组的动态分配
      • 4. 使用嵌套的 std::vector 并使用resize方法
      • 5. 初始化固定大小的 std::array
    • 二.C++中使用vector初始化二维矩阵的所有方法
      • 1. 列表初始化
      • 2. 使用 `resize` 方法——重要:
      • 3. 使用 `push_back` 方法:
      • 4. 使用 `emplace_back` 方法:
      • 5. 使用 `assign` 方法——重要:
      • 6. 使用 `insert` 方法:
    • 三.根据一个已有的二维矩阵使用std::vector来初始化一个新的二维矩阵
      • 1. 使用拷贝构造函数——重要
      • 2. 使用赋值运算符——重要
      • 3. 使用 `assign` 方法
      • 4. 使用 `std::copy` 函数
      • 5. 使用 `std::copy_n` 函数
      • 6. 使用范围基础的 for 循环和 `push_back` 方法
    • 三.根据一个已有的二维矩阵使用std::vector来初始化一个新的同维度的,所有元素都为0的二维矩阵
      • 1. 使用 `resize` 方法和循环——重要
      • 2. 使用 `resize` 方法和 `std::transform` 函数
      • 3. 使用嵌套的 `resize` 方法

一.常见方法

1. 使用数组

你可以使用二维数组来初始化一个矩阵:

int matrix[3][3] = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };

2. 使用向量

你也可以使用std::vector来创建和初始化二维矩阵:

std::vector<std::vector<int>> matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };

3. 使用数组的动态分配

如果你需要动态地创建矩阵(例如,其尺寸在运行时确定),可以使用new操作符:

int rows = 3;
int cols = 3;
int** matrix = new int*[rows];
for(int i = 0; i < rows; ++i)matrix[i] = new int[cols];

然后你可以使用循环来初始化这个矩阵。

4. 使用嵌套的 std::vector 并使用resize方法

如果你需要动态地创建和初始化矩阵,但你更喜欢使用std::vector,你可以这样做:

int rows = 3;
int cols = 3;
std::vector<std::vector<int>> matrix;
matrix.resize(rows, std::vector<int>(cols, 0)); // 这将创建一个3x3的矩阵,并用0填充

5. 初始化固定大小的 std::array

对于固定大小的二维矩阵,可以使用std::array

std::array<std::array<int, 3>, 3> matrix = { { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} } };

在这里插入图片描述

二.C++中使用vector初始化二维矩阵的所有方法

在 C++ 中,使用 std::vector 来初始化二维矩阵是常见的做法,因为它提供了灵活的大小和方便的内存管理。以下是一些方法:

1. 列表初始化

你可以在声明时就初始化 std::vector

std::vector<std::vector<int>> matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };

2. 使用 resize 方法——重要:

如果你已经知道矩阵的大小,但要稍后填充值,可以使用 resize 方法:

std::vector<std::vector<int>> matrix;
matrix.resize(rows, std::vector<int>(cols));

3. 使用 push_back 方法:

你也可以创建一个空的 std::vector,然后使用 push_back 方法来添加行:

std::vector<std::vector<int>> matrix;
for(int i = 0; i < rows; ++i) {std::vector<int> row;for(int j = 0; j < cols; ++j) {row.push_back(value);}matrix.push_back(row);
}

4. 使用 emplace_back 方法:

类似于 push_back,但 emplace_back 直接在原地构造新元素,通常效率更高:

std::vector<std::vector<int>> matrix;
for(int i = 0; i < rows; ++i) {matrix.emplace_back(std::vector<int>(cols, value));
}

5. 使用 assign 方法——重要:

assign 方法可以用来替换 std::vector 中的所有元素:

std::vector<std::vector<int>> matrix;
matrix.assign(rows, std::vector<int>(cols, value));

6. 使用 insert 方法:

insert 方法可以在 std::vector 的任何位置插入新元素:

std::vector<std::vector<int>> matrix;
for(int i = 0; i < rows; ++i) {matrix.insert(matrix.end(), std::vector<int>(cols, value));
}

注意,在这些例子中,rowscolsvalue 都是整数变量,分别表示矩阵的行数、列数和初始值。

三.根据一个已有的二维矩阵使用std::vector来初始化一个新的二维矩阵

在C++中,如果你已经有一个二维矩阵,你可以通过多种方式使用std::vector来初始化一个新的二维矩阵:

1. 使用拷贝构造函数——重要

std::vector<std::vector<int>> old_matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };
std::vector<std::vector<int>> new_matrix(old_matrix);

2. 使用赋值运算符——重要

std::vector<std::vector<int>> old_matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };
std::vector<std::vector<int>> new_matrix = old_matrix;

3. 使用 assign 方法

std::vector<std::vector<int>> old_matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };
std::vector<std::vector<int>> new_matrix;
new_matrix.assign(old_matrix.begin(), old_matrix.end());

4. 使用 std::copy 函数

std::vector<std::vector<int>> old_matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };
std::vector<std::vector<int>> new_matrix(old_matrix.size());
std::copy(old_matrix.begin(), old_matrix.end(), new_matrix.begin());

5. 使用 std::copy_n 函数

std::vector<std::vector<int>> old_matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };
std::vector<std::vector<int>> new_matrix(old_matrix.size());
std::copy_n(old_matrix.begin(), old_matrix.size(), new_matrix.begin());

6. 使用范围基础的 for 循环和 push_back 方法

std::vector<std::vector<int>> old_matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };
std::vector<std::vector<int>> new_matrix;
for (const auto &row : old_matrix) {new_matrix.push_back(row);
}

以上就是使用 std::vector 根据已有的二维矩阵初始化新的二维矩阵的一些方法。根据你的具体需求和优化考虑,你可能需要选择不同的方法。

三.根据一个已有的二维矩阵使用std::vector来初始化一个新的同维度的,所有元素都为0的二维矩阵

在C++中,如果你已经有一个二维矩阵,并希望创建一个新的、同维度的、所有元素都为0的二维矩阵,以下是一些方法:

1. 使用 resize 方法和循环——重要

std::vector<std::vector<int>> old_matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };
std::vector<std::vector<int>> new_matrix;
for(const auto &row : old_matrix) {new_matrix.push_back(std::vector<int>(row.size(), 0));
}

2. 使用 resize 方法和 std::transform 函数

std::vector<std::vector<int>> old_matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };
std::vector<std::vector<int>> new_matrix(old_matrix.size());
std::transform(old_matrix.begin(), old_matrix.end(), new_matrix.begin(), [](const std::vector<int>& row) {return std::vector<int>(row.size(), 0);
});

3. 使用嵌套的 resize 方法

std::vector<std::vector<int>> old_matrix = { {1, 2, 3}, {4, 5, 6}, {7, 8, 9} };
std::vector<std::vector<int>> new_matrix;
new_matrix.resize(old_matrix.size());
for(size_t i = 0; i < old_matrix.size(); ++i) {new_matrix[i].resize(old_matrix[i].size(), 0);
}

在以上的所有例子中,old_matrix 是你已有的二维矩阵,new_matrix 是新创建的二维矩阵。所有的新矩阵元素都被初始化为0,并且新矩阵的尺寸与原矩阵相同。

相关文章:

C++笔记之初始化二维矩阵的方法

C笔记之初始化二维矩阵的方法 —— 2023年5月20日 上海 code review! 文章目录 C笔记之初始化二维矩阵的方法一.常见方法1. 使用数组2. 使用向量3. 使用数组的动态分配4. 使用嵌套的 std::vector 并使用resize方法5. 初始化固定大小的 std::array 二.C中使用vector初始化二维矩…...

ArrayList与List的层级关系及ArrayList解析

List与ArrayList的关系 List List是一个接口&#xff0c;不能直接实例化。如果要使用必须去实例化List的实现类——ArrayList和LinkedList站在数据结构的角度看&#xff0c;List就是一个线性表。常见的线性表&#xff1a;顺序表、链表、栈、队列等 线性表 线性表是n个具有相…...

智慧公厕设备选型攻略,打造智能化便利生活体验

智慧公厕设备的选型对于打造智能化便利生活体验起着至关重要的作用。在不断提升城市品质的背景下&#xff0c;智慧公厕已成为城市建设中的一项重要内容。在选购智慧公厕设备时&#xff0c;我们需要考虑到不同版本的功能要求&#xff0c;确保公厕设备的质量和性能。本文以智慧公…...

TCP 协议的可靠传输机制是怎样实现的?

TCP 协议是一种面向连接的、可靠的、基于字节流的传输层协议。 1 它通过以下几种方法来保证数据传输的可靠性&#xff1a; 检验和&#xff1a;TCP 在发送和接收数据时&#xff0c;都会计算一个检验和&#xff0c;用来检测数据是否在传输过程中发生了错误或损坏。如果检验和不匹…...

Antv G6入门之旅--combo图

目录 什么是AntV G6 G6 的特性 G6 文档 安装 1 在项目中使用 NPM 包引入 2 在 HTML 中使用 CDN 引入 使用 Step 1 创建容器 Step 2 数据准备 Step 3 创建关系图 Step 4 配置数据源&#xff0c;渲染 React 中使用 G6 Combo图 什么是AntV G6 G6 是一个图可视化引擎…...

聊聊分布式架构09——分布式中的一致性协议

目录 01从集中式到分布式 系统特点 集中式特点 分布式特点 事务处理差异 02一致性协议与Paxos算法 2PC&#xff08;Two-Phase Commit&#xff09; 阶段一&#xff1a;提交事务请求 阶段二&#xff1a;执行事务提交 优缺点 3PC&#xff08;Three-Phase Commit&#x…...

探索流视频的发送

1.网络连接 2.主设备将某处视频开始的视频数据发送给从设备。 之前有读取本地视频并播放的demo,所以可以先测试网络连接的问题。 先用模拟器进行模拟吧。方便进行测试。 是的&#xff0c;可以使用Android设备使用上述库或框架来构建实时Web应用程序。虽然这些库和框架在Java服…...

[ACTF2020 新生赛]Include 1

题目环境&#xff1a;超链接&#xff0c;点进去看看你能找到flag吗&#xff1f;除了这些网页什么都没有&#xff0c;但是不当紧&#xff0c;因为我们有一双善于发现的眼睛&#x1f440;F12瞅瞅无&#xff0c;并无其他等等URL看了吗&#xff1f;发现存在一个参数file&#xff0c…...

教师必备宝藏,强烈推荐

亲爱的教师朋友们&#xff0c;你们是不是在为学期末成绩查询而头疼呢&#xff1f;一学期下来&#xff0c;成堆的试卷和成绩单&#xff0c;还有学生家长的各种咨询&#xff0c;让人应接不暇。现在&#xff0c;我给你们分享一个教师必备的宝藏&#xff0c;让你们的成绩查询工作变…...

「北大社送书」学习MATLAB—从算法到实战

MATLAB科学计算从入门到精通 一句话推荐书籍特色内容简介书籍概览 从代码到函数&#xff0c;从算法到实战&#xff0c;从问题到应用&#xff0c;由浅入深掌握科学计算方法&#xff0c;高效解决实际问题。 一句话推荐 科学计算基础入门&#xff0c;高效解决实际问题。 书籍特色…...

clion安装C++远程linux开发并调试 从装centos虚拟机到完美开发调试

下载镜像 阿里云镜像 从vmware上安装虚拟机并提权开放ssh 更新编译环境 一般 gcc gdb 版本都是比较低的&#xff0c;适配不了clion的最低要求。 升级gdb参考博客 升级gcc参考博客 安装CMAKE 官方的源使用wget即可下载 未找到openssl的解决办法 注意版本&#xff0c;又踩个…...

Android笔记

目录 触摸事件java弱引用WorkerThread注解NonNull注解camera.setFrameProcessingFormat(ImageFormat.YUV_420_888);YUV_420_888的字节数据长啥样YUV_420_888的字节数组长啥样 触摸事件 java弱引用 创建对象的弱引用&#xff0c;在没有强引用指向改对象的情况下&#xff0c;垃圾…...

Java虚拟机内存区域、异常、垃圾收集器

java虚拟机 java内存区域 jvm的主要组成部分及作用 主要包含两个子系统和两个组件 子系统 类加载器&#xff08;Class loader&#xff09;&#xff1a;根据给定的类路径来装载class文件到运行时数据区 …...

深入理解JVM虚拟机第十三篇:详解JVM中的程序计数器

文章目录 一:程序计数器 1:概念 2:官方说法 3:图解 4:特点...

《合成孔径雷达成像算法与实现》Figure5.5

clc clear close all%% 参数设置 Ta 64; % 脉冲持续时间 Ka -1.56e-2; % 方位向调频率 Delta_f_dop abs(Ta*Ka); …...

leetcode经典面试150题---2.移除元素

题目描述 给你一个数组 nums 和一个值 val&#xff0c;你需要 原地 移除所有数值等于 val 的元素&#xff0c;并返回移除后数组的新长度。 不要使用额外的数组空间&#xff0c;你必须仅使用 O(1) 额外空间并 原地 修改输入数组。 元素的顺序可以改变。你不需要考虑数组中超出新…...

【尘缘赠书活动:01期】Python数据挖掘——入门进阶与实用案例分析

引言 本案例将根据已收集到的电力数据&#xff0c;深度挖掘各电力设备的电流、电压和功率等情况&#xff0c;分析各电力设备的实际用电量&#xff0c;进而为电力公司制定电能能源策略提供一定的参考依据。更多详细内容请参考**《Python数据挖掘&#xff1a;入门进阶与实用案例…...

计算机网络(谢希仁)第八版课后题答案(第二章)

1.物理层要解决哪些问题&#xff1f;物理层的主要特点是什么&#xff1f; (1)物理层要尽可能地屏蔽掉物理设备和传输媒体&#xff0c;通信手段的不同&#xff0c;使数据链路层感觉不到这些差异&#xff0c;只考虑完成本层的协议和服务。 (2)给其服务用户&#xff08;数据链路…...

搭建nuxt3项目(框架构建)

需求 目标&#xff1a;我想搭建一个nuxt3的框架&#xff0c;实现一些基本的组件和路由、页面&#xff0c;方便后续遇到相关ssr项目直接复用。 同时&#xff1a;记录关于nuxt3的使用介绍关于Nuxt&#xff08;详解以及周边&#xff09; Nuxt 框架 1、一种基于 Node.js 的服务端…...

系统架构设计之微内核架构(Microkernel Architecture)

微内核架构&#xff08;Microkernel Architecture&#xff09; 一. 什么是微内核架构二. 微内核架构风格-拓扑结构三. 微内核的核心系统设计的三个关键点3.1 插件管理3.2 插件连接3.3 插件通信 四. 微内核架构的优缺点 一. 什么是微内核架构 微内核架构是一种面向功能进行拆分的…...

忍者像素绘卷入门必看:Z-Image-Turbo与Stable Diffusion 16-Bit插件对比

忍者像素绘卷入门必看&#xff1a;Z-Image-Turbo与Stable Diffusion 16-Bit插件对比 1. 像素艺术创作新选择 在数字艺术创作领域&#xff0c;像素风格始终占据着独特地位。对于想要创作16-Bit复古游戏风格作品的艺术家来说&#xff0c;选择合适的工具至关重要。本文将对比分析…...

【Flutter for OpenHarmony 】三方库 infinite_scroll_pagination 鸿蒙化适配实战:列表分页加载全指南

&#x1f4f1; Flutter for OpenHarmony 三方库 infinite_scroll_pagination 鸿蒙化适配实战&#xff1a;列表分页加载全指南 欢迎加入开源鸿蒙跨平台社区&#xff1a;https://openharmonycrossplatform.csdn.net 哈喽大家好呀&#xff5e;我是一名正在学习Flutter跨平台开发…...

5分钟搞定!OpenCode+Qwen3-4B本地AI编程助手一键部署教程

5分钟搞定&#xff01;OpenCodeQwen3-4B本地AI编程助手一键部署教程 1. 引言&#xff1a;为什么你需要一个本地AI编程助手&#xff1f; 想象一下这个场景&#xff1a;你正在开发一个核心功能模块&#xff0c;需要快速生成一段复杂的业务逻辑代码。你打开浏览器&#xff0c;准…...

终极指南:如何无需Steam客户端轻松下载创意工坊模组

终极指南&#xff1a;如何无需Steam客户端轻松下载创意工坊模组 【免费下载链接】WorkshopDL WorkshopDL - The Best Steam Workshop Downloader 项目地址: https://gitcode.com/gh_mirrors/wo/WorkshopDL 你是否曾因Steam客户端无法访问创意工坊而烦恼&#xff1f;或者…...

N_m3u8DL-CLI-SimpleG:跨平台M3U8视频下载工具全场景应用指南

N_m3u8DL-CLI-SimpleG&#xff1a;跨平台M3U8视频下载工具全场景应用指南 【免费下载链接】N_m3u8DL-CLI-SimpleG N_m3u8DL-CLIs simple GUI 项目地址: https://gitcode.com/gh_mirrors/nm3/N_m3u8DL-CLI-SimpleG 一、场景定位&#xff1a;用户能力与需求匹配模型 三级…...

VLA学习笔记——持续更新中

5 VLA - Vision-Language-Action 大模型 Vision-Language-Action(视觉 - 语言 - 动作) 大模型是之后 多模态 AI 以及机器人发展的一个非常重要的方向&#xff0c;有了 VLA 这位大神的加持&#xff0c;机器人可以完成由环境感知到动作应对的智能任务。 欢迎大家star! Paper: O…...

文墨共鸣大模型在网络安全领域的应用:模拟攻击脚本分析与安全报告撰写

文墨共鸣大模型在网络安全领域的应用&#xff1a;模拟攻击脚本分析与安全报告撰写 最近和几个做安全的朋友聊天&#xff0c;他们都在抱怨同一个问题&#xff1a;每天面对海量的告警日志和五花八门的攻击脚本&#xff0c;分析起来耗时费力&#xff0c;写报告更是头疼。技术细节…...

图卷积网络终极指南:如何在PyTorch中实现GCN模型

图卷积网络终极指南&#xff1a;如何在PyTorch中实现GCN模型 【免费下载链接】pygcn Graph Convolutional Networks in PyTorch 项目地址: https://gitcode.com/gh_mirrors/py/pygcn 图卷积网络&#xff08;Graph Convolutional Networks&#xff0c;简称GCN&#xff09…...

避开这3个坑,你的火山引擎SFT微调效果才能翻倍

火山引擎SFT微调实战&#xff1a;避开3个关键陷阱让模型效果倍增 在火山方舟平台上进行大模型监督微调&#xff08;SFT&#xff09;时&#xff0c;许多开发者都会遇到一个共同的困惑&#xff1a;明明按照官方文档一步步操作&#xff0c;为什么最终效果总是不尽如人意&#xff1…...

MGeo地址结构化实战:对接RPA机器人自动填写政务表格中的标准地址字段

MGeo地址结构化实战&#xff1a;对接RPA机器人自动填写政务表格中的标准地址字段 1. 引言&#xff1a;当RPA机器人遇上“不标准”的地址 想象一下这个场景&#xff1a;你是一家政务服务中心的技术负责人&#xff0c;每天有成百上千份表格需要处理。其中&#xff0c;地址信息填…...