当前位置: 首页 > news >正文

字节青训-寻找最大葫芦

问题描述

在一场经典的德州扑克游戏中,有一种牌型叫做“葫芦”。“葫芦”由五张牌组成,其中包括三张相同牌面值的牌 aa 和另外两张相同牌面值的牌 bb。如果两个人同时拥有“葫芦”,我们会优先比较牌 aa 的大小,若牌 aa 相同则再比较牌 bb 的大小。

在这个问题中,我们对“葫芦”增加了一个限制:组成“葫芦”的五张牌牌面值之和不能超过给定的最大值 maxmax。牌面值的大小规则为:A > K > Q > J > 10 > 9 > ... > 2,其中 A 的牌面值为1,K 为13,依此类推。

给定一组牌,你需要找到符合规则的最大的“葫芦”组合,并输出其中三张相同的牌面和两张相同的牌面。如果找不到符合条件的“葫芦”,则输出 “0, 0”。

测试样例

样例1:

输入:n = 9, max = 34, array = [6, 6, 6, 8, 8, 8, 5, 5, 1]
输出:[8, 5]

样例2:

输入:n = 9, max = 37, array = [9, 9, 9, 9, 6, 6, 6, 6, 13]
输出:[6, 9]

样例3:

输入:n = 9, max = 40, array = [1, 11, 13, 12, 7, 8, 11, 5, 6]
输出:[0, 0]

 

 解题思路:

问题理解

我们需要找到一组牌中符合“葫芦”规则的最大组合。具体来说,“葫芦”由三张相同牌面值的牌和两张相同牌面值的牌组成,并且这五张牌的牌面值之和不能超过给定的最大值 max

数据结构选择

  1. 牌面值的映射:由于牌面值的大小规则是 A > K > Q > J > 10 > 9 > ... > 2,我们可以使用一个映射来表示这些牌面值,例如:

    unordered_map<int, int> cardValue = {{1, 14},  // A{13, 13}, // K{12, 12}, // Q{11, 11}, // J{10, 10}, // 10{9, 9},   // 9{8, 8},   // 8{7, 7},   // 7{6, 6},   // 6{5, 5},   // 5{4, 4},   // 4{3, 3},   // 3{2, 2}    // 2
    };

    这样我们可以方便地比较牌面值的大小。

  2. 牌的计数:我们可以使用一个 std::unordered_map<int, int> 来统计每种牌面值的出现次数。

算法步骤

  1. 统计每种牌面值的出现次数:遍历输入的牌数组,统计每种牌面值的出现次数。
  2. 寻找符合条件的“葫芦”
    • 遍历统计结果,找到所有出现次数大于等于3的牌面值,记为 a
    • 对于每个 a,再遍历统计结果,找到所有出现次数大于等于2的牌面值,记为 b
    • 计算 a 和 b 的牌面值之和,如果不超过 max,则记录这个组合。
  3. 选择最大的“葫芦”:在所有符合条件的组合中,选择牌面值最大的 a 和 b

转换成python的最终代码:

from collections import defaultdictdef solution(n, max_sum, array):# 牌面值的映射card_value = {1: 14,  # A13: 13, # K12: 12, # Q11: 11, # J10: 10, # 109: 9,   # 98: 8,   # 87: 7,   # 76: 6,   # 65: 5,   # 54: 4,   # 43: 3,   # 32: 2    # 2}# 统计每种牌面值的出现次数count = defaultdict(int)for card in array:count[card] += 1# 寻找符合条件的“葫芦”max_a = -1max_b = -1for a, count_a in count.items():if count_a >= 3:for b, count_b in count.items():if a != b and count_b >= 2:# 计算牌面值之和sum_value = card_value[a] * 3 + card_value[b] * 2if sum_value <= max_sum:# 更新最大组合if max_a == -1 or card_value[a] > card_value[max_a] or \(card_value[a] == card_value[max_a] and card_value[b] > card_value[max_b]):max_a = amax_b = b# 返回结果if max_a == -1 and max_b == -1:return [0, 0]else:return [max_a, max_b]# 测试用例
result1 = solution(9, 34, [6, 6, 6, 8, 8, 8, 5, 5, 1])
print(result1 == [8, 5])result2 = solution(9, 37, [9, 9, 9, 9, 6, 6, 6, 6, 13])
print(result2 == [6, 9])result3 = solution(9, 40, [1, 11, 13, 12, 7, 8, 11, 5, 6])
print(result3 == [0, 0])

到这里我以为就完了,谁知道!!!,这题面都还有坑 

一开始还以为是测试用例有问题呢,看了好一会才反应过来,A这张牌,它是所有牌中最大的,但是它的牌面却是最小的,nndx,我以为只是默认A是最大的牌呢,这题太害人了

找到问题就好办了,也就是说要特判一次,如果P[1]的数量是大于等于3的,那就直接用它当maxA,如果是小于3但是大于等于2的,直接用来当maxB;

AC代码:

from collections import defaultdictdef solution(n, max_sum, array):# 牌面值的映射card_value = {1: 14,  # A13: 13, # K12: 12, # Q11: 11, # J10: 10, # 109: 9,   # 98: 8,   # 87: 7,   # 76: 6,   # 65: 5,   # 54: 4,   # 43: 3,   # 32: 2    # 2}# 统计每种牌面值的出现次数count = defaultdict(int)for card in array:adjusted_card = card if card != 1 else 14count[adjusted_card] += 1# 寻找符合条件的“葫芦”num3 = 0num2 = 0current_sum = 0for key, value in count.items():if value >= 3:for other_key, other_value in count.items():if other_key != key and other_value >= 2:sum_value = calculate_sum(key if key != 14 else 1, other_key if other_key != 14 else 1)if sum_value <= max_sum:if key > num3 or (key == num3 and other_key > num2):num3 = keynum2 = other_keycurrent_sum = sum_value# 返回结果if current_sum > 0:return [num3 if num3 != 14 else 1, num2 if num2 != 14 else 1]else:return [0, 0]def calculate_sum(num1, num2):return num1 * 3 + num2 * 2# 测试用例
result1 = solution(9, 34, [6, 6, 6, 8, 8, 8, 5, 5, 1])
print(result1 == [8, 5])result2 = solution(9, 37, [9, 9, 9, 9, 6, 6, 6, 6, 13])
print(result2 == [6, 9])result3 = solution(9, 40, [1, 11, 13, 12, 7, 8, 11, 5, 6])
print(result3 == [0, 0])

运行结果:

舒服了

相关文章:

字节青训-寻找最大葫芦

问题描述 在一场经典的德州扑克游戏中&#xff0c;有一种牌型叫做“葫芦”。“葫芦”由五张牌组成&#xff0c;其中包括三张相同牌面值的牌 aa 和另外两张相同牌面值的牌 bb。如果两个人同时拥有“葫芦”&#xff0c;我们会优先比较牌 aa 的大小&#xff0c;若牌 aa 相同则再比…...

el-checkbox勾选一个变成了勾选所有

问题&#xff1a; el-checkbox完成后勾选一个选项变成了所有选项都勾选了。非model值不正确&#xff0c;我的model值绑定的是数组&#xff0c;但是还是勾选一个变成了勾选多个。 解决 因为勾选的内容比较简单&#xff0c;且值不需要入库&#xff0c;所以我最开始定义的option为…...

ExpandingCard扩展卡片

文章目录 演示效果分析思路核心代码总结 源码 演示效果 分析思路 使用flex布局&#xff0c;每个卡片的宽度都由flex进行灵活调整交互可以增加和删除active&#xff0c;来实现宽度扩增和恢复还需要使用transition进行动画过渡&#xff0c;使得平滑切换 核心代码 首先创建一个…...

移远通信推出八款天线新品,覆盖5G、4G、Wi-Fi和LoRa领域

近日&#xff0c;全球领先的物联网整体解决方案供应商移远通信宣布&#xff0c;再次推出八款高性能天线新品&#xff0c;进一步丰富其天线产品阵容&#xff0c;更好地满足全球客户对高品质天线的更多需求。具体包括5G超宽带天线YECT005W1A和YECT004W1A、5G天线YECT028W1A、4G天…...

MySQL 9从入门到性能优化-创建触发器

【图书推荐】《MySQL 9从入门到性能优化&#xff08;视频教学版&#xff09;》-CSDN博客 《MySQL 9从入门到性能优化&#xff08;视频教学版&#xff09;&#xff08;数据库技术丛书&#xff09;》(王英英)【摘要 书评 试读】- 京东图书 (jd.com) MySQL9数据库技术_夏天又到了…...

UE5 第三人称学习之动画 control rig

这个东西和建模软件里有的是一个东西&#xff0c;然后IK就是你动脚&#xff0c;他帮你算出小腿大腿该怎么动&#xff0c;FK就是你自己动了大腿&#xff0c;摆小腿&#xff0c;然后再摆脚 就是给每一根骨骼搞一个控制器&#xff0c;给他一个容易选中和操作更明显的图形作为控制…...

C++之--初见模板初阶

一、泛型编程 为了实现一个通用的函数&#xff0c;在此之前&#xff0c;我们学过函数重载&#xff0c;使用函数重载虽然可以实现&#xff0c;但是有一下几个不好的地方&#xff1a; 1. 重载的函数仅仅是类型不同&#xff0c;代码复用率比较低&#xff0c;只要有新类型出现时&a…...

Nature|用于无线监测颅内信号的植入式柔性超声波传感器(柔性传感/健康监测/植入式电子/水凝胶)

华中科技大学臧剑锋(Jianfeng Zang)、华中科技大学同济医学院附属协和医院姜晓兵(Xiaobing Jiang)和新加坡南洋理工大学陈晓东(Xiaodong Chen)团队,在《Nature》上发布了一篇题为“Injectable ultrasonic sensor for wireless monitoring of intracranial signals”的论…...

【和AI的《趣味》聊天】01 AI:你找茬是吧(

我&#xff1a; 以下哪个选项是中文&#xff1f; A.Chinese B.英文 AI&#xff1a; 我&#xff1a; 这不对吧&#xff0c;我说的是那个选项的语言是中文 AI&#xff1a; 非常抱歉&#xff0c;我之前的回答有误。您问的是哪个选项的语言是中文&#xff0c;那么答案应该是…...

“发放父作业单”是“过数”用例里面的内容吗

刘京城 2020-4-14 23:01 。。。。(注&#xff1a;这是一个人的昵称&#xff0c;不是省略号) 首先&#xff0c;执行者是同一个&#xff0c;那么思考焦点要关注“过数”用例是不是“发放父作业单”用例的一个步骤&#xff0c;和行为操作的频率无关&#xff0c;而是和责任有关&am…...

Linux补基础之:网络配置

目录 一、检查主机与虚拟机是否能正常通信 二、网络的连接模式 桥接模式 流程 特点 NAT模式 流程 特点 仅主机 流程 特点 三、修改静态IP 四、可能遇到的问题 防火墙 DNS 五、主机名更改 六、登录服务器 实际的大数据管理中&#xff0c;会有由很多服务器构成的…...

【flink】之kafka到kafka

一、概述 本文档旨在介绍如何使用Apache Flink从Kafka接收数据流&#xff0c;并将处理后的数据写入到另一个Kafka Topic中。Apache Flink是一个开源的流处理框架&#xff0c;能够处理无界和有界数据流&#xff0c;并且支持高吞吐量和低延迟的数据处理。通过Flink与Kafka的集成…...

微信小程序时间弹窗——年月日时分

需求 1、默认当前时间2、选择时间弹窗限制最大值、最小值3、每次弹起更新最大值为当前时间&#xff0c;默认值为上次选中时间4、 minDate: new Date(2023, 10, 1).getTime(),也可以传入时间字符串new Date(2023-10-1 12:22).getTime() html <view class"flex bb ptb…...

杂货 | 每日资讯 | 2024.11.1

注意&#xff1a;以下内容皆为AI总结 2024年11月1日&#xff0c;人工智能&#xff08;AI&#xff09;领域发生了多项重要事件&#xff0c;标志着技术发展的新阶段。本文将详细探讨以下三大事件&#xff1a; OpenAI为ChatGPT新增搜索功能IEEE发布《2025年及以后的技术影响》报…...

Genmoai-smol:专为单 GPU 优化的开源 AI 视频生成模型,低显存生成高质量视频

❤️ 如果你也关注大模型与 AI 的发展现状&#xff0c;且对大模型应用开发非常感兴趣&#xff0c;我会快速跟你分享最新的感兴趣的 AI 应用和热点信息&#xff0c;也会不定期分享自己的想法和开源实例&#xff0c;欢迎关注我哦&#xff01; &#x1f966; 微信公众号&#xff…...

RHCE8

一、防火墙 防火墙&#xff1a;防火墙是位于内部网和外部网之间的屏障&#xff0c;它按照系统管理员预先定义好的规则来控制数据包的进出。防火墙又可以分为硬件防火墙与软件防火墙。 硬件防火墙是由厂商设计好的主机硬件&#xff0c;这台硬件防火墙的操作系统主要以提供数据…...

长短期记忆网络(LSTM)如何在连续的时间步骤中处理信息

长短期记忆网络&#xff08;LSTM&#xff09;如何在连续的时间步骤中处理信息 长短期记忆网络&#xff08;LSTM&#xff09;是一种高级的循环神经网络&#xff08;RNN&#xff09;&#xff0c;设计用来解决传统RNN在处理长时间序列数据时遇到的梯度消失或爆炸问题。LSTM通过其…...

MySQL基础(三)

一. 插入内容insert tips&#xff1a; &#xff08;一&#xff09;SQL中 表示 字符串&#xff0c;可以用 也可以用 " C/C、Java中&#xff0c; 表示字符&#xff0c;" 表示字符串SQL/Python/JS&#xff0c;没有字符类型&#xff0c;只有字符串&#xff0c; 和 &qu…...

浏览器八股

面试系列文章 万字总结我在寒冬里的面试准备经历前端铜九铁十面试必备八股文——【HTML&CSS】前端铜九铁十面试必备八股文——【JavaScript】前端铜九铁十面试必备八股文——【Vue】前端铜九铁十面试必备八股文——【浏览器】前端铜九铁十面试必备八股文——【网络相关】前…...

华为机试HJ18 识别有效的IP地址和掩码并进行分类统计

首先看一下题 描述 请解析IP地址和对应的掩码&#xff0c;进行分类识别。要求按照A/B/C/D/E类地址归类&#xff0c;不合法的地址和掩码单独归类。 所有的IP地址划分为 A,B,C,D,E五类 A类地址从1.0.0.0到126.255.255.255; B类地址从128.0.0.0到191.255.255.255; C类地址从192.0.…...

GPEN肖像增强使用技巧:自然、强力、细节三种模式适用场景解析

GPEN肖像增强使用技巧&#xff1a;自然、强力、细节三种模式适用场景解析 1. 认识GPEN的三种处理模式 GPEN作为当前最先进的肖像增强工具之一&#xff0c;其核心价值在于提供了三种差异化的处理模式&#xff1a;自然、强力和细节。这三种模式不是简单的强度差异&#xff0c;而…...

OFA模型在零售行业的视觉问答应用案例

OFA模型在零售行业的视觉问答应用案例 1. 引言 走进任何一家现代零售商店&#xff0c;你都会看到成千上万的商品整齐地陈列在货架上。但对于店员来说&#xff0c;要快速准确地回答"这个品牌的洗发水有没有无硅油版本&#xff1f;"或者"这款饼干是否含有坚果成…...

vLLM-v0.17.1保姆级教程:vLLM + Weights Biases 实验跟踪实践

vLLM-v0.17.1保姆级教程&#xff1a;vLLM Weights & Biases 实验跟踪实践 1. vLLM框架简介 vLLM是一个专注于大语言模型推理和服务的开源库&#xff0c;以其出色的性能和易用性在开发者社区中广受欢迎。这个项目最初由加州大学伯克利分校的天空计算实验室发起&#xff0…...

FUTURE POLICE语音模型重装系统后快速恢复部署指南

FUTURE POLICE语音模型重装系统后快速恢复部署指南 重装系统这事儿&#xff0c;对开发者来说&#xff0c;有时候就跟电脑的“大扫除”一样&#xff0c;图个干净利落。但扫除完&#xff0c;看着空空如也的桌面和命令行&#xff0c;要重新把那些吃饭的家伙——比如你正在跑的FUT…...

GLM-OCR实操手册:Web界面上传PNG/JPG/WEBP三格式兼容性验证与建议

GLM-OCR实操手册&#xff1a;Web界面上传PNG/JPG/WEBP三格式兼容性验证与建议 1. 项目概述与测试背景 GLM-OCR是一个基于先进多模态架构的OCR识别模型&#xff0c;专门为处理复杂文档而设计。它不仅能识别普通文字&#xff0c;还能准确识别表格结构和数学公式&#xff0c;在实…...

Phi-3-Mini-128K高性能推理优化:深入理解WSL2下的GPU资源调配

Phi-3-Mini-128K高性能推理优化&#xff1a;深入理解WSL2下的GPU资源调配 1. 引言 如果你是一位在Windows上搞AI开发的伙伴&#xff0c;可能早就受够了原生环境里那些烦人的依赖冲突和性能瓶颈。我也是这么过来的&#xff0c;直到开始用WSL2&#xff0c;感觉像是打开了新世界…...

HOOI算法里的‘skip’参数到底在干嘛?深入TensorLy源码讲透Tucker分解迭代过程

HOOI算法中的skip参数机制解析&#xff1a;从数学原理到TensorLy实现 当你在实现高阶正交迭代&#xff08;HOOI&#xff09;算法进行Tucker分解时&#xff0c;是否曾被multi_mode_dot函数中那个神秘的skip参数困扰过&#xff1f;这个看似简单的参数背后&#xff0c;实际上隐藏着…...

GitLab中文版在Windows Docker部署后,解决‘git clone’和‘git push’失败的几个关键检查点

GitLab中文版Windows Docker部署后git clone和git push故障排查指南 当你终于完成了GitLab中文版在Windows Docker上的部署&#xff0c;准备大展拳脚时&#xff0c;却发现git clone和git push命令频频报错&#xff0c;这种挫败感我深有体会。本文将带你系统排查四个关键环节&am…...

扩散浓度曲线计算:从实例看 Pandat 代算与自行操作

扩散浓度曲线计算(Pandat代算或自己操作) 实例33: Al-4.06at%Mg/Al扩散偶在781K下退火36960s&#xff0c;Mg元素浓度随距离的变化曲线及实验数据对比如图a所示&#xff1b;Al-11at%Mg/Al扩散偶在773K下退火86400s&#xff0c;Mg元素浓度随距离的变化曲线及实验对比如图b所示&am…...

宇树一年赚6亿背后:研发投入不足1亿,7成人形机器人卖给高校

文章目录前言一、这不是科技公司&#xff0c;这是"高校特供"的硬体印钞机二、七成卖给高校&#xff1a;科研界的"乐高积木"三、研发费用不到1亿&#xff1a;极致省钱的"小脑"路线四、42亿募资背后的焦虑&#xff1a;要补"大脑"短板了五…...