Acwing 钞票分解 python c++

简介: Acwing 钞票分解 python c++

5417d2fdc7ea4cd1b6dcbb38746f820f.png


e0f8d41cad3945c4ac97408689820452.png

问题分析:贪心想法,每次都取最大的钞票(不超过持有的金额)只要持有金额>=面值

就取该面值,并使得面值张数最大  下面给出的代码均已AC

python:

n=int(input().strip())
l=[100,50,20,10,5,2,1]
k=[0,0,0,0,0,0,0]
left=n
for i in range(len(l)):
    if left>=l[i]:
        tmp=left//l[i]
        k[i]=tmp
        left-=tmp*l[i]
print(n)      
for j in range(len(k)):
    print('%d nota(s) de R$ %d,00'%(k[j],l[j]))

c++:(还没学到循环)

#include<iostream>;
#include<cstdio>;
#include<cmath>
using namespace std;
int main(){
  int n;
  //cin>> x1 >>" ">> y1 >>x2 >>" ">>y2;
  //cout<<x1<<endl;
  scanf("%d",&n);
  printf("%d\n",n);
  printf("%d nota(s) de R$ 100,00\n",n/100);
  n=n%100;
  printf("%d nota(s) de R$ 50,00\n",n/50);
  n=n%50;
  printf("%d nota(s) de R$ 20,00\n",n/20);
  n=n%20;
  printf("%d nota(s) de R$ 10,00\n",n/10);
  n=n%10;
  printf("%d nota(s) de R$ 5,00\n",n/5);
  n=n%5;
  printf("%d nota(s) de R$ 2,00\n",n/2);
  n=n%2;
  printf("%d nota(s) de R$ 1,00",n/1);
  n=n%1;
}
相关文章
|
7月前
|
jenkins Shell 测试技术
|
7月前
|
安全 jenkins Java
Java、Python、C++支持jenkins和SonarQube(一)
Jenkins 是一个开源的 持续集成(CI)和持续交付(CD) 工具,用于自动化构建、测试和部署软件项目。它基于 Java 开发,支持跨平台运行,并拥有丰富的插件生态系统,可以灵活地扩展功能
481 5
|
7月前
|
jenkins Java Shell
Java、Python、C++支持jenkins和SonarQube(全集)
Jenkins 是一个开源的持续集成(CI)和持续交付(CD)工具,用于自动化构建、测试和部署软件项目。它基于 Java 开发,支持跨平台运行,并拥有丰富的插件生态系统,可以灵活地扩展功能
689 1
|
7月前
|
jenkins Java 持续交付
Java、Python、C++支持Jenkins和SonarQube(三)
Python与Jenkins和SonarQube
378 1
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
在现代数据分析中,高维时间序列数据的处理和预测极具挑战性。基于矩阵分解的长期事件(MFLEs)分析技术应运而生,通过降维和时间序列特性结合,有效应对大规模数据。MFLE利用矩阵分解提取潜在特征,降低计算复杂度,过滤噪声,并发现主要模式。相比传统方法如ARIMA和深度学习模型如LSTM,MFLE在多变量处理、计算效率和可解释性上更具优势。通过合理应用MFLE,可在物联网、金融等领域获得良好分析效果。
484 0
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
|
7月前
|
jenkins Java 测试技术
|
存储 Python
Python示例:分解一个不多于指定位的正整数
Python示例:分解一个不多于指定位的正整数
137 0
|
数据可视化 Python
【负荷预测】基于变分模态分解(VMD-CNN-LSTM)的短期电力负荷预测【Python】
本项目实现了一种基于变分模态分解(VMD)的短期电力负荷预测模型——VMD-CNN-LSTM。通过VMD技术将原始电力负荷数据分解为多个平稳子序列,结合温度和时间等特征构建矩阵,输入CNN-LSTM模型训练,最终叠加重构得到预测结果。此方法有效应对非线性和非平稳性引起的误差,精度高且稳定性强。程序采用Python编写,注释清晰,运行稳定,并提供直观的可视化结果。附带部分代码及详细运行结果展示,下载链接已提供。
|
算法 Serverless 数据处理
从集思录可转债数据探秘:Python与C++实现的移动平均算法应用
本文探讨了如何利用移动平均算法分析集思录提供的可转债数据,帮助投资者把握价格趋势。通过Python和C++两种编程语言实现简单移动平均(SMA),展示了数据处理的具体方法。Python代码借助`pandas`库轻松计算5日SMA,而C++代码则通过高效的数据处理展示了SMA的计算过程。集思录平台提供了详尽且及时的可转债数据,助力投资者结合算法与社区讨论,做出更明智的投资决策。掌握这些工具和技术,有助于在复杂多变的金融市场中挖掘更多价值。
551 12
|
数据可视化 算法 Python
基于OpenFOAM和Python的流场动态模态分解:从数据提取到POD-DMD分析
本文介绍了如何利用Python脚本结合动态模态分解(DMD)技术,分析从OpenFOAM模拟中提取的二维切片数据,以深入理解流体动力学现象。通过PyVista库处理VTK格式的模拟数据,进行POD和DMD分析,揭示流场中的主要能量结构及动态特征。此方法为研究复杂流动系统提供了有力工具。
1128 2
基于OpenFOAM和Python的流场动态模态分解:从数据提取到POD-DMD分析

推荐镜像

更多