Python|动态规划统计正方形子矩阵

简介: Python|动态规划统计正方形子矩阵

问题描述

给你一个 m * n 的矩阵,矩阵中的元素不是 0 就是 1,请你统计并返回其中完全由 1 组成的 正方形 子矩阵的个数。

示例 1:

输入:matrix =

[

[0,1,1,1],

[1,1,1,1],

[0,1,1,1]

]

输出:15

解释:边长为 1 的正方形有 10 个。边长为 2 的正方形有 4 个。边长为 3 的正方形有 1 个。正方形的总数 = 10 + 4 + 1 = 15.

示例 2:

输入:matrix =

[

 [1,0,1],

 [1,1,0],

 [1,1,0]

]

输出:7

解释:边长为 1 的正方形有 6 个。边长为 2 的正方形有 1 个。正方形的总数 = 6 + 1 = 7.

提示:

1 <= arr.length <= 300

1 <= arr[0].length <= 300

0 <= arr[i][j] <= 1


动态规划思想及分析

创一个dp数组等于matrix,和一个nums用于统计正方形个数。

计算正方形边长方程:

dp[i][j]=min(dp[i-1][j],dp[i-1][j-1],dp[i][j-1])+1

该方程的含义:

表示从当前可得正方形的右下角点dp[i][j]的左方,上方,以及左上三个方向取最小值+1,即为当前最大正方形的边长值(因为要取正方形的最大边长,所有边长必须相等,故一定是取三个方向的最小值,才能保证边长相等)

此时nums+=dp[i][j],解释原因例如:

如果dp[i][j]=3,那么以dp[i][j]该点为正方形的右下角,存在一个边长为3的正方形,同时,边长为3的正方形会包含一个边长比它小的正方形,故在dp[i][j]处还能取到边长为2,边长为1的正方形,故该点能取边长为 1,2,3的三个正方形,故nums+=dp[i][j]

代码示例:

class Solution:

    def countSquares(self, matrix: List[List[int]]) -> int:

        dp,nums=matrix,0

        for i in range(len(matrix)):

            for j in range(len(matrix[0])):

                if matrix[i][j]==1:

                    if i>=1 and j>=1:

                       dp[i][j]=min(dp[i-1][j],dp[i-1][j-1],dp[i][j-1])+1

                    nums+=dp[i][j]

        return nums



目录
相关文章
|
2月前
|
存储 Java 数据处理
(numpy)Python做数据处理必备框架!(一):认识numpy;从概念层面开始学习ndarray数组:形状、数组转置、数值范围、矩阵...
Numpy是什么? numpy是Python中科学计算的基础包。 它是一个Python库,提供多维数组对象、各种派生对象(例如掩码数组和矩阵)以及用于对数组进行快速操作的各种方法,包括数学、逻辑、形状操作、排序、选择、I/0 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。 Numpy能做什么? numpy的部分功能如下: ndarray,一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组 用于对整组数据进行快速运算的标准数学函数(无需编写循环)。 用于读写磁盘数据的工具以及用于操作内存映射文件的工具。 线性代数、随机数生成以及傅里叶变换功能。 用于集成由C、C++
344 0
|
6月前
|
Python
掌握Python装饰器:轻松统计函数执行时间
掌握Python装饰器:轻松统计函数执行时间
415 76
|
11月前
|
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。
367 0
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
|
Python
Python计算误码率,输入是0-1比特流矩阵和小数矩阵
本文提供了一个Python函数calculate_ber,用于计算两个NumPy矩阵表示的二进制信号和接收信号之间的误码率(BER),其中包括信号与接收信号的比较、误差计数以及BER的计算过程,并给出了具体的使用示例。
272 2
|
算法 Python
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果;贪心算法在每一步选择局部最优解,追求全局最优;动态规划通过保存子问题的解,避免重复计算,确保全局最优。这三种算法各具特色,适用于不同类型的问题,合理选择能显著提升编程效率。
269 2
|
数据可视化 数据挖掘 Python
Seaborn 库创建吸引人的统计图表
【10月更文挑战第11天】本文介绍了如何使用 Seaborn 库创建多种统计图表,包括散点图、箱线图、直方图、线性回归图、热力图等。通过具体示例和代码,展示了 Seaborn 在数据可视化中的强大功能和灵活性,帮助读者更好地理解和应用这一工具。
|
存储 算法 Python
【10月更文挑战第16天】「Mac上学Python 27」小学奥数篇13 - 动态规划入门
本篇将通过 Python 和 Cangjie 双语介绍动态规划的基本概念,并解决一个经典问题:斐波那契数列。学生将学习如何使用动态规划优化递归计算,并掌握编程中的重要算法思想。
252 3
|
机器学习/深度学习 并行计算 大数据
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧2
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧
420 10
|
JSON 数据格式 Python
Python实用记录(十四):python统计某个单词在TXT/JSON文件中出现的次数
这篇文章介绍了一个Python脚本,用于统计TXT或JSON文件中特定单词的出现次数。它包含两个函数,分别处理文本和JSON文件,并通过命令行参数接收文件路径、目标单词和文件格式。文章还提供了代码逻辑的解释和示例用法。
364 0
Python实用记录(十四):python统计某个单词在TXT/JSON文件中出现的次数
|
索引 Python
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧1
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧
456 4

推荐镜像

更多