题目----序列中删除指定数字

简介: 题目----序列中删除指定数字

题目

有一个整数序列(可能有重复的整数),现删除指定的某一个整数,输出删除指定数字之后的序列,序列中未被删除数字的前后位置没有发生改变。

解答

#include <stdio.h>
 
void deleteNumber(int arr[], int n, int num) 
{
    int i, j;
    for (i = 0; i < n; i++) {
        if (arr[i] == num) {
            for (j = i; j < n - 1; j++) 
{
                arr[j] = arr[j + 1];
            }
            n--; // 更新数组长度
            i--; // 因为删除了一个数字,需要将索引i回退一步
        }
    }
    for (i = 0; i < n; i++) {
        printf("%d ", arr[i]);
    }
}
 
int main()
{
    int arr[] = {1, 2, 3, 4, 5, 3, 6, 7};
    int n = sizeof(arr) / sizeof(arr[0]);
    int num = 3;
    
    printf("Original sequence: ");
    for (int i = 0; i < n; i++) {
        printf("%d ", arr[i]);
    }
    
    printf("\nSequence after deleting %d: ", num);
    deleteNumber(arr, n, num);
    
    return 0;
}

在这个程序中,我们首先定义了一个函数deleteNumber,该函数接受一个整数数组、数组长度和要删除的数字作为参数。然后我们在main函数中定义了一个整数数组arr,并输出原始序列。接着调用deleteNumber函数删除指定的数字,并输出删除指定数字后的序列。

在函数deleteNumber中,我们使用两个循环来遍历整数数组。第一个循环用来找到要删除的数字,并将其后面的数字向前移动一个位置。第二个循环用来输出删除指定数字后的序列。

目录
相关文章
|
7月前
|
NoSQL 算法 安全
分布式锁—1.原理算法和使用建议
本文主要探讨了Redis分布式锁的八大问题,包括非原子操作、忘记释放锁、释放其他线程的锁、加锁失败处理、锁重入问题、锁竞争问题、锁超时失效及主从复制问题,并提供了相应的优化措施。接着分析了Redis的RedLock算法,讨论其优缺点以及分布式专家Martin对其的质疑。此外,文章对比了基于Redis和Zookeeper(zk)的分布式锁实现原理,包括获取与释放锁的具体流程。最后总结了两种分布式锁的适用场景及使用建议,指出Redis分布式锁虽有性能优势但模型不够健壮,而zk分布式锁更稳定但部署成本较高。实际应用中需根据业务需求权衡选择。
|
6月前
|
存储 编解码 Prometheus
大模型推理加速实战:vLLM 部署 Llama3 的量化与批处理优化指南
本文详解如何通过量化与批处理优化,在vLLM中高效部署Llama3大模型。涵盖内存管理、推理加速及混合策略,提升吞吐量并降低延迟,适用于大规模语言模型部署实践。
1516 2
|
运维 Linux 网络安全
"揭秘Traceroute穿越防火墙的隐形障碍:为何路径追踪在此中断?解锁隐藏的网络回显之谜!"
【8月更文挑战第19天】Traceroute是网络故障排查的关键工具,用于追踪数据包路径。但防火墙常致回显问题,表现为路由节点信息缺失。本文通过案例分析此现象:数据包遇防火墙时,因安全策略拦截ICMP或UDP数据包而显示星号。解决方法包括检查防火墙策略以确保ICMP和UDP端口未被阻止,在Linux中使用ICMP版本的Traceroute(如`traceroute -I`),关闭防火墙接口管理功能,或调整安全策略以限制Traceroute访问。针对具体网络环境灵活运用这些策略可有效解决问题。
843 0
|
机器学习/深度学习 计算机视觉 Python
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力.EMA(Efficient Multi-Scale Attention)模块是一种高效多尺度注意力机制,旨在提高计算机视觉任务中的特征表示效果。该模块通过结合通道和空间信息、采用多尺度并行子网络结构以及优化坐标注意力机制,实现了更高效和有效的特征表示。EMA模块在图像分类和目标检测任务中表现出色,使用CIFAR-100、ImageNet-1k、MS COCO和VisDrone2019等数据集进行了广泛测试。
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力
|
机器学习/深度学习 数据采集 人工智能
【机器学习】klearn基础教程
scikit-learn(通常缩写为sklearn)是一个用于Python编程语言的强大机器学习库。它提供了各种分类、回归、聚类算法,以及数据预处理、降维和模型评估的工具。以下是sklearn的基础教程,帮助你开始使用它
224 3
SPSS modeler关联规则、卡方模型探索北京平谷大桃产业发展与电商化研究
SPSS modeler关联规则、卡方模型探索北京平谷大桃产业发展与电商化研究
|
云安全 弹性计算 监控
ECS使用感受
阿里云服务器初体验
|
3天前
|
云安全 人工智能 自然语言处理

热门文章

最新文章