1041 考试座位号

简介: 1041 考试座位号

1041 考试座位号 (15 分)


每个 PAT 考生在参加考试时都会被分配两个座位号,一个是试机座位,一个是考试座位。正常情况下,考生在入场时先得到试机座位号码,入座进入试机状态后,系统会显示该考生的考试座位号码,考试时考生需要换到考试座位就座。但有些考生迟到了,试机已经结束,他们只能拿着领到的试机座位号码求助于你,从后台查出他们的考试座位号码。

输入格式:

输入第一行给出一个正整数 N(≤1000),随后 N 行,每行给出一个考生的信息:准考证号 试机座位号 考试座位号。其中准考证号由 14 位数字组成,座位从 1 到 N 编号。输入保证每个人的准考证号都不同,并且任何时候都不会把两个人分配到同一个座位上。

考生信息之后,给出一个正整数 M(≤N),随后一行中给出 M 个待查询的试机座位号码,以空格分隔。

输出格式:

对应每个需要查询的试机座位号码,在一行中输出对应考生的准考证号和考试座位号码,中间用 1 个空格分隔。

输入样例:

4
10120150912233 2 4
10120150912119 4 1
10120150912126 1 3
10120150912002 3 2
2
3 4


输出样例:

10120150912002 2
10120150912119 1

有一个地方想说一下,就是学生试机座位号直接作Student数组的编号,就无需遍历查找数组,直接取出对应的位置就可以了。

 


#include<iostream>
#include<string>
using namespace std;
struct Student
{
  string zkz;
  int kszw;
};
int main()
{
  Student s[1001];
  int N; cin >> N;
  for (int i = 0; i < N; i++) {
    string tmp_zkz;
    int tmp_sjzw;
    cin >> tmp_zkz >> tmp_sjzw;
    s[tmp_sjzw].zkz = tmp_zkz;
    cin >> s[tmp_sjzw].kszw;
  }
  int M; cin >> M;
  int sjzw_to_find[1001];
  for (int i = 0; i < M; i++)
    cin >> sjzw_to_find[i];
  for (int i = 0; i < M; i++)
     cout<<s[sjzw_to_find[i]].zkz<<" "<<s[sjzw_to_find[i]].kszw<<endl;
  return 0;
}
相关文章
|
存储 JSON Shell
Grafana 系列文章(三):Tempo- 使用 HTTP 推送 Spans
Grafana 系列文章(三):Tempo- 使用 HTTP 推送 Spans
Grafana 系列文章(三):Tempo- 使用 HTTP 推送 Spans
|
存储 Kubernetes IDE
|
存储 Oracle 关系型数据库
|
机器学习/深度学习 运维 监控
探索机器学习在金融欺诈检测中的应用
【5月更文挑战第30天】 在金融行业,欺诈行为日益猖獗,传统的安全措施已难以应对复杂多变的欺诈手段。本文将深入探讨如何利用机器学习技术提升金融机构对欺诈行为的识别能力。通过分析不同类型的机器学习模型以及它们在真实世界数据上的应用效果,我们揭示了这些算法在早期识别欺诈交易、减少误报及提高决策效率方面的潜力。文章还讨论了实施机器学习系统时面临的挑战和潜在解决方案,为金融机构提供了一种结合先进技术与风险管理的创新思路。
|
编解码 算法 数据安全/隐私保护
基于BP译码的LDPC误码率matlab仿真,分析码长,码率,信道对译码性能的影响,对比卷积码,turbo码以及BCH码
本程序系统基于BP译码的LDPC误码率MATLAB仿真,分析不同码长、码率、信道对译码性能的影响,并与卷积码、Turbo码及BCH编译码进行对比。升级版增加了更多码长、码率和信道的测试,展示了LDPC码的优越性能。LDPC码由Gallager在1963年提出,具有低复杂度、可并行译码等优点,近年来成为信道编码研究的热点。程序在MATLAB 2022a上运行,仿真结果无水印。
288 0
|
Java DataX Docker
arm 64 环境利用 docker 编译 datax 工具
arm 64 环境利用 docker 编译 datax 工具
651 0
|
机器学习/深度学习 数据可视化 算法框架/工具
【深度学习】Generative Adversarial Networks ,GAN生成对抗网络分类
文章概述了生成对抗网络(GANs)的不同变体,并对几种经典GAN模型进行了简介,包括它们的结构特点和应用场景。此外,文章还提供了一个GitHub项目链接,该项目汇总了使用Keras实现的各种GAN模型的代码。
584 0
|
并行计算 索引 Python
讨论如何优化 DataFrame 操作,减少内存占用和提高执行速度
【5月更文挑战第19天】优化 DataFrame 操作涉及选择合适的数据类型、避免复制、使用向量化、高效迭代和设置索引。通过这些策略,如使用 `np.int8` 节省内存,直接修改列数据,利用 `itertuples`,设置分类数据类型,以及分块和并行计算,可以显著减少内存占用和提高执行速度,从而更好地处理大规模数据。实践中需结合具体情况综合运用,不断测试和优化。
596 2
|
机器学习/深度学习 人工智能 算法
【机器学习】平均绝对误差 (MAE) 与均方误差 (MSE) 有什么区别?
【5月更文挑战第17天】【机器学习】平均绝对误差 (MAE) 与均方误差 (MSE) 有什么区别?
|
存储 人工智能 自然语言处理
阿里云搜索产品智能化升级发布
在2023云栖大会上,阿里云搜索负责人郭瑞杰对阿里云搜索产品智能化升级发布,在全场景的搜索细分领域,提供智能化产品能力。
1538 0

热门文章

最新文章