算法学习之路|MOOC期终成绩

简介: 对于在中国大学MOOC.学习“数据结构”课程的学生,想要获得一张合格证书,必须首先获得不少于200分的在线编程作业分,然后总评获得不少于60分(满分100)。总评成绩的计算公式为 G = (G期中x 40% + G期末x 60%),如果 G期中 > G期末;否则总评 G 就是 G期末。

对于在中国大学MOOC.学习“数据结构”课程的学生,想要获得一张合格证书,必须首先获得不少于200分的在线编程作业分,然后总评获得不少于60分(满分100)。总评成绩的计算公式为 G = (G期中x 40% + G期末x 60%),如果 G期中 > G期末;否则总评 G 就是 G期末。这里 G期中 和 G期末 分别为学生的期中和期末成绩。

现在的问题是,每次考试都产生一张独立的成绩单。本题就请你编写程序,把不同的成绩单合为一张。

输入格式

输入在第一行给出3个整数,分别是 P(做了在线编程作业的学生数)、M(参加了期中考试的学生数)、N(参加了期末考试的学生数)。每个数都不超过10000。

接下来有三块输入。第一块包含 P 个在线编程成绩 G编程;第二块包含 M 个期中考试成绩 G期中;第三块包含 N 个期末考试成绩 G期末。每个成绩占一行,格式为:学生学号 分数。其中学生学号为不超过20个字符的英文字母和数字;分数是非负整数(编程总分最高为900分,期中和期末的最高分为100分)。

输出格式

打印出获得合格证书的学生名单。每个学生占一行,格式为:

学生学号 G编程 G期中 G期末 G

如果有的成绩不存在(例如某人没参加期中考试),则在相应的位置输出“-1”。输出顺序为按照总评分数(四舍五入精确到整数)递减。若有并列,则按学号递增。题目保证学号没有重复,且至少存在1个合格的学生。

输入样例:
6 6 7
01234 880
a1903 199
ydjh2 200
wehu8 300
dx86w 220
missing 400
ydhfu77 99
wehu8 55
ydjh2 98
dx86w 88
a1903 86
01234 39
ydhfu77 88
a1903 66
01234 58
wehu8 84
ydjh2 82
missing 99
dx86w 81
输出样例:
missing 400 -1 99 99
ydjh2 200 98 82 88
dx86w 220 88 81 84
wehu8 300 55 84 84

解题思路:

创建一个学生结构体。

利用map构成学生容器。

map.first是学生的姓名

map.second是学生的属性。

根据题目录入的数依次向map中增加即可。

然后依据题意进行判断并输出。

详情见代码:

#include<iostream>
#include<map>
#include<vector>
#include<algorithm>
using namespace std;
struct node{
    int code=0;
    int mid=-1;
    int end=-1;
    int sum=0;
    string tmp;
};
bool cmp(struct node b,struct node a){
    if(a.sum>b.sum)
        return 0;
    else if(a.sum==b.sum){
        if(a.tmp<b.tmp)
            return 0;
        return 1;
    }
    return 1;
}
int main(){
    map<string,struct node>v;
    int a,b,c;
    cin>>a>>b>>c;
    string tmps;
    int tmpi;
    for(int i=0;i<a;i++){
        cin>>tmps>>tmpi;
        v[tmps].code=tmpi;
    }
    for(int i=0;i<b;i++){
        cin>>tmps>>tmpi;
        v[tmps].mid=tmpi;
    }
    for(int i=0;i<c;i++){
        cin>>tmps>>tmpi;
        v[tmps].end=tmpi;
    }
    vector<struct node> v2;
    for(map<string,struct node>::iterator i=v.begin();
        i!=v.end();i++){
        if(i->second.code<200)
            continue;
        double sum=0;
        if(i->second.end>=i->second.mid)
            sum=i->second.end;
        else{
            if(i->second.mid==-1)
                sum=i->second.end*0.6;
            if(i->second.end==-1)
                sum=i->second.mid*0.4;
            else
                sum=i->second.mid*0.4+i->second.end*0.6;
        }
        if(sum>=60){
            i->second.sum=int(sum+0.5);
            i->second.tmp=i->first;
            v2.push_back(i->second);
        }
    }
    sort(v2.begin(), v2.end(),cmp);
    for(int i=0;i<v2.size();i++){
        cout<<v2[i].tmp<<" "<<v2[i].code<<" "<<
        v2[i].mid<<" "<<v2[i].end<<" "<<v2[i].sum<<endl;
    }
}
目录
相关文章
|
3天前
|
机器学习/深度学习 数据采集 算法
Python实现ISSA融合反向学习与Levy飞行策略的改进麻雀优化算法优化支持向量机回归模型(SVR算法)项目实战
Python实现ISSA融合反向学习与Levy飞行策略的改进麻雀优化算法优化支持向量机回归模型(SVR算法)项目实战
|
3天前
|
机器学习/深度学习 数据采集 算法
Python实现ISSA融合反向学习与Levy飞行策略的改进麻雀优化算法优化支持向量机分类模型(SVC算法)项目实战
Python实现ISSA融合反向学习与Levy飞行策略的改进麻雀优化算法优化支持向量机分类模型(SVC算法)项目实战
|
3天前
|
机器学习/深度学习 数据采集 监控
算法金 | DL 骚操作扫盲,神经网络设计与选择、参数初始化与优化、学习率调整与正则化、Loss Function、Bad Gradient
**神经网络与AI学习概览** - 探讨神经网络设计,包括MLP、RNN、CNN,激活函数如ReLU,以及隐藏层设计,强调网络结构与任务匹配。 - 参数初始化与优化涉及Xavier/He初始化,权重和偏置初始化,优化算法如SGD、Adam,针对不同场景选择。 - 学习率调整与正则化,如动态学习率、L1/L2正则化、早停法和Dropout,以改善训练和泛化。
4 0
算法金 | DL 骚操作扫盲,神经网络设计与选择、参数初始化与优化、学习率调整与正则化、Loss Function、Bad Gradient
|
26天前
|
算法 搜索推荐 JavaScript
算法学习:快速排序
算法学习:快速排序
16 1
|
7天前
|
Dart 算法 JavaScript
C#数据结构与算法入门教程,值得收藏学习!
C#数据结构与算法入门教程,值得收藏学习!
|
16天前
|
算法 Java
《JVM由浅入深学习【八】 2024-01-12》JVM由简入深学习提升分(JVM的垃圾回收算法)
《JVM由浅入深学习【八】 2024-01-12》JVM由简入深学习提升分(JVM的垃圾回收算法)
10 0
|
16天前
|
机器学习/深度学习 人工智能 算法
技术经验解读:【转】完美洗牌算法学习
技术经验解读:【转】完美洗牌算法学习
|
24天前
|
机器学习/深度学习 算法 搜索推荐
【机器学习】Apriori算法在关联规则学习中的应用
【机器学习】Apriori算法在关联规则学习中的应用
49 0
|
24天前
|
机器学习/深度学习 算法 数据挖掘
【机器学习】Voting集成学习算法:分类任务中的新利器
【机器学习】Voting集成学习算法:分类任务中的新利器
23 0
|
26天前
|
机器学习/深度学习 存储 算法
算法学习:递归
算法学习:递归
19 0