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
|
20小时前
|
机器学习/深度学习 算法 前端开发
【Python机器学习专栏】集成学习算法的原理与应用
【4月更文挑战第30天】集成学习通过组合多个基学习器提升预测准确性,广泛应用于分类、回归等问题。主要步骤包括生成基学习器、训练和结合预测结果。算法类型有Bagging(如随机森林)、Boosting(如AdaBoost)和Stacking。Python中可使用scikit-learn实现,如示例代码展示的随机森林分类。集成学习能降低模型方差,缓解过拟合,提高预测性能。
|
14天前
|
机器学习/深度学习 算法 前端开发
Scikit-learn进阶:探索集成学习算法
【4月更文挑战第17天】本文介绍了Scikit-learn中的集成学习算法,包括Bagging(如RandomForest)、Boosting(AdaBoost、GradientBoosting)和Stacking。通过结合多个学习器,集成学习能提高模型性能,减少偏差和方差。文中展示了如何使用Scikit-learn实现这些算法,并提供示例代码,帮助读者理解和应用集成学习提升模型预测准确性。
|
14天前
|
机器学习/深度学习 算法 Python
使用Python实现集成学习算法:Bagging与Boosting
使用Python实现集成学习算法:Bagging与Boosting
21 0
|
21天前
|
算法
【算法学习--字符串】(不含KMP算法)
【算法学习--字符串】(不含KMP算法)
|
2月前
|
Rust Dart 算法
55.3k star!开源算法教程,附带动画图解,学习算法不再苦恼!
55.3k star!开源算法教程,附带动画图解,学习算法不再苦恼!
|
2月前
|
算法 C++ 计算机视觉
Opencv(C++)学习系列---Laplacian拉普拉斯边缘检测算法
Opencv(C++)学习系列---Laplacian拉普拉斯边缘检测算法
|
2月前
|
算法 C++ 计算机视觉
Opencv(C++)学习系列---Canny边缘检测算法
Opencv(C++)学习系列---Canny边缘检测算法
|
2月前
|
算法 Java 索引
【数据结构与算法】4、双向链表(学习 jdk 的 LinkedList 部分源码)
【数据结构与算法】4、双向链表(学习 jdk 的 LinkedList 部分源码)
34 0
|
2月前
|
存储 算法 Java
【数据结构与算法】1、学习动态数组数据结构(基本模拟实现 Java 的 ArrayList 实现增删改查)
【数据结构与算法】1、学习动态数组数据结构(基本模拟实现 Java 的 ArrayList 实现增删改查)
45 0
|
3月前
|
存储 缓存 网络协议
计算机网络:思科实验【3-集线器与交换机的区别、交换机的自学习算法】
计算机网络:思科实验【3-集线器与交换机的区别、交换机的自学习算法】