数据处理 —— 差分

简介: 差分及其实现方法

差分


  考虑一个问题,给出 n 个数据,每次给出一个请求(x, y, k),每次将 x 到 y 位置的数据加上 k,要求在 O(n) 的时间内解决。


  • 暴力解法 —— O(n2),明显不行。
  • 线段树或树状数组 —— O(qlogn),q 为请求次数。
  • 差分 —— O(n),不辱使命。


实现方法


  • 开一个于原数组相同大小的数组用于差分。
  • 进行差分操作,比如需要 2~5 位置的元素都加 1,那么我们就将位置 2 标记为 +1,位置 6 标记为 -1,这样操作所有请求(不懂也先照做)。
  • 计算前缀和,然后再来看结果,就是 q 请求后的结果。
  • 再遍历一次加到原数组即可。


相关文章
|
分布式计算 API Linux
通义千问API:找出两篇文章的不同
本章我们将介绍如何利用大模型开发一个文档比对小工具,我们将用这个工具来给互联网上两篇内容相近但版本不同的文档找找茬,并且我们提供了一种批处理文档比对的方案
|
存储 网络协议 Ubuntu
【C++网络编程】Socket基础:网络通讯程序入门级教程
【C++网络编程】Socket基础:网络通讯程序入门级教程
717 7
|
4月前
|
机器学习/深度学习 人工智能 自动驾驶
斑马线目标检测数据集(1000 张图片已划分、已标注)| AI训练适用于目标检测任务
本数据集含1000张真实道路图像(700训练/200验证/100测试),专注单类别“斑马线”目标检测,覆盖多场景、多视角、多光照及复杂干扰条件,标注规范(YOLO格式),兼容主流检测框架,适用于自动驾驶、ADAS、智慧交通等AI视觉任务。
|
5月前
|
机器学习/深度学习 数据采集 自动驾驶
道路表面多类型缺陷的图像识别数据集分享(适用于目标检测任务)
随着城市化与交通运输业的快速发展,道路基础设施的健康状况直接关系到出行安全与城市运行效率。据统计,全球每年因道路缺陷引发的交通事故造成数十万人死亡,经济损失高达数千亿美元。长期高强度的使用、气候变化以及施工质量差异,都会导致道路表面出现裂缝、坑洼、井盖下沉及修补不良等缺陷。这些问题不仅影响驾驶舒适度,还可能引发交通事故,增加道路养护成本。
|
2月前
|
存储 人工智能 安全
OpenClaw 配置 Ollama 本地推理服务详细步骤
本教程详解OpenClaw连接本地Ollama模型的完整流程:从官网下载安装Ollama、设置模型路径、终端拉取模型(如gemma4:e4b),到OpenClaw中配置地址`http://127.0.0.1:11434`、测试识别、聊天页启用,实现免费、离线、隐私可控的AI对话。(239字)
|
4月前
|
机器学习/深度学习 人工智能 自动驾驶
城市道路设施及道路安全隐患数据集分享(适用于YOLO系列深度学习分类检测任务)
本数据集含1.3万张城市道路图像,涵盖井盖、坑洞、减速带等5类安全隐患,YOLO格式标注,已划分训练/验证/测试集,适用于YOLOv5-v10等目标检测模型,助力智能巡检、自动驾驶与智慧交通研究。(239字)
475 7
|
3月前
|
机器学习/深度学习 人工智能 算法
道路表面缺陷数据集分享(YOLO系列分类检测)| 路面病害 目标检测 坑洼裂缝 训练集
本数据集含6000张高清道路缺陷图像,涵盖裂缝、坑洼、井盖等8类缺陷,已按YOLO格式精准标注并划分(7:2:1)。适用于YOLO系列等目标检测模型训练,支持智能巡检、自动驾驶与智慧交通研究。百度网盘免费下载。
778 10
|
传感器 人工智能 自动驾驶
城市道路设施及道路安全隐患数据集(13000张图片已划分、已标注)| AI训练适用于目标检测任务
随着智慧城市与智能交通系统(ITS)的快速发展,城市道路的精细化管理成为基础设施建设中的关键课题。井盖缺失、井盖开启、路面坑洞、无标识减速带等问题,不仅影响道路通行质量,还可能引发交通事故。 在自动驾驶、智能巡检车、无人机道路巡检等应用场景中,对道路设施及安全隐患进行实时目标检测与识别,已成为核心技术模块之一。
|
4月前
|
机器学习/深度学习 人工智能 算法
公路表面裂缝目标检测数据集(1500 张图片已划分、已标注)| AI训练适用于目标检测任务
本数据集含1500张真实道路图像,已划分train/val/test并精准标注裂缝(crack)边界框,覆盖沥青/水泥路面、多光照与多角度场景,适配YOLO、RT-DETR等主流目标检测模型,专为道路病害智能巡检与小目标检测研究设计。