被演算法統計
『壹』 編寫演算法 統計一棵樹每層上各有多少個結點
每個結點都有一穗斗正銷桐個深度的。只要統計這個樹的對應深度上有多少猜悔個結點即可。
可以由先序遍歷演算法改進，遞歸實現。
// T:二叉樹根結點
// n:開始層
// c:要編譯的層次
int GetNodeCount(TREE *T,int n,int c)
{
if(T==0)
return 0;
if(n>=c)
return 1;
return GetNodeCount(T->l,n+1,c)+ GetNodeCount(T->r,n+1,c);
}
『貳』 EXCEL的一些統計高級演算法的問題
分類: 電腦/網路
問題描述:
現在使用EXCEL進行一些統計的數據處理
初學者所以什麼也不明白
請問我需要使用什麼工具或者什麼函數才能解決比如
y=a+bx1+cx2+dx3+.....+nx9,這種等式能否用計算機幫我計算出參數：a\b\c\d\.........\n？
的問題
如果有 請你千萬千萬年詳細說說 可以嗎 謝謝
解析:
這個是可以用excel來分析的.
這個問題叫做多元線性回歸,其山模實這種分析方法有很多假設前提條件的.若違反的話結果可能偏差很大,比如多重共碼唯散線性,殘差不隨機,不正態等問題,呵呵,千萬不要被這些術語嚇著.
如果有興趣可以看統計專業的書,若沒興趣可以當作假設條件成立.
這個問題完全可以使用excel進行分析.
具體方法如下:首先要打開這個功能,點菜單工具->載入宏.
如果不知道是哪個就所有遲氏的都打勾,這樣你的工具菜單里就多了資料分析呀,規劃求解呀之類的菜單.資料分析(簡體的excel可能名字不一樣)就是我們要用的功能.
將您要分析的資料按每列一個變數的方式填入excel,第一行可以是標題也可以沒有.然後 工具->資料分析->回歸->y的取值就將y列數據選中(用拉的就可以了).x數據就將所有的x數據拉入(注意每個變數一定要以每列一個變數的方式).第一行是標識的話就打勾,不是的話不用管,其它的基本也以不管,點擊確定,就會多出一張工作表,這就是要的結果了.
包括截距呀,各個x變數的系數,p值,置信區間.
這個方程擬合的好壞,調整的 R 平方來表示,越大說明越好.
當然了excel只是比較初等的統計分析工具,若要再專業一點,可以使用minitab(也是很初等的一種),spss(較專業,適合大數人用),sas(很專業,基本使用編程完成,適合少部分專業人士用).
『叄』 統計演算法的使用什麼方法來統計演算法、代碼的執行時間
1.使用<time.h>的clock()函數
模板程序：
#include<time.h>
#include<iostream>usingnamespacestd;intmain()
{
time_tt;
//一些初始化的東西
t=clock();//開始時候的GET,clock()函數用於獲得系統當前時間
//你需要計時的代碼，演算法，語句等等
cout<<Timeconsumed:<<clock()-t<<endl;
//結束時候獲得差值
return0;
}
用clock()函數能夠精確到1ms，但是它不是標准化所推薦的而且工業化程序也不容許使用<time.h>
2.使用GetTickCount
這個和clock()相同，只是它比較標准，GetTickCount可以到18－20ms進度
3.匯編指令
前面的都是在MS級別逗留的計時，當我們需要統計一個語句使用時間的時候，我們通常經過多次循環來求總時間。
缺點：1)由於需要統計的語句耗時可能比循環需要的JMP,INC指令耗時還要少（尤其JMP指令很慢），所以統計並不精確，大多耗時為循環使用時間
2)編譯器對於循環有優化，可能與單語句的匯編代碼不同造成統計結果無參考意義
所以我們能不能避免這些問題呢？可以使用
直接讀取CPU開機以來執行的機器周期數，一條匯編指令：RDTSC(就是ReaDTimeStampCount)精度可以達到ns級別。（准確地說精度是1/你的CPU的時鍾頻率，這也是極限）使用：longHighStart,LowStart,HighEnd,LowEnd;
longnumhigh,numlow;__asm//使用匯編混編
{
RDTSC
movHighStart,edx
movLowStart,eax
}
//此處放上你的演算法或代碼，語句等等
__asm
{
RDTSC
movHighEnd,edx
movLowEnd,eax
//獲取兩次計數器值得差
subeax,LowStart
cmpeax,0
jgL1
negeax
jmpL2L1:movnumlow,eax
L2:sbbedx,HighStart
movnumhigh,edx
}unsignedlongtimer=(numhigh<<32)+numlow;//得出最終結果（單位時NS）
『肆』 這個統計的演算法是怎麼算的啊 給出個公式啊
這題目你哪搞來的啊，這么難！！！怪不得到現在還沒人回答，你還是另請高明吧！！！
『伍』 設計一個演算法,統計所有三位數中能被7整除的數的個數,並給出表示這個演算法的偽
一個演算法,統計所有三位數中能被7整除的數的個數,並給出表示這個演算法的偽設計俺幫你加急完成！
『陸』 編寫演算法 統計出單鏈表HL中結點的值等於給定值X的結點數 int CountX(LNode*HL,ELemType)
假設LNode的定義為仿頌：
struct LNode{
ElementType data;
struct LNode *next;
};
這個問題直接遍歷鏈表，判斷相等就可以了。代碼如下：（可能有錯，煩請檢查）正含
int CountX(LNode *HL, ElementType X){
if(HL == NULL)
return 0;
LNode *p;
p = HL->next; //假設頭結點不含數據。如果頭結點也含有數據，那就 p=HL;
int count = 0;
while(p != NULL){
if(p->data == X)
++count;
p = p->備清鄭next;
}
return count;
}
『柒』 設計一個演算法,統計所有三位數中能被7整除的數的個數,並給出表示這個演算法的偽代碼
int i=999;
int count=0;
while(i>談哪100){
if(i%7==0) count++;
i--;
}
printf("檔侍掘行核%d",count);
『捌』 五種常用演算法
五種常用演算法主要有以下幾種：
1.回歸演算法。回歸演算法是試圖採用對誤差的衡量來探索變數之間的關系的一類演算法，是統計機器學習的利器。
2.基於實例的演算法。基於實例的演算法常常用來對決策問題建立模型，這樣的模型常常先選取一批樣本數據，然後根據某些近似性把新數據與樣本數據進行比較。用戶通過這種方式來尋找最佳的匹配，因此，基於實例的演算法常常也被稱為「贏家通吃」學習或者「基於記憶的學習」。
3.正則化方法。正則化方法是其他演算法（通常是回歸演算法）的延伸，根據演算法的復雜度對演算法進行調整，通常對簡單模型予以獎勵，而對復雜演算法予以懲罰。
演算法分類編輯演算法可大致分為：基本演算法、數據結構的演算法、數論與代數演算法、計算幾何的演算法、圖論的演算法、動態規劃以及數值分析、加密演算法、排序演算法、檢索演算法、隨機化演算法、並行演算法，厄米變形模型，隨機森林演算法。
『玖』 常見APP數據統計演算法
【基本數據】
日/月PV：豎悶當日瀏覽量；
日/月UV：當日瀏覽人數；
日/月活躍用戶（DAU/MAU）：在所選時間內，用戶主觀神租打開過至少一次app，即算活躍用戶；
【用戶黏性】
人均單日啟動次數：是指在所選時間段內，app或行業平均每天被每個用戶打開的次數。計算公式：sum{周期內第一游纖兆天 ～最後一天的（日度啟動次數/日度活躍人數）}/周期內天數（日度平均演算法）。
人均單日使用時長：是指在所選時間短內，app或行業平均每天被每個用戶使用的時長。計算公式：sum{周期內第一天～最後一天的（日度使用時長/日度活躍人數）}/周期內天數（日度平均演算法）。
單次使用時長：是指用戶在選定時間段內人均每次使用app的時間；
【潛力演算法】
活躍增幅：是指在選定時間段內啟動過的用戶數量（拍重之後即多日啟動的活躍用戶僅算1次）。
次月留存率增幅：是指統計周期內，新安裝用戶在次月依然使用app的用戶比。計算公式：上月新安裝在當月仍然活躍的人數/上月新安裝的人數。
行業滲透率增幅：是指所選時間短內，app的活躍用戶占該app所屬行業活躍用戶的比例。計算公式：app的活躍人數/app所屬行業的活躍人數；
『拾』 用戶拒絕演算法後，會對互聯網公司有何影響
我覺得這會對互聯網公司的業務發展產生深遠影響，甚至會直接動搖互聯網公司的業務模式。
隨著演算法時代的不斷革新，我們會發現演算法對用戶本身的控制變得越來越強。對於不關注互聯網行業的用戶來說，感受不到演算法對自身的生活有多麼大的影響。但實際上，用戶所能看到的信息基本上都是演算法統計後的結果，這也是演算法專門給用戶分發的信息。從某種程度上來講，用戶完全被互聯網公司的演算法圈養起來了。
一、演算法時代造成了大數據殺熟的問題和壟斷問題。
當互聯網公司發展到一定規模的時候，互聯網公司掌握了越來越多的用戶數據。結合演算法的威力，很多互聯網公司開始做出變相壟斷的行為，同時也會對用戶做出大數據殺熟的行為。這些行為並不利於整體互聯網行業的發展，甚至會惡化目前的互聯網環境。