当前位置: 首页 > news >正文

12.29 - 字符串相加 vector和map的区别

目录

1.加字符串相

a.核心思想

b.思路

c.步骤

2.vector和map的区别

a.不同点

b.相同点


1.加字符串相

415. 字符串相加 - 力扣(LeetCode)https://leetcode.cn/problems/add-strings/

class Solution { public: string addStrings(string num1, string num2) { string result = ""; int carry = 0; int i = num1.size() - 1, j = num2.size() - 1; while (i >= 0 || j >= 0 || carry > 0) { int digit1 = (i >= 0) ? num1[i--] - '0' : 0; int digit2 = (j >= 0) ? num2[j--] - '0' : 0; int sum = digit1 + digit2 + carry; carry = sum / 10; result.insert(result.begin(), sum % 10 + '0'); } return result; } };

a.核心思想

模拟手工加法的过程,从两个字符串的末尾开始逐位相加,处理进位情况,最后将结果反转得到最终的和字符串。

b.思路

① 使用两个指针分别指向两个字符串的末尾。

② 从末尾开始逐位相加,将每一位的结果模10作为当前位的值,整除10得到进位值。

③ 将每一位的结果插入到结果字符串的前面。

④ 处理完所有位后,如果还有进位,将其插入到结果字符串的最前面。

⑤ 返回结果字符串。

c.步骤

① 初始化结果字符串result,进位carry为0,以及两个指针ij分别指向num1num2的末尾。

② 循环直到两个指针都处理完且进位为0:

  • 获取当前位的数字,如果指针未越界则取对应字符转换为数字,否则取0。

  • 计算当前位的和以及进位。

  • 将当前位的值插入到结果字符串的前面。

  • 移动指针。

③ 返回结果字符串。

2.vector和map的区别

a.不同点

vector

map

数据结构与存储方式

本质是动态数组,在内存中是连续存储的。这种连续存储使得它能够高效地进行随机访问,通过下标直接定位元素,时间复杂度为 O(1)

通常基于平衡二叉树(如红黑树)实现,元素以键值对的形式存储,并且会根据键的大小自动排序。由于是树形结构,其内存不是连续的

元素特性

存储的是单一类型的元素,元素之间没有特定的关联关系,只是按照插入顺序依次排列

存储的是键值对,每个键都是唯一的,通过键可以快速找到对应的值,键和值之间存在明确的映射关系

操作效率

在尾部进行插入和删除操作效率较高,时间复杂度通常为 O(1);但在头部或中间插入和删除元素时,需要移动大量元素,时间复杂度为 O(n)。随机访问元素效率极高

插入、删除和查找操作(基于键)的时间复杂度通常为 O(log n),因为需要遍历树结构来找到对应的位置

适用场景

适用于对元素进行顺序存储,且需要频繁进行随机访问的场景,例如存储一系列的数据点,后续需要根据索引快速获取某个数据点的值

适用于需要根据键快速查找对应值的场景,例如在字典应用中,通过单词(键)快速查找其释义(值)

b.相同点

① 都是标准模板库(STL)容器:vector 和 map 都是 C++ 标准模板库中提供的容器,用于存储和管理数据,为程序员提供了方便的数据存储和操作方式。

② 都支持迭代器操作:都可以使用迭代器来遍历容器中的元素,方便对容器内的数据进行各种操作,如遍历、查找、修改等。

③ 都可以动态增长:vector 可以根据需要自动扩展其存储空间以容纳更多的元素;map 也可以动态地添加和删除键值对,适应数据的变化

希望这些内容对大家有所帮助!

感谢大家的三连支持!

http://www.gsyq.cn/news/177451.html

相关文章:

  • 网络分析模型十一
  • HuggingFace镜像网站推荐:结合PyTorch-CUDA-v2.8加速大模型推理
  • 【实战】SAAS多租户详细设计
  • GitHub星标项目:PyTorch-CUDA-v2.8自动化部署脚本开源分享
  • SSH批量管理多个PyTorch节点:运维自动化脚本
  • Java毕设项目:基于协同过滤算法的音乐推荐系统(源码+文档,讲解、调试运行,定制等)
  • Minio + CDN 架构实战:从入门到避坑
  • 【教学类-89-02】20251229新年篇11—— 马年红包(Python图片)
  • PyTorch Autograd机制详解:反向传播原理与实现
  • PyTorch与TensorFlow对比:为何更多人转向PyTorch生态
  • 萤石开放平台 Ehome协议设备接入 |海康设备Ehome协议接入指南
  • python基于Android平台的古诗词学习挑战系统 小程序_b7obw
  • 单片机基础知识---程序跑飞
  • 如何在NVIDIA显卡上运行PyTorch?使用CUDA-v2.8镜像轻松实现
  • 零基础入门深度学习:使用PyTorch-CUDA-v2.8镜像快速上手
  • 高效复现论文结果:借助PyTorch-CUDA-v2.8标准化实验环境
  • Git标签管理PyTorch项目版本:release流程规范化
  • 大模型基础模型--手搓代码(Transformer和FA)
  • PyTorch-CUDA-v2.8镜像安装全攻略:GPU加速深度学习训练一步到位
  • 使用PyTorch镜像跑通第一个神经网络:MNIST分类实战
  • YOLOv5模型蒸馏教学:小型PyTorch模型生成
  • Jupyter Notebook自动保存设置:保护PyTorch实验数据
  • Markdown公式书写:推导PyTorch损失函数数学原理
  • Java String类的常用方法
  • Java毕设项目:基于springBoot的动漫分享系统的设计与实现(源码+文档,讲解、调试运行,定制等)
  • 语义分割:Unet、Unet++、Swin UNet等变体模型网络及算法开发部署
  • 大模型Token按需购买新模式:结合PyTorch镜像灵活计费
  • PyTorch模型转换CoreML:移动端部署路径探索
  • [HNOI2016] 序列
  • 医疗领域大数据文本分析的挑战与突破