Map-produce算法两个开源实现

两个链表的第一个公共结点 代码(C) 本文地址: http://blog.csdn.net/caroline_wendy 题目: 输入两个链表, 找出它们的第一个公共结点. 计算链表的长度, 然后移动较长链表的指针, 使其到相同结点的距离的相同, 再同时移动两个链表的指针, 找到相同元素. 时间复杂度: O(n) 代码: /* * main.cpp * * Created on: 2014.6.12 * Author: Spike */ /*eclipse cdt, gcc 4.8.1*/ #i

Map集合:即 接口Map<K,V> map集合的两种取出方式:    1.Set<k> keyset: 将map中所有的键存入到set集合(即将所有的key值存入到set中), 因为Set具备迭代器,可以进行迭代遍历. 所有可以迭代方式取出所有的链,再根据get方法.获取每一个键对应的值. Map 集合的取出原理: 将map集合转成set集合. 再通过迭代器取出    2. set<Map.Entry<k,v>>  entrySet: 将map集合中的映射

# -*- coding: utf-8 -*- """ Created on Fri May 16 17:24:05 2014 @author: lifeix """ #快速排序 import sys import random length = 30 def qsort(arr,left,right): lp = left rp = right if lp == rp:return while True: while arr[lp] >=

/* * Map集合的两种存取方式: * 1.keySet:将map中所有的键存入到Set集合,因为set具备迭代器. * 所有可以迭代方式取出所有的键,再根据get方法,获取每一个键对应的值. * 原理:Map集合的取出原理,将map集合转化成set集合,通过迭代器取出. */ import java.util.HashMap; import java.util.Map; import java.util.*; public class MapDemo2 { public static voi

/* * map集合的两种 取出方式:(map没有迭代器方法) *     1.Set<k> keySet:将map中的所有的键存入到Set集合,因为Set具备 迭代器. *         所以可以迭代方式取出所有的键,再根据get方法,获取每一个键对应的值. *         Map集合的取出原理:将map集合转成set集合,再通过迭代器取出 *     2.Set<Map.Entry<k,v>> entrySet:将map集合中的映射关系存入到set集合中, *

算法--两道百度笔试题 今天看到一位园友写了一篇关于百度的面试题的博客,成了评论头条,再下看了一下,非常感兴趣,那位博主的算法能力跟我一样需要提高,估计他的功力还在我之下,所以再下不才,在这里把自己的源码贴出来. 百度面试题(一):假设一整型数组存在若干正数和负数,现在通过某种算法使得该数组的所有负数在正数的左边,且保证负数和正数间元素相对位置不变.时空复杂度要求分别为:o(n)和o(1).          其实开始的时候我也是一头雾水,在纸上画画之后发现,其实就是一道变形的插入排序.幸运的是

Map集合有两种取出方式, 1.keySet:将Map中的键存入Set集合,利用set的迭代器来处理所有的键 举例代码如下: import java.util.*; class Test { public static void main(String[] args) { Map<String, Integer> map = new HashMap<String, Integer>(); map.put("fan", 23); map.put("pen

abractyeyt,dgdsaeactyey的最长子串为actyey const int maxSize = 100; char suffix[2][maxSize][maxSize]; int max_sub(char* s1, int len1, char* s2, int len2){ for(int r = 0; r < 2; ++r){ char* s; int len; if(0 == r){ s = s1; len = len1; } else{ s = s2; len = le

本文介绍一种用于高维空间中的快速最近邻和近似最近邻查找技术——Kd-Tree(Kd树).Kd-Tree,即K-dimensional tree,是一种高维索引树形数据结构,常用于在大规模的高维数据空间进行最近邻查找(Nearest Neighbor)和近似最近邻查找(Approximate Nearest Neighbor),例如图像检索和识别中的高维图像特征向量的K近邻查找与匹配.本文首先介绍Kd-Tree的基本原理,然后对基于BBF的近似查找方法进行介绍,最后给出一些参考文献和开源实现代码.