PAT-GPLT训练集 L1-039 古风排版

PAT-GPLT训练集 L1-039 古风排版

注意:在输入字符串时,最后一个字符为‘\0‘, 虽然输出时显示为空格,但是系统检查为‘\0’!!!

代码:

#include<stdio.h>
#include<string.h>
char a[1005];
int str[1005][1005];
int n;
int main() {
    for(int i = 0; i < 1005; i++) a[i] = ‘ ‘;
    for(int i = 0; i < 1005; i++) {
        for(int j = 0; j < 1005; j++) str[i][j] = ‘ ‘;
    }
    scanf("%d", &n);
    getchar();
    gets(a);
    int len = strlen(a);
    int m = (len+n-1)/n;
    int k = 0;
    for(int i = 0; i < m; i++) {
        for(int j = 0; j < n; j++) {
            if(k < len) str[j][i] = a[k++];
            else str[j][i] = ‘ ‘;
        }
    }
    for(int i = 0; i < n; i++) {
        for(int j = m-1; j >= 0; j--) {
            printf("%c", str[i][j]);
        }
        printf("\n");
    }
    return 0;
}

原文地址:https://www.cnblogs.com/kindleheart/p/8669099.html

时间: 2024-07-30 21:37:29

PAT-GPLT训练集 L1-039 古风排版的相关文章

PAT L1-039 古风排版

https://pintia.cn/problem-sets/994805046380707840/problems/994805091888906240 中国的古人写文字,是从右向左竖向排版的.本题就请你编写程序,把一段文字按古风排版. 输入格式: 输入在第一行给出一个正整数N(<100),是每一列的字符数.第二行给出一个长度不超过1000的非空字符串,以回车结束. 输出格式: 按古风格式排版给定的字符串,每列N个字符(除了最后一列可能不足N个) 输入样例: 4 This is a test

L1-039. 古风排版

L1-039. 古风排版 中国的古人写文字,是从右向左竖向排版的.本题就请你编写程序,把一段文字按古风排版. 输入格式: 输入在第一行给出一个正整数N(<100),是每一列的字符数.第二行给出一个长度不超过1000的非空字符串,以回车结束. 输出格式: 按古风格式排版给定的字符串,每列N个字符(除了最后一列可能不足N个) 输入样例: 4 This is a test case 输出样例: asa T st ih e tsi ce s #include<iostream> #include

中文文本分类器训练集

sougou还真地道.中文文本分类器训练集下载 http://www.sogou.com/labs/dl/c.html mini版(tar.gz格式) 136Kmini版(zip格式) 167K精简版(tar.gz格式) 24M精简版(zip格式) 30M完整版 107M(由于文件较大,需要注册后获取ftp地址下载)分类编码对照表(txt格式) 138字节

CCCC L1-039. 古风排版【图形输出/循环控制行列/模拟/细节】

L1-039. 古风排版 时间限制 400 ms 内存限制 65536 kB 代码长度限制 8000 B 判题程序 Standard 作者 陈越 中国的古人写文字,是从右向左竖向排版的.本题就请你编写程序,把一段文字按古风排版. 输入格式: 输入在第一行给出一个正整数N(<100),是每一列的字符数.第二行给出一个长度不超过1000的非空字符串,以回车结束. 输出格式: 按古风格式排版给定的字符串,每列N个字符(除了最后一列可能不足N个) 输入样例: 4 This is a test case

【推荐系统篇】--推荐系统之之特征工程部分---构建训练集流程

一.前述 根据前文中架构,本文我们讨论线下部分构建训练集部分.因为我们离线部分模型的选择是逻辑回归,所以我们数据必须有x和y. 二.具体流程 1.从数据库中分离出我们需要的数据. 用户行为表(日志) 用户历史下载表 商品词表(商品的基本特征) 2.构建训练集中的关联特征 流程: 2.构建训练集中的基本特征 总结:注意特征名离散化因为如果特征不离散化会造成数据之间有关系. 三.具体构建过程 1.hive建表 真实的生产场景涉及到大概五十张表的字段,这里全部简化流程,直接给出最终的三张表: 应用词表

PAT-GPLT训练集 L1-043 阅览室

PAT-GPLT训练集 L1-043 阅览室 注意:连续的S和E才算一次借还 代码: #include<iostream> #include<cstdio> using namespace std; typedef struct { int id; char record; int m; } P; int main() { int n; scanf("%d", &n); while(n--) { P c[10000]; int id, a, b; cha

自助采样包含训练集里63.2%的样本?

自助采样包含训练集里63.2%的样本? 在学习随机森林的时候,经常会看到这么一句话" 自助采样法给bagging带来的好处就是:由于每个学习器只是使用了%63.2的数据,剩下的约%36.8的样本可以用作验证集来对泛化性能进行"包外估计"." 那么这个63.2%是怎么来的呢?假设我们有n个样本,有放回的进行抽取,那么每个样本不被抽取的概率为\(1 - \dfrac{1}{n}\).我们需要抽取n轮,那么某个样本一直不被抽到的概率为 \[ p=(1 - \dfrac{1

机器学习基础:(Python)训练集测试集分割与交叉验证

在上一篇关于Python中的线性回归的文章之后,我想再写一篇关于训练测试分割和交叉验证的文章.在数据科学和数据分析领域中,这两个概念经常被用作防止或最小化过度拟合的工具.我会解释当使用统计模型时,通常将模型拟合在训练集上,以便对未被训练的数据进行预测. 在统计学和机器学习领域中,我们通常把数据分成两个子集:训练数据和测试数据,并且把模型拟合到训练数据上,以便对测试数据进行预测.当做到这一点时,可能会发生两种情况:模型的过度拟合或欠拟合.我们不希望出现这两种情况,因为这会影响模型的可预测性.我们有

模型训练过程中的训练集、训练开发集、开发集和测试集总结

36.什么时候你应该在不同分布上做训练和测试 当你的猫app已经上传10000张图,你已经人工标记它们有没有猫,同时你有200000张互联网上下载的图,这时你要怎么划分训练开发测试集呢? 当你训练深度学习模型时,可能必须用到那200000张图,那么训练和测试集的分布就不同,这会怎样影响你的工作呢? 当然将210000张图片随机分裂到训练开发测试集是一种方法,但我(吴恩达)不推荐这种方法,记住选择开发测试集的推荐方法是:选择你未来预期会得到的数据来作为开发测试集. 大多数学术文章假设训练开发测试集