当前位置: 首页 > news >正文

「动态规划」线性DP:股票问题合集 / LeetCode 121|122|123|188 (C++)

目录

概述

Question1

思路

算法过程

Code

复杂度

Question2

思路

解题过程

Code

复杂度

Question3

思路

解题过程

Code

复杂度

Question4

思路

解题过程

Code

复杂度

总结


概述

我们已经了解过了线性DP:

「动态规划」线性DP:最长上升子序列(LIS)|编辑距离 / LeetCode 300|72(C++)

更进一步,我们来解决非常经典的线性DP问题系列:买卖股票。


Question1

LeetCode 121:

给定一个数组 prices ,它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。

你只能选择 某一天 买入这只股票,并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。

返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润,返回 0 。

示例 1:

输入:[7,1,5,3,6,4]
输出:5
解释:在第 2 天(股票价格 = 1)的时候买入,在第 5 天(股票价格 = 6)的时候卖出,最大利润 = 6-1 = 5 。注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格;同时,你不能在买入前卖出股票。

思路

我们来找到规模更小的子问题。

对于本题来说,什么是规模更小的子问题?

先来考虑有几个状态:现在第几天,手里有没有股票,是否交易过。

定义dp[i][j][k],表示:

第i天,j为0代表未交易,j为1代表完成交易过(即发生了买入与卖出),k为0代表手中无股票,k为1表示手中有股票,此时所能拥有的最大利润。

初始条件:dp[0][0][0] = 0, dp[0][0][1] = -prices[0];

算法过程

每个子问题都要被求解,前提是比它小的问题被求解了,而不论大小规模,这些问题的求解过程是一样的。

对于dp[i][0][0]与dp[i][1][1]没有意义,因为dp[i][0][0]恒为0;而题意只能进行一次交易,故dp[i][1][1]无意义。

对于已完成交易且手中无票,这个状态来自前一天的相同状态或前一天为未完成交易且手中有票。

对于未完成交易且手中有票,这个状态来自前一天的相同状态或前一天为未完成交易且手中无票。

所以应该是这样的:

dp[i][1][0] = max(dp[i - 1][1][0], dp[i - 1][0][1] + prices[i]);
dp[i][0][1] = max(dp[i - 1][0][1], dp[i - 1][0][0] - prices[i]);

Code

class Solution {
public:int maxProfit(vector<int>& prices) {const int n = prices.size();vector<array<array<int, 2>, 2>> dp(n);dp[0][0][1] = -prices[0];for (int i = 1; i < n; i++){dp[i][1][0] = max(dp[i - 1][1][0], dp[i - 1][0][1] + prices[i]);dp[i][0][1] = max(dp[i - 1][0][1], dp[i - 1][0][0] - prices[i]);}return max(0, dp[n - 1][1][0]);}
};

复杂度

时间复杂度: O(n) //需求解n个状态,每次求解通过二分进行。

空间复杂度: O(n)         //预留dp数组空间


Question2

LeetCode 122:

给你一个整数数组 prices ,其中 prices[i] 表示某支股票第 i 天的价格。

在每一天,你可以决定是否购买和/或出售股票。你在任何时候 最多 只能持有 一股 股票。你也可以先购买,然后在 同一天 出售。

返回 你能获得的 最大 利润 。

示例 1:

输入:prices = [7,1,5,3,6,4]
输出:7
解释:在第 2 天(股票价格 = 1)的时候买入,在第 3 天(股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4。
随后,在第 4 天(股票价格 = 3)的时候买入,在第 5 天(股票价格 = 6)的时候卖出, 这笔交易所能获得利润 = 6 - 3 = 3。
最大总利润为 4 + 3 = 7 。

思路

这次更简单了。

去掉第二维,只保留时间和有无票两个状态dp[i][j]。

初始条件:dp[0][0] = 0, dp[0][1] = -prices[0];

解题过程

去掉第二维后事情更简单了。

dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] + prices[i]);
dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] - prices[i]);

Code

class Solution {
public:int maxProfit(vector<int>& prices) {const int n = prices.size();vector<array<int, 2>> dp(n);dp[0][0] = 0, dp[0][1] = -prices[0];for (int i = 1; i < n; i++) {dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] + prices[i]);dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] - prices[i]);}return dp[n - 1][0];}
};

复杂度

时间复杂度: O(n) 

空间复杂度: O(n) 


Question3

LeetCode 123:

给定一个数组,它的第 i 个元素是一支给定的股票在第 i 天的价格。

设计一个算法来计算你所能获取的最大利润。你最多可以完成 两笔 交易。

注意:你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。

示例 1:

输入:prices = [3,3,5,0,0,3,1,4]
输出:6
解释:在第 4 天(股票价格 = 0)的时候买入,在第 6 天(股票价格 = 3)的时候卖出,这笔交易所能获得利润 = 3-0 = 3 。随后,在第 7 天(股票价格 = 1)的时候买入,在第 8 天 (股票价格 = 4)的时候卖出,这笔交易所能获得利润 = 4-1 = 3 。

思路

两次交易依然是一次交易的思路。

定义dp[i][j][k],表示:

第i天,j为0代表未交易,j代表已完成交易的次数,k为0代表手中无股票,k为1表示手中有股票,此时所能拥有的最大利润。

初始条件:

        dp[0][0][1] = -prices[0];

        dp[0][1] = {INT_MIN / 2, INT_MIN / 2};

        dp[0][2] = {INT_MIN / 2, INT_MIN / 2};

考虑用INT_MIN表示非法状态,INT_MIN / 2来避免后续减法越界。

解题过程

我们用循环来处理2次交易。

单独计算j = 0,然后循环计算j  = {1, 2}。 

for (int i = 1; i < n; i++) {dp[i][0][1] = max(dp[i - 1][0][1], dp[i - 1][0][0] - prices[i]);for (int j : {1, 2}) {dp[i][j][0] = max(dp[i - 1][j][0], dp[i - 1][j - 1][1] + prices[i]);dp[i][j][1] = max(dp[i - 1][j][1], dp[i - 1][j][0] - prices[i]);}
}

*注意*:这里使用了对初始化列表{1, 2}的范围for循环,语法糖,不得不品鉴。 

Code

class Solution {
public:int maxProfit(vector<int>& prices) {const int n = prices.size();vector<array<array<int, 2>, 3>> dp(n);dp[0][0][1] = -prices[0];dp[0][1] = {INT_MIN / 2, INT_MIN / 2};dp[0][2] = {INT_MIN / 2, INT_MIN / 2};for (int i = 1; i < n; i++) {dp[i][0][1] = max(dp[i - 1][0][1], dp[i - 1][0][0] - prices[i]);for (int j : {1, 2}) {dp[i][j][0] = max(dp[i - 1][j][0], dp[i - 1][j - 1][1] + prices[i]);dp[i][j][1] = max(dp[i - 1][j][1], dp[i - 1][j][0] - prices[i]);}}int ans = INT_MIN;for (int j = 0; j < 3; j++)ans = max(ans, dp[n - 1][j][0]);return ans;}
};

复杂度

时间复杂度: O(n) 

空间复杂度: O(n) 


Question4

LeetCode 188:

给你一个整数数组 prices 和一个整数 k ,其中 prices[i] 是某支给定的股票在第 i 天的价格。

设计一个算法来计算你所能获取的最大利润。你最多可以完成 k 笔交易。也就是说,你最多可以买 k 次,卖 k 次。

注意:你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。

示例 1:

输入:k = 2, prices = [2,4,1]
输出:2
解释:在第 1 天 (股票价格 = 2) 的时候买入,在第 2 天 (股票价格 = 4) 的时候卖出,这笔交易所能获得利润 = 4-2 = 2 。

思路

将之前的代码拓展到k天。

定义dp[i][j][k],表示:

第i天,j为0代表未交易,j代表已完成交易的次数,k为0代表手中无股票,k为1表示手中有股票,此时所能拥有的最大利润。

初始条件:

        dp[0][0][0] = 0;

        dp[0][0][1] = -prices[0];

        dp[0][p > 0][q] = {INT_MIN / 2, INT_MIN / 2};

解题过程

我们用循环来处理k次交易。

单独计算j = 0,然后循环计算j。 

for (int i = 1; i < n; i++) {dp[i][0][1] = max(dp[i - 1][0][1], dp[i - 1][0][0] - prices[i]);for (int j = 1; j <= k; j++) {dp[i][j][0] = max(dp[i - 1][j][0], dp[i - 1][j - 1][1] + prices[i]);dp[i][j][1] = max(dp[i - 1][j][1], dp[i - 1][j][0] - prices[i]);}
}

Code

class Solution {
public:int maxProfit(int k, vector<int>& prices) {const int n = prices.size();vector<vector<array<int, 2>>> dp(n, vector<array<int, 2>>(k + 1, {INT_MIN / 2, INT_MIN / 2}));dp[0][0][0] = 0;dp[0][0][1] = -prices[0];for (int i = 1; i < n; i++) {dp[i][0][1] = max(dp[i - 1][0][1], dp[i - 1][0][0] - prices[i]);for (int j = 1; j<= k; j++) {dp[i][j][0] = max(dp[i - 1][j][0], dp[i - 1][j - 1][1] + prices[i]);dp[i][j][1] = max(dp[i - 1][j][1], dp[i - 1][j][0] - prices[i]);}}int ans = INT_MIN;for (int j = 0; j <= k; j++)ans = max(ans, dp[n - 1][j][0]);return ans;}
};

复杂度

时间复杂度: O(n * k) 

空间复杂度: O(n * k) 


总结

线性dp的状态定义是尤为重要的,希望你有所体会。

相关文章:

「动态规划」线性DP:股票问题合集 / LeetCode 121|122|123|188 (C++)

目录 概述 Question1 思路 算法过程 Code 复杂度 Question2 思路 解题过程 Code 复杂度 Question3 思路 解题过程 Code 复杂度 Question4 思路 解题过程 Code 复杂度 总结 概述 我们已经了解过了线性DP&#xff1a; 「动态规划」线性DP&#xff1a;最长…...

【Python os模块完全指南】从基础到高效文件操作

目录 &#x1f31f; 前言&#x1f9e9; 技术背景与价值&#x1f6a7; 当前技术痛点&#x1f6e0;️ 解决方案概述&#x1f465; 目标读者说明 &#x1f4da; 一、技术原理剖析&#x1f3a8; 核心概念图解&#x1f4a1; 核心作用讲解&#x1f511; 关键技术模块说明⚖️ 技术选型…...

Ubuntu 安装 Keepalived、LVS

Keepalived Keepalived 是什么&#xff08;高可用&#xff09; Keepalived 是一个用于实现 高可用 性&#xff08;High Availability, HA&#xff09;的服务&#xff0c;是一款基于 VRRP 协议的高可用软件&#xff0c;常用于主备切换和虚拟IP漂移&#xff0c;在服务故障时自动…...

记录一个rabbitmq因为linux主机名服务无法启动的问题

https://g.co/gemini/share/fb5a55644f6f 过程因为主机名为数字导致之间无法进行网络访问&#xff0c;导致无法开启。修改主机名解决这一问题&#xff0c;debian在系统安装时会指定一个用户名&#xff0c;一般为IP地址的第一块&#xff0c;数字导致了无法访问。 #使用命令查看…...

打造个人知识库,wsl+ollama部署deepseek与vscode集成

目前大模型应用如火如荼,各大LLM如Deepseek也都提供了在线的助手服务,结合mcp-server还可以进一步拓展到本地的工具能力。 但对于一些和本地业务和数据强相关的资料,在线的大模型训练数据集一般并不能涵盖,特别还有一些敏感或对安全要求很高的数据,使用在线大模型并不现实…...

Spring 项目无法连接 MySQL:Nacos 配置误区排查与解决

在开发过程中&#xff0c;我们使用 Nacos 来管理 Spring Boot 项目的配置&#xff0c;其中包括数据库连接配置。然而&#xff0c;在实际操作中&#xff0c;由于一些概念的混淆&#xff0c;我们遇到了一些连接问题。本文将分享我的故障排查过程&#xff0c;帮助大家避免类似的错…...

P值、置信度与置信区间的关系:统计推断的三大支柱

目录 引言一、P值是什么&#xff1f;——假设检验的“证据强度”1.1 定义1.2 判断标准&#xff1a;显著性水平 α \alpha α&#xff08;阿尔法&#xff09;1.3 示例说明 二、置信区间与置信度&#xff1a;参数估计的“不确定性范围”2.1 置信区间的定义2.2 置信度的含义 三、显…...

探索智能仓颉:Cangjie Magic开发体验

探索智能仓颉:Cangjie Magic 的开发体验与技术革新 在大型语言模型(LLM)驱动的智能体开发领域,2025年3月开源的 Cangjie Magic 以其独特的原生仓颉语言基因和三大核心技术突破,为开发者提供了一种全新的开发范式。本文将从技术架构、实际应用、开发体验及未来潜力等角度,…...

$在R语言中的作用

在 R 语言中&#xff0c;$ 是一个非常重要的操作符&#xff0c;主要用于访问对象的成员或组件。它的用途非常广泛&#xff0c;不仅限于数据框&#xff08;data frame&#xff09;&#xff0c;还可以用于列表&#xff08;list&#xff09;、环境&#xff08;environment&#xf…...

【Pandas】pandas DataFrame rolling

Pandas2.2 DataFrame Function application, GroupBy & window 方法描述DataFrame.apply(func[, axis, raw, …])用于沿 DataFrame 的轴&#xff08;行或列&#xff09;应用一个函数DataFrame.map(func[, na_action])用于对 DataFrame 的每个元素应用一个函数DataFrame.a…...

新疆地区主要灾害链总结

新疆地处亚欧大陆腹地,拥有高山(如天山、昆仑山)、盆地(如塔里木盆地、准噶尔盆地)、沙漠(如塔克拉玛干沙漠)、绿洲、内陆河流和冰川等复杂多样的地貌单元。其气候极端,干旱少雨是常态,但山区夏季暴雨集中、冬季积雪深厚,地质构造活跃,地震风险高。这些特点共同决定…...

在 Vue 2 中使用 qrcode 库生成二维码

&#x1f31f; 前言 欢迎来到我的技术小宇宙&#xff01;&#x1f30c; 这里不仅是我记录技术点滴的后花园&#xff0c;也是我分享学习心得和项目经验的乐园。&#x1f4da; 无论你是技术小白还是资深大牛&#xff0c;这里总有一些内容能触动你的好奇心。&#x1f50d; &#x…...

在 Ubuntu 系统中,挂起(Suspend)和休眠(Hibernate)

在 Ubuntu 系统中&#xff0c;挂起&#xff08;Suspend&#xff09;和休眠&#xff08;Hibernate&#xff09;是两种常见的电源管理模式。以下是相关命令及说明&#xff1a; --- ### **1. 挂起&#xff08;Suspend&#xff09;** 挂起会将当前系统状态保存到内存中&#xff0…...

什么是声明式UI什么是命令式UI?鸿蒙ArkTS为什么是声明式UI-优雅草卓伊凡

什么是声明式UI什么是命令式UI&#xff1f;鸿蒙ArkTS为什么是声明式UI-优雅草卓伊凡 一、UI编程范式的根本分野 在软件开发领域&#xff0c;用户界面(UI)构建方式经历了三次重大范式转换。作为优雅草科技CTO&#xff0c;卓伊凡在多个操作系统开发实践中发现&#xff0c;UI框架…...

nRF Connect SDK system off模式介绍

目录 概述 1. 软硬件环境 1.1 软件开发环境 1.2 硬件环境 2 System Off 模式 2.1 模式介绍 2.2 注意事项 3 功能实现 3.1 框架结构介绍 3.2 代码介绍 4 功能验证 4.1 编译和下载代码 4.2 测试 4.3 使能CONFIG_APP_USE_RETAINED_MEM的测试 5 main.c的源代码文件…...

node.js 实战——餐厅静态主页编写(express+node+ejs+bootstrap)

ejs页面 <!DOCTYPE html> <html> <head><title><% title %></title><link relstylesheet href/stylesheets/style.css/><link relstylesheet href/stylesheets/font-awesome.css/><link relstylesheet href/stylesheets/f…...

晶体布局布线

1Clock时钟电路 时钟电路就是类似像时钟一样准确运动的震荡电路&#xff0c;任何工作都是依照时间顺序&#xff0c;那么产生这个时间的电路就是时钟电路&#xff0c;时钟电路一般是由晶体振荡器、晶振、控制芯片以及匹配电容组成 2.时钟电路布局 晶体电路布局需要优先考虑&…...

数据结构--树

一、树的概念 树是由n(n≥0)个节点组成的有限集合&#xff0c;它满足以下条件&#xff1a; 1. 当n0时&#xff0c;称为空树 2. 当n>0时&#xff0c;有且仅有一个特定的节点称为根节点(root) 3. 其余节点可分为m(m≥0)个互不相交的有限集合&#xff0c;每个集合本身又是一…...

5月7号.

flex布局: 表单标签: 表单标签-表单项:...

Spark 之 YarnCoarseGrainedExecutorBackend

YarnCoarseGrainedExecutorBackend executor ID , 在日志里也有体现。 25/05/06 12:41:58 INFO YarnCoarseGrainedExecutorBackend: Successfully registered with driver 25/05...

Webug4.0靶场通关笔记19- 第24关邮箱轰炸

目录 第24关 邮箱轰炸 1.配置环境 2.打开靶场 3.源码分析 4.邮箱轰炸 &#xff08;1&#xff09;注册界面bp抓包 &#xff08;2&#xff09;发送到intruder &#xff08;3&#xff09;配置position &#xff08;4&#xff09;配置payload &#xff08;5&#xff09;开…...

机器学习实战:6种数据集划分方法详解与代码实现

在机器学习项目中&#xff0c;合理划分数据集是模型开发的关键第一步。本文将全面介绍6种常见数据格式的划分方法&#xff0c;并附完整Python代码示例&#xff0c;帮助初学者掌握这一核心技能。 一、数据集划分基础函数 1. 核心函数&#xff1a;train_test_split from sklea…...

PostgreSQL 查询历史最大进程数方法

PostgreSQL 查询历史最大进程数方法 PostgreSQL 提供了多种方式来查询数据库的历史最大进程数&#xff08;连接数&#xff09;。以下是几种有效的方法&#xff1a; 一、使用统计收集器数据 1. 查看当前统计信息 SELECT max_connections, (SELECT setting FROM pg_settings …...

第十二节:图像处理基础-图像平滑处理 (均值滤波、高斯滤波、中值滤波)

在数字图像处理中&#xff0c;图像平滑&#xff08;Image Smoothing&#xff09;是去除噪声、改善图像质量的关键技术之一。通过滤波算法&#xff0c;可以有效地抑制高频噪声&#xff0c;但同时可能牺牲部分图像细节。本文将以均值滤波、高斯滤波和中值滤波为核心&#xff0c;结…...

Python中的global与nonlocal关键字详解

一、前言 在Python编程中&#xff0c;变量作用域是一个非常重要的概念。对于初学者来说&#xff0c;经常会遇到在函数内部无法修改外部变量的问题。这时候&#xff0c;global和nonlocal关键字就能派上用场了。本文将详细介绍这两个关键字的用法、区别以及适用场景&#xff0c;…...

LVGL-对象 lv_obj_t

LVGL-对象 lv_obj_t **LVGL 对象核心概念总结****1. 对象与控件的关系****2. 对象的基本属性****3. 父子对象结构****4. 屏幕与图层管理****活动屏幕&#xff08;Active Screen&#xff09;****图层&#xff08;Layers&#xff09;** **5. 关键函数与操作****6. 面向对象设计的…...

【C/C++】ARM处理器对齐_伪共享问题

文章目录 1 什么是伪共享&#xff1f;2 为什么对齐&#xff1f;3 伪共享的实际影响4 为什么必须是 64 字节&#xff1f;5 其他替代方案6 验证对齐效果总结 1 什么是伪共享&#xff1f; 伪共享是 多线程编程中的一种性能问题&#xff0c;其本质是&#xff1a; 缓存行&#xff…...

【优化策略】离散化

概念 离散化是算法设计中处理大数据范围时的关键技巧&#xff0c;它将大范围的数据映射到有较小的的离散空间中&#xff0c;同时保持数据的相对关系。 本质&#xff1a;将原始数据映射到紧凑的连续整数空间 数学表示&#xff1a;建立映射函数 f: ℝ → ℤ&#xff0c;满足 x…...

微粉助手 1.1.0 | 专为社交电商用户设计的一站式营销工具,集成了群发消息、智能加好友、清理僵尸粉等功能

微粉助手是一款专为社交电商用户设计的一站式营销工具。此会员版无需登录&#xff0c;去除了更新检测&#xff0c;并优化了启动速度。它集成了群发消息、智能添加好友、精准清理僵尸粉、自动跟圈以及短视频获客等核心功能&#xff0c;是企业实现社交媒体营销自动化的理想选择。…...

【代码优化篇】强缓存和协商缓存

强缓存和协商缓存 一、强缓存与协商缓存的区别二、Vue2 前端实现强缓存&#xff08;静态资源&#xff09;三、Spring Boot 后端实现协商缓存&#xff08;动态接口&#xff09;四、测试缓存效果五、注意事项 一、强缓存与协商缓存的区别 强缓存&#xff1a;浏览器直接读取本地缓…...

分区器(2)

2. 设置ReduceTask 在MapReduce框架中&#xff0c;Reducer的数量&#xff08;即ReduceTask的数量&#xff09;可以通过配置参数来设置。 设置方法 通过配置文件&#xff1a; 在mapred-site.xml文件中设置mapreduce.job.reduces参数&#xff1a; xml <property><nam…...

外包团队协作效率低,如何优化

外包团队协作效率低是许多公司面临的挑战&#xff0c;尤其是在跨地域、跨文化和远程工作环境下。 优化外包团队的协作效率需要从沟通方式、项目管理工具、文化差异及团队结构等多个方面入手。首先&#xff0c;明确的沟通与及时的反馈是提高团队效率的基础&#xff0c; 通过定期…...

2020年NCA CCF-C,改进灰狼算法RSMGWO+大规模函数优化,深度解析+性能实测

目录 1.摘要2.灰狼算法GWO原理3.改进策略4.结果展示5.参考文献6.代码获取7.读者交流 1.摘要 灰狼优化算法&#xff08;GWO&#xff09;是一种新型自然启发式算法&#xff0c;具备较强的局部搜索能力&#xff0c;但在处理大规模问题时全局搜索能力较弱。本文提出了改进灰狼算法…...

【EasyPan】saveShare代码分析

【EasyPan】项目常见问题解答&#xff08;自用&持续更新中…&#xff09;汇总版 保存分享文件到个人网盘代码分析 一、代码结构概览 该代码实现了一个将他人分享的文件保存到自己网盘的功能&#xff0c;主要分为三个部分&#xff1a; 控制器层&#xff08;Controller&a…...

基于Django框架开发的B2C天天生鲜电商平台

天天生鲜 介绍 天天生鲜是一个基于Django框架开发的B2C(Business-to-Customer)电商平台&#xff0c;专注于生鲜食品的在线销售。该项目采用了主流的Python Web开发框架Django&#xff0c;结合MySQL数据库、Redis缓存等技术&#xff0c;实现了一个功能完整、界面友好的电商网站…...

[数据库之九] 数据库索引之顺序索引

1、什么是索引&#xff1f; 拿到一本书&#xff0c;想直接跳到感兴趣的章节&#xff0c;而不是从头看到尾&#xff0c;这时需要看书的目录&#xff0c;上面列出章节和对应的页码&#xff0c;这里的目录可以看成是书的索引&#xff0c;如果没有索引&#xff0c;要查找书中某块内…...

使用 Celery + Redis + Eventlet 实现 Python 异步编程(Windows 环境)

一、环境搭建与依赖安装 1. 安装依赖包 pip install celery redis eventletcelery&#xff1a;异步任务队列框架。redis&#xff1a;作为消息中间件&#xff08;Broker&#xff09;和结果存储&#xff08;Backend&#xff09;。eventlet&#xff1a;用于 Windows 环境下的协程…...

Selenium Web自动化测试学习笔记(二)--八大元素定位

前置设置及代码 目录结构如下&#xff0c;将驱动器chromedriver.exe复制粘贴到此目录下&#xff0c;具体环境配置参考笔记一&#xff1a; Selenium Web自动化测试学习笔记&#xff08;一&#xff09;-CSDN博客 首先和笔记&#xff08;一&#xff09;一样导入一些包用于设置谷…...

如何设置飞书多维表格,可以在扣子平台上使用

扣子可以链接到飞书多维表格&#xff0c;但很多人不知道具体如何操作&#xff0c;今天给大家分享下操作流程。 大家好&#xff0c;我是涛涛&#xff0c;欢迎来到我的空间。因为需要管理员审核&#xff0c;所以最好有管理员的手机就在旁边方便操作。 (一) 进入应用中心 https…...

C++初阶-string类的简单应用

目录 1.仅仅反转字母 2.字符串中第一个唯一字符 3.字符串最后一个单词的长度 4.验证回文串 5.字符串相加 6.总结 1.仅仅反转字母 题目链接&#xff1a;https://leetcode.cn/problems/reverse-only-letters/description/ 在数据结构中我们学了一种方法叫做前后指针法&…...

企业数字化转型第二课:接受不完美(1/2)

一.引言 先看一组中国企业数字化转型相关的数据&#xff1a; 战略认知层面&#xff1a;92%中国企业将数字化纳入战略核心&#xff08;麦肯锡2023&#xff09;执行困境层面&#xff1a;63%企业转型首年遭遇重大挫折&#xff08;BCG 2024追踪&#xff09;价值释放周期&#xff1…...

【MCP】function call与mcp若干问题整理

前言&#xff1a;大模型里agent 的 funcation call 是什么概念 在大模型中&#xff0c;Agent是一个能够理解目标、进行自主规划&#xff0c;并利用可用工具&#xff08;包括Function Call&#xff09;来执行任务以达成目标的系统或程序。Function Call是大型语言模型提供的一项…...

QT聊天项目DAY09

1. 安装Redis 直接从老师的网盘下载 链接: https://pan.baidu.com/s/1v_foHZLvBeJQMePSGnp4Ow?pwdyid3 提取码: yid3 启动Redis服务看一下&#xff0c;启动成功了 .\redis-server.exe .\redis.windows.conf 启动客户端看一下 2. 配置redis库&#xff0c;调用API 编译一下 …...

JAVA八股文

一、JAVA基础 1.面向对象&#xff1a; 面向对象编程是一种以对象为核心的编程&#xff0c;通过封装、继承、多态和抽象管理代码。 1.封装&#xff1a;将数据&#xff08;属性&#xff09;和行为&#xff08;方法&#xff09;绑定在一个对象中&#xff0c;隐藏内部细节&#…...

『深夜_MySQL』数据库操作 字符集与检验规则

2.库的操作 2.1 创建数据库 语法&#xff1a; CREATE DATABASE [IF NOT EXISTS] db_name [create_specification [,create_specification]….]create_spcification:[DEFAULT] CHARACTER SET charset_nam[DEFAULT] COLLATE collation_name说明&#xff1a; 大写的表示关键字 …...

1688拍立淘搜索相似商品API接口概述,json数据示例参考

1688拍立淘搜索相似商品API接口概述 1688拍立淘是阿里巴巴1688平台提供的以图搜图功能&#xff0c;允许开发者通过上传商品图片或图片URL&#xff0c;快速检索1688平台上的相似商品。该接口基于图像识别技术&#xff0c;结合1688的海量商品库&#xff0c;为商家、采购商或开发…...

使用 Java 11 的 HttpClient 处理 RESTful Web 服务

在现代 Web 开发中,与 RESTful Web 服务交互是一项核心任务。Java 作为一种广泛使用的编程语言,提供了多种处理 HTTP 请求的方法。在 Java 11 之前,开发者通常使用 HttpURLConnection 或第三方库(如 Apache HttpClient)。然而,这些方法要么过于底层,要么需要额外依赖。J…...

学习笔记:黑马程序员JavaWeb开发教程(2025.3.30)

11.6 案例-文件上传-阿里云OSS-集成 从程序中获取URL给前端&#xff0c;前端显示图片 拿到URL&#xff0c;但是在浏览器里面是直接下载&#xff0c;展示可以使用html中的<image>标签 Spring环境下&#xff0c;不建议再去new对象&#xff0c;将其交给IOC容器管理&#xff…...

【MySQL】-- 联合查询

文章目录 1. 简介1.1 为什么要使用联合查询1.2 多表联合查询时MySQL内部是如何进行计算的 2. 内连接2.1 语法2.2 示例 3. 外连接3.1 语法3.2 示例 4. 自连接4.1 应用场景4.2 示例4.3 表连接练习 5. 子查询5.1 语法5.2 单行子查询5.3 多行子查询5.4 多列子查询5.5 在from 子句中…...

《C++ Templates》:有关const、引用、指针的一些函数模板实参推导的例子

1.T按值传递 最简单的模板例子&#xff1a; template<typename T> void func(T x) {std::cout << typeid(T).name() << std::endl;x 20;cout << x; } 这种情况下&#xff0c;T永远不会被推导成带顶层const或引用的类型 【顶层const即变量本身不能…...