当前位置：首页 > news >正文

如何使用MATLAB NLP工具箱进行文本聚类

news 来源：原创 2025/7/14 2:14:13

文章目录

前言
一、核心流程与代码实现
二、高级聚类技术
三、评估聚类质量
四、实战案例：新闻聚类
五、优化技巧与注意事项

前言

在 MATLAB 中使用 NLP 工具箱进行文本聚类主要分为数据预处理、特征提取、相似度计算、聚类算法应用和结果分析五个核心步骤。以下是详细教程：

一、核心流程与代码实现

数据预处理与特征提取

% 加载文本数据
tbl = readtable('documents.csv');% 文本预处理
documents = tokenizedDocument(tbl.Text);
documents = removeStopWords(documents, 'english');  % 移除停用词
documents = stemWords(documents);  % 词干提取% 特征提取（TF-IDF）
bag = bagOfWords(documents);
tfidf = tfidf(bag);  % 计算TF-IDF矩阵

确定最佳聚类数

% 轮廓系数法确定最佳K值
silhouetteScores = zeros(10, 1);
for k = 2:10idx = kmeans(tfidf, k);silhouetteScores(k) = mean(silhouette(tfidf, idx));
endbestK = find(silhouetteScores == max(silhouetteScores));
fprintf('最佳聚类数: %d\n', bestK);% 可视化轮廓系数
figure
plot(2:10, silhouetteScores(2:10), 'o-', 'LineWidth', 2)
xlabel('聚类数 K')
ylabel('平均轮廓系数')
title('最佳聚类数选择')
grid on

执行 K-means 聚类

% 使用最佳K值执行聚类
clusterIdx = kmeans(tfidf, bestK);
tbl.Cluster = categorical(clusterIdx);  % 添加聚类标签到表格% 计算每个聚类的中心点
centroids = zeros(bestK, size(tfidf, 2));
for i = 1:bestKcentroids(i,:) = mean(tfidf(clusterIdx==i,:));
end

分析聚类结果

% 显示每个聚类的代表性关键词
for i = 1:bestK[~, idx] = sort(centroids(i,:), 'descend');topWords = vocabulary(bag)(idx(1:10));  % 每个聚类的前10个关键词fprintf('聚类 %d 关键词: %s\n', i, join(topWords, ', '));
end% 可视化聚类分布
figure
gscatter(tfidf(:,1), tfidf(:,2), clusterIdx, 'rgbcmyk', 'osd^v><')
title('文本聚类结果可视化')
xlabel('特征维度1')
ylabel('特征维度2')
legend('Location', 'best')

二、高级聚类技术

层次聚类

% 计算余弦相似度矩阵
similarity = cosineSimilarity(tfidf);
distance = 1 - similarity;  % 转换为距离矩阵% 执行层次聚类
linkageMatrix = linkage(distance, 'ward');% 绘制树状图
figure
dendrogram(linkageMatrix, 'Orientation', 'left', 'Labels', tbl.DocumentID)
title('文本层次聚类树状图')
xlabel('距离')% 切割树状图获取聚类
clusterIdx = cluster(linkageMatrix, 'Cutoff', 0.7*max(linkageMatrix(:,3)));

基于词嵌入的聚类

% 使用预训练词向量
embedding = wordEmbedding(documents, 'NumDimensions', 100);
docVectors = transform(embedding, documents);  % 文档向量化% 聚类词嵌入表示
clusterIdx = kmeans(docVectors, bestK);% t-SNE降维可视化
figure
tsneEmbedding = tsne(docVectors, 'NumDimensions', 2);
gscatter(tsneEmbedding(:,1), tsneEmbedding(:,2), clusterIdx, 'rgbcmyk', 'osd^v><')
title('基于词嵌入的文本聚类可视化')
xlabel('t-SNE维度1')
ylabel('t-SNE维度2')

三、评估聚类质量

内部评估指标

% 计算轮廓系数
silhouetteVals = silhouette(tfidf, clusterIdx);
avgSilhouette = mean(silhouetteVals);
fprintf('平均轮廓系数: %.4f\n', avgSilhouette);% 计算Calinski-Harabasz指数
chIndex = calinhara(tfidf, clusterIdx);
fprintf('Calinski-Harabasz指数: %.4f\n', chIndex);

外部评估指标（已知真实标签时）

% 计算纯度
purity = 0;
for i = 1:bestKclusterLabels = tbl.TrueLabel(clusterIdx==i);[~, counts] = histcounts(categorical(clusterLabels));purity = purity + max(counts);
end
purity = purity / height(tbl);
fprintf('聚类纯度: %.4f\n', purity);

四、实战案例：新闻聚类

% 加载新闻数据集
tbl = readtable('news_articles.csv');% 预处理
documents = tokenizedDocument(tbl.Content);
documents = removeStopWords(documents);
documents = stemWords(documents);% 特征提取
bag = bagOfWords(documents);
tfidf = tfidf(bag);% 聚类（假设已知有5类新闻）
numClusters = 5;
clusterIdx = kmeans(tfidf, numClusters);
tbl.Cluster = categorical(clusterIdx);% 分析每个聚类的主题
for i = 1:numClustersclusterDocs = documents(clusterIdx==i);clusterBag = bagOfWords(clusterDocs);[~, idx] = sort(counts(clusterBag), 'descend');topWords = vocabulary(clusterBag)(idx(1:10));fprintf('聚类 %d (主题: %s): %d篇文档\n', ...i, join(topWords(1:3), ', '), sum(clusterIdx==i));
end% 可视化聚类结果
figure
wordcloud(categorical(tbl.Cluster), tbl.Content)
title('新闻聚类词云')

五、优化技巧与注意事项

特征选择：

% 使用信息增益进行特征选择
[~, idx] = informationGain(bag(idxTrain), tbl.Label(idxTrain), 'NumFeatures', 500);
selectedBag = selectFeatures(bag, idx);处理大型数据集：
matlab
% 使用批处理K-means
opts = statset('UseParallel', true);
clusterIdx = kmeans(tfidf, bestK, 'Options', opts, 'Distance', 'cosine');文本相似度度量：
matlab
% 使用余弦相似度代替欧氏距离
clusterIdx = kmeans(tfidf, bestK, 'Distance', 'cosine');

如何使用MATLAB NLP工具箱进行文本聚类

文章目录前言一、核心流程与代码实现二、高级聚类技术三、评估聚类质量四、实战案例：新闻聚类五、优化技巧与注意事项前言在 MATLAB 中使用 NLP 工具箱进行文本聚类主要分为数据预处理、特征提取、相似度计算、聚类算法应用和结果分析五个核心步骤。以下是详细教…...

编程日记 2025/7/14 2:14:13

deepseek梳理java高级开发工程师es面试题

Elasticsearch 面试题及答案（高级 Java 开发工程师版） 基础概念 1. 解释 Elasticsearch 中的倒排索引是什么？为什么它比传统数据库更适合全文搜索？ 答案： 倒排索引是一种将文档中的词项(token)映射到包含该词项的文…...

编程日记 2025/7/14 19:55:09

查看mysql配置文件my.cnf的位置

3.删除mysql相关文件想要完全卸载mysql，不仅要卸载应用，配置文件及相关文件也需要一一清除，还原环境配置，减少一些麻烦。 sudo rm -rf /usr/local/mysql sudo rm -rf /etc/my.cnf sudo rm -rf /var/db/mysql sudo rm -rf /var/…...

编程日记 2025/7/6 21:05:14

PyTorch进阶实战指南：01自定义神经网络组件开发

PyTorch进阶实战指南：01自定义神经网络组件开发前言在深度学习领域，PyTorch凭借其动态计算图和灵活的模块化设计，已成为学术研究和技术落地的首选框架之一。本文聚焦于神经网络组件的自定义开发，旨在帮助开发者突破现成模型的限…...

编程日记 2025/7/9 15:23:16

【MySQL】04.数据类型

首先我们来看一下数据类型分类： 我们接下来对红色标识的进行介绍，其他的自行了解即可。 1. 数值类型 1.1 bit 我们以bit为例来介绍整型。 mysql> create table test_bit(-> sex bit(1)-> ); mysql> desc test_bit; -----------------…...

编程日记 2025/7/10 22:09:15

MCP专题 | 探索MCP服务器世界：增强AI能力的精选推荐

在人工智能快速发展的今天，模型上下文协议（MCP，Model Context Protocol）已成为一项重要的技术标准，它使AI模型能够安全地与外部资源交互。MCP服务器作为AI与工具、数据库和API之间的桥梁，极大地扩展了AI的功…...

编程日记 2025/7/14 19:23:50

深入解析OrientDB：多模型数据库的技术优势与实际应用

OrientDB 是一款开源的多模型 NoSQL 数据库，融合了文档数据库、图数据库和对象数据库的特性。它不仅支持灵活的数据建模，还提供了高性能的查询能力，适用于社交网络、物联网、内容管理等场景。本文详细探讨 OrientDB 的核心特性、应用场景&…...

编程日记 2025/7/14 19:34:25

芯片分享之AD976性能介绍

产品特征： D976和AD976A均为高速、低功耗、16位模数转换器(ADC)，采用5 V单电源供电。AD976A的吞吐速率为200 ksps，而AD976的吞吐速率为100 ksps。各器件均内置一个逐次逼近型开关电容ADC、一个2.5 V内部基准电压源和一个高速并行接口。最大功…...

编程日记 2025/7/14 19:58:09

数据库 $ flutter pub add sqlite $ flutter pub get$ flutter run运行失败，看是编译报错,打开Xcode工程 ⌘ B 编译对比 GSYGithubAppFlutter 的Xcode工程Build Phases > [CP] Embed Pods Frameworks 有sqfite.framework。本地默认的Flutter工程默认未生成Pod…...

编程日记 2025/7/14 1:18:59

野火鲁班猫(arrch64架构debian)从零实现用MobileFaceNet算法进行实时人脸识别（三）用yolov5-face算法实现人脸检测

环境直接使用第一篇中安装好的环境即可先clone yolov5-face项目 git clone https://github.com/deepcam-cn/yolov5-face.git 并下载预训练权重文件yolov5n-face.pt 网盘链接: https://pan.baidu.com/s/1xsYns6cyB84aPDgXB7sNDQ 提取码: lw9j （野火官方提供&am…...

编程日记 2025/7/10 11:36:42

基于matlabcd7.x的无网格近似方法

无网格近似方法（Meshless Methods）是一类数值计算方法，用于解决偏微分方程（PDEs）问题，特别是在几何形状复杂或需要动态网格更新的场景中。与传统的有限元方法（FEM）相比，无…...

编程日记 2025/7/14 19:03:42

塔式服务器都有哪些重要功能？

塔式服务器作为一种拥有着独特立式设计的服务器，能够帮助企业节省一定的放置空间，提供一系列的功能和优势，可以运用在多种应用场景当中，下面将探讨一下塔式服务器的主要功能都有哪些？ 塔式服务器可以支持基本的应用程序…...

编程日记 2025/7/11 17:56:50

【基于SpringBoot的图书购买系统】深度讲解分页查询用户信息，分析前后端交互的原理

引言📚 在企业级应用开发中，用户管理系统是几乎所有后台管理系统的核心模块之一。它不仅需要实现用户数据的增删改查，还需要考虑数据分页展示、状态管理、前后端交互效率等问题。本文将以一个实际的用户管理系统为例，详细讲解基于…...

编程日记 2025/7/14 18:37:07

机器学习算法-聚类K-Means

先来看看K-Means算法的核心流程吧下面我们通过一个简单聚类来介绍K-Means算法迭代过程如图(a)所示：表示初始化数据集。如图(b)所示：假设K2，随机选择两个点作为类别质心，分别为图中的红色和蓝色质心。如图©所示&#xff…...

编程日记 2025/7/14 19:30:30

初识Linux 进程：进程创建、终止与进程地址空间

目录 0.写在前面 1.进程创建 fork()： exec()： 2.进程地址空间 3.进程终止正常终止（主动退出） 异常终止（被动终止） 0.写在前面本文将对Linux环境下的进程：包括进程创建、终止与进程等待…...

编程日记 2025/7/14 19:31:12

2025年PMP 学习二十二 15章项目绩效域

2025年PMP 学习二十二 15章项目绩效域文章目录 2025年PMP 学习二十二 15章项目绩效域项目绩效域1.项目绩效域2.项目持续效域3.项目管理中的干系人管理 1.干系人持续效域促进干系人参与的步骤： 2 团队持续效域1 团队持续效域及项目团队人员有关系的活动和职能&…...

编程日记 2025/7/14 18:33:29

顶级流媒体服务商 Spotify 2025.04 故障复盘报告，吃他人的堑长自己的智

2025 年 4 月 16 日，Spotify 经历了一次影响全球用户的中断。以下就是发生了什么以及我们将如何解决它。背景我们使用 Envoy Proxy 作为我们的网络外围系统。外围是我们的软件接收用户（您！）网络流量的第一部分。然后&#xff…...

编程日记 2025/7/14 19:31:55

服装收银系统哪个好？服装店进销存管理软件全面评测

在服装批发零售行业，选择一款合适的收银系统和进销存管理软件至关重要。好的系统不仅能提高工作效率，还能帮助商家精准掌握库存、优化销售策略。本文将全面分析服装收银系统的选择标准，并重点介绍秦丝进销存这一专业解决方案。一、服装收…...

编程日记 2025/7/6 14:21:07

Java程序员从0学AI（二）

一、前言在上一篇文章中，我们初步认识了 AI 领域的核心基础概念，如大语言模型（LLM）的参数量特征、提示词（Prompt）对交互效果的关键作用、文本处理单元 Token 的独特定义，以及通过向量转换实现…...

编程日记 2025/7/14 19:48:59

进阶知识：无参的函数装饰器之深入理解@wraps()

进阶知识：无参的函数装饰器之深入理解wraps(func) 一、wraps(func)的本质解析 1.1 核心作用 wraps(func)是functools模块提供的装饰器工具，用于保留被装饰函数的元信息。它通过将被装饰函数的名称（__name__）、文档字符串&#…...

编程日记 2025/7/14 19:22:33

《C 语言 sizeof 与 strlen 深度对比：原理、差异与实战陷阱》

目录一. sizeof 和 strlen 的对比 1.1 sizeof 1.2 strlen 1.3 对比表格二. 数组和指针笔试题解析 2.1 一维数组 2.2 字符数组 2.2.1 代码练习一 2.2.2 代码练习二 2.2.3 代码练习三 2.2.4 代码练习四 2.2.5 代码练习五 2.2.6 代码练习六 2.3 二维数组 …...

编程日记 2025/7/14 19:33:42

C++ 初阶 | 类和对象易错知识点（上）

目录 0.引言 1.访问限定符 2.域 3.类的实例化和声明 4.this指针 5.构造函数（自动执行） 6.拷贝构造 7.运算符重载 8.日期类的实现 9.总结 0.引言今天，小邓儿和大家分享一下，C在类和对象中的易错知识点🤭&am…...

编程日记 2025/7/14 19:46:52

USB转TTL

USB转TTL模块是实现计算机USB接口与TTL电平串口设备（如单片机、嵌入式系统）通信的核心组件，其原理涉及协议转换和电平适配两大关键技术一、核心功能与应用场景功能：将计算机的USB信号（高速差分信号、USB协议&#…...

编程日记 2025/7/14 19:55:53

汽车生产中的测试台连接 – EtherCAT 转CANopen高效的网关通信

使用 EtherCAT 和 CANopen协议，实现对汽车零部件的高效生产线末端测试某电动机、电桥和变速箱制造商之一，正在其生产线上使用ETHERCAT转canopen网关WL-ECAT-COP的解决方案。集成到测试线中的下线测试必须映射众多待测设备的测试应用。该制造商已指定 Et…...

编程日记 2025/7/9 1:21:38

汽车充电过程中--各个电压的关系（DeepSeek）

在电动汽车的充电过程中，电池的充电机制涉及多个电压参数的协调控制，以下从原理到实际应用逐步分析： 1. 充电基础原理电动汽车电池（通常为锂离子电池组）的充电本质是通过外部电源向电池注入电能，使锂离子…...

编程日记 2025/7/14 19:04:15

基于HTML的Word风格编辑器实现：从零打造功能完备的富文本编辑器

引言在Web开发中，实现一个功能完备的富文本编辑器是一个常见需求。本文将基于HTML5和JavaScript，结合第三方库，打造一个具有Word风格界面的富文本编辑器，支持格式设置、图片插入、表格创建、文件导入导出等核心功能。完整代码…...

编程日记 2025/7/14 19:46:52

亚远景-汽车软件开发的“升级之路”：ASPICE各等级说明

ASPICE（Automotive SPICE）将汽车软件开发过程的成熟度划分为六个等级，从0级到5级，每个等级代表了组织在软件开发过程中的不同能力水平。以下是各等级的详细说明： 等级0：不完整（Incomplete&#…...

编程日记 2025/7/14 20:04:27

Unity Display 1 No cameras rendering

一个相机不能同时输出到屏幕和RenderTexture。 Output Texture，要么是 None （屏幕），要么是RenderTexture。如果此时相机已经输出到RenderTexture，场景中又没有别的相机在渲染，屏幕将变黑并显示No cam…...

编程日记 2025/7/14 1:35:51

Python Selenium 使用指南

Selenium 是一个用于自动化 Web 浏览器交互的强大工具，常用于网页测试、数据抓取和自动化任务。以下是 Python 中 Selenium 的详细使用说明。安装 Selenium 首先需要安装 Selenium 库和浏览器驱动： pip install selenium 然后下载对应浏览器的驱动&…...

编程日记 2025/7/14 18:33:30

Cribl 对数据源进行过滤-01

先说一个项目中实际的例子: Cribl 利用filter expression 来过滤 data, 举个例子： source1: sourcerouter=A, source 2: sourcerouter=B, 这个时候，可以要把他们合并起来: sourcerouter=A || sourcerouter=B 来进行过滤想要的数据。最后可以使用一个pipeline 来对数据进行…...

编程日记 2025/7/14 19:58:10

python 通过 pymysql 获取 select count(*) xxx 的数量

在使用 pymysql 库来获取 SELECT COUNT(*) 语句的结果时，你可以通过以下步骤实现： 安装 pymysql：如果你还没有安装 pymysql，可以通过 pip 安装它。 pip install pymysql连接到数据库：使用 pymysql.connect() 方法连接…...

编程日记 2025/7/14 19:17:14

定时任务延迟任务

二者的区别： 定时任务：有固定周期的，有明确的触发时间。延迟任务：没有固定的开始时间，它常常是由一个事件触发的，而在这个事件触发之后的一段时间内触发另一个事件，任务可以立即执行&#xff0…...

编程日记 2025/7/14 1:19:06

【动手学深度学习】1.1~1.2 机器学习及其关键组件

目录一、引言1.1. 日常生活中的机器学习1.2. 机器学习中的关键组件1）数据2）模型3）目标函数4）优化算法一、引言 1.1. 日常生活中的机器学习应用场景： 以智能语音助手（如Siri、Alexa）的唤醒…...

编程日记 2025/7/14 19:21:23

LLaVA-MoD：基于MoE结构和蒸馏训练方法，训练轻量化多模态大模型！！

摘要：我们介绍了LLaVA-MoD，这是一个旨在高效训练小型多模态语言模型（s-MLLM）的创新框架，通过从大规模多模态语言模型（l-MLLM）中提取知识来实现。我们的方法解决了多模态语言模型（MLL…...

编程日记 2025/7/14 18:46:32

YOLOv8 的双 Backbone 架构：解锁目标检测新性能

一、开篇：为何踏上双 Backbone 探索之路在目标检测的领域中，YOLOv8 凭借其高效与精准脱颖而出，成为众多开发者和研究者的得力工具。然而，传统的单 Backbone 架构，尽管已经在诸多场景中表现出色，但仍存在一…...

编程日记 2025/7/10 19:53:31

SSRF（服务器端请求伪造）基本原理靶场实现

1、漏洞原理攻击者通过构造恶意请求，诱使服务器向内部系统或第三方服务发起非预期的网络请求。其核心在于服务器信任了不可信的用户输入，并基于该输入发起网络操作。 2、攻击场景与利用方式 1. 基础利用攻击类型示例Payload目标读取本地文件file://…...

编程日记 2025/7/9 10:40:16

自动化测试脚本点击运行后，打开Chrome很久？？

亲爱的小伙伴们大家好。小编最近刚换了电脑，这几天做自动化测试发现打开Chrome浏览器需要等待好长时间，起初还以为代码有问题，或者Chromedriver与Chrome不匹配造成的，但排查后发现并不是！！ 在driver.py中…...

编程日记 2025/7/12 18:36:24

Oracle中如何解决FREE BUFFER WAITS

基于性能上的考虑，服务器进程在扫描LRU主列的同时，会将脏块移至LRU-W列，如果发现没有足够可用（可替换）的BUFFER CACHE，进程并不会无止尽地扫描整条LRU主列，而是在扫描到某个阀值（该阀…...

编程日记 2025/7/8 4:09:01

OpenHarmony开源鸿蒙兼容性测试常见问题解答分享

OpenHarmony 兼容性测评主要是验证合作伙伴的设备和业务应用满足 OpenHarmony 开源兼容性定义的技术要求，确保运行在 OpenHarmony 上的设备和业务应用能稳定、正常运行，同时使用 OpenHarmony 的设备和业务应用有一致性的接口和业务体验。一、兼容性测评…...

编程日记 2025/7/9 5:04:24

Android trace presentFence屏幕显示的帧

Android trace presentFence屏幕显示的帧 presentFence ：当帧成功显示到屏幕时，present fence就会signal。 FrameMissed/GpuFrameMissed/HwcFrameMissed表示上一次合成的结果，当SurfaceFlinger合成后显示到屏幕上，present fence就…...

编程日记 2025/7/10 13:28:15

【520特辑】情人节脑影像绘图

祝大家520快乐！ 永远爱自己！ 1.Brain Net基于节点画爱心 clear all; clc;t linspace(0, 2*pi, 30); x 16*sin(t).^3; y 13*cos(t)-5*cos(2*t)-2*cos(3*t)-cos(4*t); z zeros(size(t));[X,Y] meshgrid(linspace(-10,10,5), linspace(-10,10,5)); X …...

编程日记 2025/7/7 23:20:38

Linux服务器配置深度学习环境（Pytorch+Anaconda极简版）

前言： 最近做横向需要使用实验室服务器跑模型，之前用师兄的账号登录服务器跑yolo，3张3090一轮14秒，我本地一张4080laptop要40秒，效率还是快很多，（这么算一张4080桌面版居然算力能比肩3090&#…...

编程日记 2025/7/11 1:13:10

如何理解大模型的幻觉输出及RAG技术的应用与实战案例

导读：大语言模型（LLM）在当今技术领域中扮演着越来越重要的角色，但其“幻觉输出”问题却成为实际应用中的痛点。本文将带你深入剖析这一现象的定义、表现形式及成因，并探讨如何通过RAG（检索增强生成&#xf…...

编程日记 2025/7/12 22:02:55

std::vector＜＞.emplace_back

emplace_back() 详解：C 就地构造的效率革命 emplace_back() 是 C11 引入的容器成员函数，用于在容器尾部就地构造（而非拷贝或移动）元素。这一特性显著提升了复杂对象的插入效率，尤其适用于构造代价较高的类型。一、核…...

编程日记 2025/7/9 15:44:28

卷积神经网络(CNN)学习率调整完全指南：从理论到PyTorch实践

引言学习率是训练卷积神经网络(CNN)最重要的超参数之一，合理调整学习率可以显著提高模型性能、加速收敛并避免训练失败。本文将全面解析CNN学习率调整的技术与方法，涵盖基础概念、常用策略、PyTorch实现以及实用技巧。一、学习率为什么如此重要&…...

编程日记 2025/7/10 16:18:19

KLEC--基于知识学习的演化计算算法

KLEC–基于知识学习的演化计算算法 title： Knowledge Learning for Evolutionary Computation author： Yi Jiang, Zhi-Hui Zhan, Kay Chen Tan, Jun Zhang. journal： IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION (TEVC) DOI&#xff…...

编程日记 2025/7/10 14:54:51

Git查看指定作者提交命令

要查看 Git 仓库中某个作者的提交记录，可以使用 git log 命令结合 --author 选项。以下是具体用法和示例： 基础命令 git log --author"作者名"作用：列出指定作者的所有提交记录。示例：查找作者名为 John Doe 的提交&am…...

编程日记 2025/7/8 1:40:30

隐形安全感

凌晨两点，手机突然震动。合作三年的化工原料供应商发来紧急消息：“一批次环氧树脂需要连夜从南京调往广州，但合作多年的物流公司临时爽约，能帮忙想想办法吗？” 我盯着屏幕愣了几秒。这类危险品运输从来不是简单的“拉…...

编程日记 2025/7/8 23:14:48

代码随想录算法训练营 Day52 图论Ⅲ 岛屿问题Ⅱ 面积孤岛水流造岛

图论题目 101. 孤岛的总面积计算孤岛总面积，一个想法是将相邻的陆地的位置置为 0，最后计算孤岛面积中最小的一个 #include <iostream> #include <vector> #include <queue>using namespace std;int sum 0; int dir[4][2] {0,-1…...

编程日记 2025/7/9 17:31:42

实用 Git 学习工具推荐：Learn Git Branching

https://learngitbranching.js.org/?localezh_CN 网站概述 Learn Git Branching 是一个面向开发者的交互式 Git 学习平台，专为那些希望通过实践掌握 Git 高级用法的用户设计。网站采用游戏化的界面和渐进式挑战，让复杂的 Git 概念变得直观易懂。无论是…...

编程日记 2025/7/9 5:06:23