新闻详情

新闻详情

首页 / 资讯中心 / 详情

牛客网 HJ94 记票统计

发布时间:2026/10/30 12:38:52来源:尧图网络
牛客网 HJ94 记票统计
牛客网 HJ94 记票统计题目链接https://www.nowcoder.com/practice/3350d379a5d44054b219de7af6708894一、原题完整陈述题目描述请实现一个计票统计系统。你会收到很多投票其中有合法的也有不合法的请统计每个候选人得票的数量以及不合法的票数。不合法投票选票上写的名字不在候选人名列表内。本题有多组样例输入。输入描述第一行输入候选人人数 n第二行输入n个候选人名字大写英文字母空格隔开第三行输入投票总人数 m第四行输入m张选票内容每个选票是候选人名字空格隔开输出描述严格按照候选人输入顺序每行输出候选人名 : 票数冒号左右两边必须各有一个空格最后一行输出无效票Invalid : 无效票数示例输入4 A B C D 8 A D E CF A GG A B示例输出A : 3 B : 1 C : 0 D : 1 Invalid : 3解释E、CF、GG这三张票不在候选名单无效票3二、费曼学习法拆解破解思路通俗讲法像讲给小白费曼核心思想用最简单语言解释这道题假设你要给完全不会编程的同学讲这道题怎么讲步骤1看懂需求翻译成人话任务先拿到候选人名单记住名单顺序输出必须按这个顺序这点是坑所有候选人初始票数都是0一张一张看选票如果选票名字在候选人名单 → 对应候选人票数1如果不在 → 无效票数量1按候选人原始顺序打印每个人票数最后打印无效票总数⚠️ 大坑提醒字典在老版本Python3.6之前不保证有序所以不能只靠字典遍历输出我们必须单独保存候选人原始顺序列表保证输出顺序和输入顺序一模一样很多人踩这个坑直接遍历字典导致顺序错乱牛客判错。步骤2拆解成4个小问题读取4行输入多组输入循环读取建立候选人名字→票数的映射初始全部为0保留候选人原始顺序遍历所有选票做计数判断按原始顺序输出候选人票数最后输出Invalid无效票步骤3选择数据结构candidate_list列表保存候选人原始顺序用来最后输出vote_dict字典key候选人名字value票数专门用来快速查找、计数invalid整型变量存无效票总数初始0步骤4模拟样例手动演算模拟程序跑一遍样例候选人列表[A,B,C,D]vote_dict初始{A:0,B:0,C:0,D:0}选票列表[A,D,E,CF,A,GG,A,B]A → 在字典A票数1D → 在字典D票数1E → 不在invalid1CF → 不在invalid2A → 在字典A票数2GG → 不在invalid3A → 在字典A票数3B → 在字典B票数1最终A3B1C0D1Invalid3和样例输出一致。步骤5边界情况思考测试用例候选人拿到0票也要输出票数写0不能跳过全部选票都是无效票多组输入程序需要循环读取直到没有输入为止ACM模式候选人名字大写题目保证输入都是大写不用处理大小写转换。三、Python完整代码 每行详细注释# HJ94 记票统计 牛客华为机试题# ACM模式支持多组输入循环读取直到输入结束defmain():# 无限循环处理多组测试样例牛客OJ有多组输入whileTrue:try:# 第一步读取候选人数量 # input()读取一行字符串int()转为整数n候选人总数nint(input())# 第二步读取候选人名字列表 # input().split() 按空格分割字符串返回列表保存候选人原始顺序candidate_listinput().split()# 第三步初始化票数字典 vote_dict{}# 遍历候选人列表每个候选人初始票数设为0fornameincandidate_list:vote_dict[name]0# 第四步读取投票总人数m mint(input())# 第五步读取所有选票 # split分割得到所有选票的列表vote_listinput().split()# 第六步遍历选票统计有效票、无效票 # 初始化无效票计数从0开始invalid0# 循环取出每一张选票forvote_nameinvote_list:# 判断选票名字是否在候选字典的keys里面ifvote_nameinvote_dict:# 有效票对应候选人票数1vote_dict[vote_name]1else:# 不在候选人名单无效票1invalid1# 第七步按【候选人原始顺序】输出结果 # 遍历保存顺序的candidate_list不能直接遍历字典保证输出顺序正确fornameincandidate_list:# 输出格式名字 : 数字冒号左右都有空格严格匹配OJ要求print(f{name}:{vote_dict[name]})# 最后输出无效票print(fInvalid :{invalid})# 捕获EOFError读到输入末尾没有更多输入跳出循环程序结束exceptEOFError:break# 程序入口调用主函数if__name____main__:main()重点注释说明try ... except EOFError是ACM模式必备牛客多组输入当系统没有更多输入行会抛出EOFError捕获后退出循环否则代码会报错。运行样例测试输入4 A B C D 8 A D E CF A GG A B输出A : 3 B : 1 C : 0 D : 1 Invalid : 3四、应用场景举例这道代码现实中能用在哪场景1线上小型投票系统班委选举、社团投票候选人预先录入名单用户提交投票后台统计不在名单的投票视为废票按候选人录入顺序展示票数。扩展可以增加前端页面限制输入记录投票人防止重复投票。场景2问卷调研选项统计问卷固定选项列表用户填写选项统计每个选项被选中次数用户填写不在预设选项的值记为无效作答。场景3比赛评委打分提名统计候选人名单固定评委提名名字统计提名次数名字不在名单内视为无效提名。场景4数据清洗场景批量校验一批记录判断每条记录的关键字是否在白名单内统计白名单命中数量和非法记录数量。五、费曼复盘总结把学到的复述一遍这道题本质是白名单计数先建立白名单候选人初始化计数为0遍历所有待校验数据选票在白名单 → 计数1不在 → 无效计数1输出顺序是本题隐藏考点必须单独保存原始顺序不能依赖字典遍历顺序。核心知识点列表保存顺序、字典快速查找计数、ACM多组输入处理、EOF捕获。六、拓展优化思路进阶版本可以使用collections.defaultdict简化初始化但是基础版本上面代码更容易看懂机考推荐基础版本减少导入包带来的不必要错误。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/30 4:02:09

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/29 23:30:48

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/29 13:36:24

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/29 19:55:35

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/29 13:36:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/30 5:26:05

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉