news 2026/9/7 18:44:57

LC.2353 | 设计食物评分系统 | 有序集合 | 负分数排序实现“最高分优先 + 字典序优先”

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
LC.2353 | 设计食物评分系统 | 有序集合 | 负分数排序实现“最高分优先 + 字典序优先”

输入:

  • FoodRatings(foods, cuisines, ratings):初始化 n 种食物
  • changeRating(food, newRating):修改某个食物评分
  • highestRated(cuisine):查询某种烹饪方式下评分最高的食物(若并列取字典序更小)

要求:

  • 评分最高优先
  • 评分相同按字典序最小优先
  • 支持多次修改与查询

输出:

  • highestRated返回食物名

思路:

这题核心就是维护两个维度的信息:

1)食物 -> (菜系, 当前评分)

unordered_map<string, pair<string,int>> food_info存:

  • 方便changeRating(food, ...)时,O(1) 找到它属于哪个菜系 + 旧评分是多少。

2)菜系 -> 一棵有序结构,能随时拿到“最强的那个”

unordered_map<string, set<pair<int,string>>> cuisine_ratings存:

  • 每个菜系一个set,里面放(-rating, food)这样的二元组。
  • set默认按 pair 从小到大排序:
    • -rating越小,代表rating越大(最高分排最前)
    • -rating相同,就比较food字符串(字典序小的排前)
  • 所以highestRated(cuisine)直接返回begin()->second即可。

changeRating 怎么做?

对一个食物:

  1. food_info取出它的cuisineoldRating
  2. 在对应set里删除旧键(-oldRating, food)
  3. 插入新键(-newRating, food)
  4. 更新food_info[food].second = newRating

这样能保证每次修改后,菜系的“冠军”始终在set.begin()


复杂度:

  • 时间复杂度:
    • 初始化:O(N log N)(每次插入 set)
    • changeRating:O(log M)(M 为该 cuisine 下食物数)
    • highestRated:O(1)(取 begin)
  • 空间复杂度:O(N)

classFoodRatings{private:unordered_map<string,pair<string,int>>food_info;unordered_map<string,set<pair<int,string>>>cuisine_ratings;public:FoodRatings(vector<string>&foods,vector<string>&cuisines,vector<int>&ratings){for(inti=0;i<(int)foods.size();++i){food_info[foods[i]]={cuisines[i],ratings[i]};cuisine_ratings[cuisines[i]].insert({-ratings[i],foods[i]});}}voidchangeRating(string food,intnewRating){auto&info=food_info[food];string cuisine=info.first;intoldRating=info.second;cuisine_ratings[cuisine].erase({-oldRating,food});cuisine_ratings[cuisine].insert({-newRating,food});info.second=newRating;}stringhighestRated(string cuisine){returncuisine_ratings[cuisine].begin()->second;}};
版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/9/4 5:45:05

YOLOv11检测结果分析:Precision-Recall曲线绘制

YOLOv11检测结果分析&#xff1a;Precision-Recall曲线绘制 在智能安防、自动驾驶和工业质检等实际场景中&#xff0c;目标检测模型不仅要“看得快”&#xff0c;更要“看得准”。随着 YOLO 系列不断演进&#xff0c;YOLOv11 凭借其更强的特征提取能力和更优的锚框机制&#xf…

作者头像 李华
网站建设 2026/9/5 9:46:47

PyTorch自动求导机制autograd详解(含代码演示)

PyTorch自动求导机制与CUDA容器化开发环境实战解析 在深度学习模型研发过程中&#xff0c;我们常常面临两个核心挑战&#xff1a;一是如何高效、准确地计算复杂网络的梯度&#xff1b;二是如何快速搭建稳定且高性能的训练环境。PyTorch 的 autograd 自动求导系统和预集成的 PyT…

作者头像 李华
网站建设 2026/9/8 4:52:34

PyTorch模型转ONNX格式用于跨平台部署

PyTorch模型转ONNX格式用于跨平台部署 在现代AI系统开发中&#xff0c;一个常见的困境是&#xff1a;研究团队用PyTorch训练出高性能模型后&#xff0c;工程团队却难以将其高效部署到生产环境。尤其是在面对边缘设备、移动端或异构硬件时&#xff0c;框架依赖和推理性能问题尤为…

作者头像 李华
网站建设 2026/9/5 0:54:06

Markdown表格美化:展示PyTorch模型性能对比数据

Markdown表格美化&#xff1a;展示PyTorch模型性能对比数据 在深度学习项目中&#xff0c;团队常常面临一个看似简单却影响深远的问题&#xff1a;如何高效、清晰地共享和比较不同模型的训练表现&#xff1f;尤其是在使用GPU资源进行大规模实验时&#xff0c;参数量、显存占用、…

作者头像 李华