本文目录一览：
python算法编程题，求代码
这道题的核心在于设计算法： 根据描述：这道题的编程思路应该是这样的：任意三个数的和除以2=剩余三个数中的任意两数的平均值=游戏机的价格。 可以这样做，把六个数放入数组中，做一个多层嵌套循环遍历所有组合，当满足上述条件时执行一个返回结果的动作，可能有不止一个答案。
Python 算法 2022-06-23
描述：一群孩子做游戏，现在请你根据游戏得分来发糖果，要求如下：
给定一个数组 arr 代表得分数组，请返回最少需要多少糖果
描述：有 n 个活动即将举办，每个活动都有开始时间与活动的结束时间，第 i 个活动的开始时间是 starti，第 i 个活动的结束时间是 endi，举办某个活动就需要为该活动准备一个活动主持人。
一位活动主持人在同一时间只能参与一个活动。并且活动主持人需要全程参与活动，换句话说，一个主持人参与了第 i 个活动，那么该主持人在 (starti, endi) 这个时间段不能参与其他任何活动。求为了成功举办这 n 个活动，最少需要多少名主持人。
输入：
2,[[1,2],[2,3]]
返回值：
1
说明： 只需要一个主持人就能成功举办这两个活动 输入：
2,[[1,3],[2,4]]
返回值：
2
说明：
需要两个主持人才能成功举办这两个活动
描述：假设你有一个数组 prices，长度为 n，其中 prices[i] 是股票在第 i 天的价格，请根据这个价格数组，返回买卖股票能获得的最大收益
- 你可以买入一次股票和卖出一次股票，并非每天都可以买入或卖出一次，总共只能买入和卖出一次，且买入必须在卖出前面的某一天
- 如果不能获取到任何利润，请返回
0 - 假设买入卖出均无手续费
数据范围：
0 <= n <= 10^5，0 <= val <= 10^4要求：空间复杂度O(1)，时间复杂度O(n)描述：假设你有一个数组prices，长度为n，其中prices[i]是某只股票在第i天的价格，请根据这个价格数组，返回买卖股票能获得的最大收益 这里的buy2以及profit2如何更新？ - 只有一个数出现奇数次，其它数出现偶数次
- 共有两个数出现奇数次，其它数目出现偶数次
eor & (~eor + 1)
Python 算法
什么是算法
“算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。”
在谈到算法时，我们不得不去了解一下什么是时间复杂度和空间复杂度这两个概念
计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。时间复杂度常用大 O 符号（大 O 符号（Big O notation）是用于描述函数渐进行为的数学符号。）
空间复杂度：它是用来评估算法内存占用大小的一个式子。
Python 算法的几大重要特征
Python 算法除了具有以上特征，还和时间和空间有关系，不同的算法可能用不同的时间、空间或效率来完成同样的任务，因此，一个 Python 算法的优劣可以用空间复杂度与时间复杂度来衡量。
通过实例加深对算法的理解
如题所示：
要求 x, y, z 的 1000 以内取值满足 x^2 + y^2 = z^2，同时 x + y + z = 1000，求解出所有 x, y, z 的组合情况？
求解过程如下：
这里使用了一个 waste_time 方法作为装饰器来计算装饰过的方法的执行时间，这里有两种算法来求解这个问题
代码如下：
总结：
通过这个示例，对于同一个问题给出两种不同的算法，两种算法在执行过程中我增加了对程序执行时间的统计，通过时间上的对比发现两个算法的执行时间相差非常的大，如响应结果所示。
由此我们可以得出一个结论，就是实现不同的算法程序执行的时间可以反应出算法的效率，即算法有优劣之分，好的算法可以节约时间，提高效率，反之则不然。
Python之动态规划算法
动态规划算法中是将复杂问题递归分解为子问题，通过解决这些子问题来解决复杂问题。与递归算法相比，动态编程减少了堆栈的使用，避免了重复的计算，效率得到显著提升。
先来看一个简单的例子，斐波那契数列。
斐波那契数列的定义如下。
斐波那契数列可以很容易地用递归算法实现：
上述代码，随着 n 的增加，计算量呈指数级增长，算法的时间复杂度是 O(2^n)。
采用动态规划算法，通过自下而上的计算数列的值，可以使算法复杂度减小到 O(n)，代码如下。
下面我们再看一个复杂一些的例子。
这是小学奥数常见的硬币问题：已知有 1 分，2 分，5 分三种硬币数量不限，用这些硬币凑成为 n 分钱，那么一共有多少种组合方法。
我们将硬币的种类用列表 coins 定义；
将问题定义为一个二维数组 dp，dp[amt][j] 是使用 coins 中前 j+1 种硬币 (coins[0:j+1]) 凑成总价 amt 的组合数。
例如：coins = [1,2,5]
dp[5][1] 就是使用前两种硬币 [1,2] 凑成总和为 5 的组合数。
对于所有的 dp[0][j] 来说，凑成总价为 0 的情况只有一种，就是所有的硬币数量都为 0。所以对于在有效范围内任意的 j，都有 dp[0][j] 为 1。
对于 dp[amt][j] 的计算，也就是使用 coins[0:j+1] 硬币总价 amt 的组合数，包含两种情况计算：
- 当使用第
j个硬币时，有dp[amt - coins[j]][j]种情况，即amt减去第j个硬币币值，使用前j+1种硬币的组合数； - 当不使用第
j个硬币时，有dp[amt][j-1]种情况，即使用前j种硬币凑成amt的组合数； 所以：dp[amt][j] = dp[amt - coins[j]][j] + dp[amt][j-1]我们最终得到的结果是：dp[amount][-1]上述分析省略了一些边界情况。 有了上述的分析，代码实现就比较简单了。 动态规划算法代码简洁，执行效率高。但是与递归算法相比，需要仔细考虑如何分解问题，动态规划代码与递归调用相比，较难理解。 我把递归算法实现的代码也附在下面。有兴趣的朋友可以比较一下两种算法的时间复杂度有多大差别。 上述代码在 Python 3.7 运行通过。
求Python大神解答
最后的输出语句已经限定了函数名是 gcd
函数里的算法是求最大公约数的辗转相除法。辗转相除法是一个循环处理过程，所以第二个是 while
同理，最后 return 的应该是 n
def gcd(m, n):
r = m % n
while r:
m = n
n = r
r = m % n
else:
return n
