1. array_merge，数组怎么合并？

合并数组的操作,具体算法依赖于合并的规则。 其通用流程如下:

1.建立一个足够容纳两个数组所有元素的目标数组。如果规则规定将一个数组合并到另一个之中,那么需要保证目标数组有可以容纳两个数组的空间,否则会出现越界。

2.遍历其中一个数组,并赋值到目标数组中。如果是一个数组合并到另一个,那么此步可以省略;

3.遍历另一个数组,按照规则插入到目标数组中。

#include <stdio.h>

#include <stdlib.h>

void mergelist(int *a,int len_a,int *b,int len_b,int *c);//两个数组合并

void mergelist(int* a,int len_a,int* b,int len_b,int* c)

{

int i=0;//用来判断数组a

int j=0;//用来判断数组b

int k=0;//用来标识数组c

while(i<len_a&&j<len_b)//两个数组都为非空时

{

if(a[i]<b[j])

{

c[k]=a[i];

i++;

k++;

}else{

c[k]=b[j];

j++;

k++;

}

}

while(i<len_a)//数组b的值已经被移到c中，数组a的值还没有完全被移到c中

{

c[k]=a[i];

i++;

k++;

}

while(j<len_b)//数组a的值已经完全被移到c中，数组b的值还没有完全被移到c中

{

c[k]=b[j];

j++;

k++;

}

}

int main()

{

int a[3]={1,3,5};

int b[4]={2,4,6,7};

int c[7];

int len_a=sizeof(a)/sizeof(a[0]);

int len_b=sizeof(b)/sizeof(b[0]);

mergelist(a,len_a,b,len_b,c);

for(int i=0;i<7;i++)

{

printf("%d\n",c[i]);

}

//printf("Hello world!\n");

return 0;

}

2. java如何如何实现两张excel表的合并？

可新建一个excel表，将两个excel表格的副本添加到新建的表格中，并保存新的excel表格，即最后的合并表格。如下操作：

import com.spire.xls.*;

public class MergeExcels {

public static void main(String[] args){

//将待合并Excel文档的名称保存至字符串数组

String[] inputFiles = new String[]{"file1.xlsx","file2.xlsx"};

//创建一个新的Excel文档

Workbook newBook = new Workbook();

//清除默认的3张工作表

newBook.getWorksheets().clear();

//创建另一个Excel文档

Workbook tempBook = new Workbook();

//遍历数组，依次加载每个Excel文档并将文档中的所有工作表复制到新建的Excel文档中

for (String file : inputFiles)

{

tempBook.loadFromFile(file);

for (Worksheet sheet : (Iterable)tempBook.getWorksheets())

{

newBook.getWorksheets().addCopy(sheet, WorksheetCopyType.CopyAll);

}

}

//保存

newBook.saveToFile("MergeFiles.xlsx", ExcelVersion.Version2013);

}

}

3. 学习python中的pandas有没有好的教程推荐？

Python的pandas库是使Python成为用于数据分析的出色编程语言的一件事。Pandas使导入，分析和可视化数据变得更加容易。它建立在NumPy和matplotlib之类的软件包的基础上，使您可以方便地进行大部分数据分析和可视化工作。

在此Python数据科学教程中，我们将使用Eric Grinstein抓取的数据，使用Pandas分析来自流行的视频游戏评论网站IGN的视频游戏评论。哪个主机赢得了“控制台大战”(就游戏的审查而言)?该数据集将帮助我们找出答案。

当我们分析视频游戏评论时，我们将了解关键的Pandas概念，例如索引。您可以继续进行下去，并在我们的许多其他Python教程之一中或通过注册Python Pandas课程来了解有关Python和Pandas的更多信息。我们的许多其他数据科学课程也都使用Pandas。

谨记一下，本教程使用Python 3.5编写，并使用Jupyter Notebook构建。您可能使用的是Python，pandas和Jupyter的更新版本，但结果应该基本相同。

用Pandas导入数据

如果您正在使用本教程，则需要下载数据集，您可以在此处进行操作。

我们将采取的第一步是读取数据。数据以逗号分隔的值或csv文件存储，其中每行用换行分隔，每列用逗号(,)分隔。这是ign.csv文件的前几行：

如您在上方看到的，文件中的每一行代表一个游戏，该游戏已经过IGN审查。这些列包含有关该游戏的信息：

1)score_phrase— IGN如何用一个词形容游戏。这链接到它收到的分数。

2)title -游戏名称。

3)url —您可以在其中查看完整评论的URL。

4)platform -审查游戏的平台(PC，PS4等)。

5)score—游戏的得分，从1.0到10.0。

6)genre —游戏类型。

7)editors_choice- N如果游戏不是编辑选择的Y话，那么是。这与得分息息相关。

8)release_year -游戏发布的年份。

9)release_month -游戏发布的月份。

10)release_day -游戏发布的那天。

还有一个前导列，其中包含行索引值。我们可以放心地忽略此列，但稍后将深入探讨哪些索引值。

为了在Python和pandas中有效地处理数据，我们需要将csv文件读取到Pandas DataFrame中。DataFrame是表示和处理表格数据的一种方式，表格数据是表格形式的数据，例如电子表格。表格数据具有行和列的格式，就像我们的csv文件一样，但是如果我们可以将其作为表格查看，则对我们来说更易于阅读和排序。

为了读入数据，我们需要使用pandas.read_csv函数。此函数将接收一个csv文件并返回一个DataFrame。以下代码将：

a.导入pandas库。我们将其重命名为，pd以便更快地输入。这是数据分析和数据科学中的标准约定，您经常会看到导入的Pandas就像pd其他人的代码一样。

b.读ign.csv入一个DataFrame，并将结果分配给一个名为的新变量，reviews以便我们可以reviews用来引用我们的数据。

读完DataFrame后，以更直观的方式看一下我们所获得的内容将很有帮助。Pandas方便地为我们提供了两种方法，可以快速地将数据打印到表中。这些功能是：

1)DataFrame.head()—打印DataFrame的前N行，其中N是您作为参数传递给函数的数字，即DataFrame.head(7)。如果不传递任何参数，则默认值为5。

2)DataFrame.tail()—打印DataFrame的最后N行。同样，默认值为5。

我们将使用该head方法查看其中的内容reviews：

我们还可以访问pandas.DataFrame.shape属性，以查看以下行reviews：

如我们所见，所有内容均已正确读取-我们有18,625行和11列。

与类似的NumPy这样的Python软件包相比，使用Pandas的一大优势是Pandas允许我们拥有具有不同数据类型的列。在我们的数据集中，reviews我们有存储浮点值(如)score，字符串值(如score_phrase)和整数(如)的列release_year，因此在此处使用NumPy会很困难，但Pandas和Python可以很好地处理它。

现在我们已经正确地读取了数据，让我们开始建立索引reviews以获取所需的行和列。

用Pandas索引DataFrames

之前，我们使用了该head方法来打印的第一5行reviews。我们可以使用pandas.DataFrame.iloc方法完成同样的事情。该iloc方法允许我们按位置检索行和列。为此，我们需要指定所需行的位置以及所需列的位置。下面的代码将reviews.head()通过选择行0到5，以及数据集中的所有列来复制我们的结果：

让我们更深入地研究我们的代码：我们指定了想要的rows 0:5。这意味着我们想要从position 0到(但不包括)position的行5。

第一行被认为是在位置0，所以选择行0:5给了我们行的位置0，1，2，3，和4。我们也需要所有列，并且使用快捷方式来选择它们。它的工作方式是这样的：如果我们不喜欢第一个位置值，例如:5，那是假设我们的意思0。如果我们忽略了最后一个位置值(如)0:，则假定我们是指DataFrame中的最后一行或最后一列。我们需要所有列，因此只指定了一个冒号(:)，没有任何位置。这使我们的列从0到最后一列。以下是一些索引示例以及结果：

1)reviews.iloc[:5,:]—第一5行，以及这些行的所有列。

2)reviews.iloc[:,:] —整个DataFrame。

3)reviews.iloc[5:,5:]—从位置5开始的行，从位置开始的列5。

4)reviews.iloc[:,0] —第一列，以及该列的所有行。

5)reviews.iloc[9,:] —第十行，以及该行的所有列。

按位置索引与NumPy索引非常相似。如果您想了解更多信息，可以阅读我们的NumPy教程。现在我们知道了如何按位置索引，让我们删除第一列，该列没有任何有用的信息：

在Pandas中使用标签在Python中建立索引

既然我们知道如何按位置检索行和列，那么值得研究使用DataFrames的另一种主要方法，即按标签检索行和列。与NumPy相比，Pandas的主要优势在于，每一列和每一行都有一个标签。可以处理列的位置，但是很难跟踪哪个数字对应于哪个列。

我们可以使用pandas.DataFrame.loc方法处理标签，该方法允许我们使用标签而不是位置进行索引。我们可以reviews使用以下loc方法显示前五行：

上面的内容实际上与并没有太大的不同reviews.iloc[0:5,:]。这是因为尽管行标签可以采用任何值，但我们的行标签与位置完全匹配。您可以在上方表格的最左侧看到行标签(它们以粗体显示)。您还可以通过访问DataFrame 的index属性来查看它们。我们将显示的行索引reviews：

reviews.index

Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, ...], dtype='int64')

不过，索引不一定总是与位置匹配。在下面的代码单元中，我们将：

a.获取行10至行20的reviews，并分配结果some_reviews。

b.显示的第一5行some_reviews。

如上所示，在中some_reviews，行索引始于，10结束于20。因此，尝试loc使用小于10或大于的数字20将导致错误：

some_reviews.loc[9:21,:]

如前所述，在使用数据时，列标签可以使工作变得更加轻松。我们可以在loc方法中指定列标签，以按标签而不是按位置检索列。

我们还可以通过传入列表来一次指定多个列：

Pandas系列对象

我们可以通过几种不同的方式在Pandas中检索单个列。到目前为止，我们已经看到了两种语法：

1)reviews.iloc[:,1] —将检索第二列。

2)reviews.loc[:,"score_phrase"] —还将检索第二列。

还有第三种甚至更容易的方法来检索整列。我们可以在方括号中指定列名称，例如使用字典：

我们还可以通过以下方法使用列列表：

当我们检索单个列时，实际上是在检索Pandas Series对象。DataFrame存储表格数据，而Series存储数据的单列或单行。

我们可以验证单个列是否为系列：

我们可以手动创建系列以更好地了解其工作原理。要创建一个Series，我们在实例化它时将一个列表或NumPy数组传递给Series对象：

系列可以包含任何类型的数据，包括混合类型。在这里，我们创建一个包含字符串对象的系列：

在Pandas中创建一个DataFrame

我们可以通过将多个Series传递到DataFrame类中来创建DataFrame。在这里，我们传入刚刚创建的两个Series对象，

s1作为第一行，s2作为第二行：

我们还可以使用列表列表完成同样的事情。每个内部列表在结果DataFrame中被视为一行：

我们可以在创建DataFrame时指定列标签：

以及行标签(索引)：

还请注意，不需要缩进和单独的行。我们已经以这种方式编写了代码，以使其更易于解析，但是您经常会遇到将它们全部写成一行的情况。例如，以下代码将产生与我们在本段上方的表中看到的结果完全相同的结果：

无论如何，添加标签后，便可以使用它们对DataFrame进行索引：

columns如果将字典传递给DataFrame构造函数，则可以跳过指定关键字参数的操作。这将自动设置列名称：

PandasDataFrame方法

如前所述，pandas DataFrame中的每一列都是Series对象：

我们可以在Series对象上调用与在DataFrame上可以调用的大多数相同的方法，包括head：

Pandas Series和DataFrames还具有其他使计算更简单的方法。例如，我们可以使用pandas.Series.mean方法来查找Series的均值：

我们还可以调用类似的pandas.DataFrame.mean方法，该方法默认情况下将查找DataFrame中每个数字列的平均值：

我们可以修改axis关键字参数以mean计算每行或每列的平均值。默认情况下，axis等于0，并将计算每列的平均值。我们还可以将其设置1为计算每行的平均值。请注意，这只会计算每行中数值的平均值：

reviews.mean(axis=1)

0 510.500

1 510.500

2 510.375

3 510.125

4 510.125

5 509.750

6 508.750

7 510.250

8 508.750

9 509.750

10 509.875

11 509.875

12 509.500

13 509.250

14 509.250

...

18610 510.250

18611 508.700

18612 509.200

18613 508.000

18614 515.050

18615 515.050

18616 508.375

18617 508.600

18618 515.025

18619 514.725

18620 514.650

18621 515.000

18622 513.950

18623 515.000

18624 515.000

Length: 18625, dtype: float64

Series和DataFrames上有很多类似的方法mean。这里有一些方便的东西：

1)pandas.DataFrame.corr —查找DataFrame中各列之间的相关性。

2)pandas.DataFrame.count —计算每个DataFrame列中非空值的数量。

3)pandas.DataFrame.max —在每一列中找到最大值。

4)pandas.DataFrame.min —查找每一列中的最小值。

5)pandas.DataFrame.median —查找每列的中位数。

6)pandas.DataFrame.std —查找每列的标准偏差。

例如，我们可以使用该corr方法查看是否有任何列与关联score。这可以告诉我们最近发布的游戏获得了更高的评价(release_year)，还是在年底之前发布的游戏获得了更好的评分(release_month)：

正如我们在上面看到的那样，我们的数字列都没有与关联score，因此我们知道发布时间与评论评分并不线性相关。

DataFrame Math与Pandas

我们还可以使用pandas在Python中的Series或DataFrame对象上执行数学运算。例如，我们可以将score列中的每个值除以2以将刻度从0– 切换10到0– 5：

reviews["score"] / 2

0 4.50

1 4.50

2 4.25

3 4.25

4 4.25

5 3.50

6 1.50

7 4.50

8 1.50

9 3.50

10 3.75

11 3.75

12 3.50

13 4.50

14 4.50

...

18610 3.00

18611 2.90

18612 3.90

18613 4.00

18614 4.60

18615 4.60

18616 3.75

18617 4.20

18618 4.55

18619 3.95

18620 3.80

18621 4.50

18622 2.90

18623 5.00

18624 5.00

Name: score, Length: 18625, dtype: float64

所有常用的数学运算符在Python的工作，如+，-，*，/，和^将在系列或DataFrames大Pandas的工作，并且将适用于每一个元素在一个数据帧或一个系列。

Pandas中的布尔索引

现在我们已经了解了一些Pandas的基础知识，让我们继续进行分析。我们前面看到的，平均都在值的score列reviews左右7。如果我们想找到所有得分都高于平均水平的游戏怎么办?

我们可以先进行比较。比较会将“系列”中的每个值与指定值进行比较，然后生成一个“系列”，其中包含表示比较状态的布尔值。使用Python Pandas分析视频游戏数据https://www.aaa-cg.com.cn/data/2310.html例如，我们可以看到哪些行的score值大于7：

score_filter = reviews["score"] > 7

score_filter

0 True

1 True

2 True

3 True

4 True

5 False

6 False

7 True

8 False

9 False

10 True

11 True

12 False

13 True

14 True...

18610 False

18611 False

18612 True

18613 True

18614 True

18615 True

18616 True

18617 True

18618 True

18619 True

18620 True

18621 True

18622 False

18623 True

18624 True

Name: score, Length: 18625, dtype: bool

有了布尔系列后，我们可以使用它来选择DataFrame中该系列包含value的行True。所以，我们只能选择行reviews，其中score大于7：

可以使用多个条件进行过滤。假设我们要查找针对发行Xbox One的得分超过的游戏7。在下面的代码中，我们：

a.设置两个条件的过滤器：

1)检查是否score大于7。

2)检查是否platform相等Xbox One

b.应用过滤器以reviews仅获取所需的行。

c.使用head方法打印的第一5行filtered_reviews。

在使用多个条件进行过滤时，将每个条件放在括号中并用一个&符号(&)分隔是很重要的。

Pandas图

现在我们知道如何过滤，我们可以创建图以观察的回顾分布Xbox One与的回顾分布PlayStation 4。这将帮助我们确定哪个控制台具有更好的游戏。

我们可以通过直方图来做到这一点，该直方图将绘制不同得分范围内的频率。我们可以使用pandas.DataFrame.plot方法为每个控制台制作一个直方图。该方法利用幕后的流行Python绘图库matplotlib生成美观的绘图。

该plot方法默认为绘制折线图。我们需要传入关键字参数kind="hist"来绘制直方图。在下面的代码中，我们：

a.致电%matplotlib inline以在Jupyter笔记本中设置绘图。

b.过滤reviews以仅包含有关的数据Xbox One。

c.绘制score列。

我们也可以对PS4：

从我们的直方图中可以看出，与相比，PlayStation 4具有更高评级的游戏Xbox One。

显然，这只是冰山一角，涉及到我们可以用来分析该数据集的潜在方向，但我们已经有了一个很好的开端：我们已经使用Python和pandas导入了数据集，并学会了使用各种不同的索引方法选择我们想要的数据点，并进行了一些快速的探索性数据分析，以回答我们开始时遇到的问题。

https://www.toutiao.com/i6832518344541733380/

4. 数据对碰用什么函数？

数据对碰通常使用以下函数：

碰撞检测函数：用于检测两个物体之间的碰撞，例如使用AABB、OBB等算法进行碰撞检测。

碰撞反应函数：用于计算两个物体之间的碰撞反应，例如使用弹性碰撞、非弹性碰撞等算法进行碰撞反应计算。

碰撞响应函数：用于计算两个物体之间的碰撞响应，例如使用弹性碰撞、非弹性碰撞等算法进行碰撞响应计算。

碰撞优化函数：用于优化两个物体之间的碰撞过程，例如使用优化算法进行碰撞优化。

碰撞预测函数：用于预测两个物体之间的碰撞过程，例如使用预测算法进行碰撞预测。

以上是一些常见的数据对碰函数，具体使用哪个函数取决于具体的应用场景和需求。

5. excel表内可以用什么公式将横排的数据转到竖排标题内的一列中？

在Excel中将横排的数据转换为竖排标题内的一列可以使用转置函数（TRANSPOSE）和合并单元格（MERGE）函数。

具体步骤如下：

1. 将需要转换的数据区域选中。

2. 在“开始”选项卡中，找到“剪贴板”区域，点击“复制”按钮或使用快捷键Ctrl+C将数据复制到剪贴板中。

3. 在要将数据转换的位置，选中第一个单元格，并在公式栏中输入以下公式：

=TRANSPOSE(剪贴板中的数据)

其中，剪贴板中的数据是指刚刚复制的数据区域。

4. 按下回车键，Excel会将数据转换为竖排的格式，并将其放置在当前选中单元格的下方。

5. 选中转换后的数据区域，右键点击选中区域，选择“格式单元格”。

6. 在“格式单元格”对话框中，选择“对齐”选项卡，并选择需要对齐的位置。

7. 在“合并和居中”选项卡中，选择“合并单元格”，并点击“确定”按钮。

完成上述步骤后，Excel表格中的横排数据就被成功转换为了竖排标题内的一列。

6. ba代码排序方法？

在编程中，"ba代码排序方法"并不是一个常见的排序算法或技术名称。可能是一个误解或打字错误。

通常，常见的排序算法包括：

冒泡排序（Bubble Sort）：通过不断交换相邻元素将较大的元素逐步冒泡到右侧，重复此过程直至整个数组排序完成。

选择排序（Selection Sort）：每次从未排序的部分中选择最小（或最大）元素，放置在已排序部分的末尾，重复此过程直至整个数组排序完成。

插入排序（Insertion Sort）：通过构建有序序列，每次将一个未排序元素插入到已排序序列的合适位置，逐渐扩大有序序列的范围。

快速排序（Quick Sort）：通过选择一个基准元素，将数组分为两个子数组，一个小于基准元素，一个大于基准元素，递归地对两个子数组进行排序。

归并排序（Merge Sort）：将数组不断分割为更小的子数组，然后通过合并子数组来排序，最终构建完整的排序数组。

堆排序（Heap Sort）：通过将数组构建为最大堆（或最小堆），然后反复将堆顶元素与最后一个元素交换，并调整堆，重复此过程直至整个数组排序完成。

等等。

如果你想了解关于特定排序算法的代码实现，可以提供具体的排序算法名称，我将会给出对应算法的示例代码。

7. 程序员必背十大算法？

算法一：高速排序算法

高速排序是由东尼·霍尔所发展的一种排序算法。在平均状况下，排序 n 个项目要Ο(n log n)次比較。在最坏状况下则须要Ο(n2) 次比較，但这样的状况并不常见。其实，高速排序通常明显比其它Ο(n log n) 算法更快，由于它的内部循环（inner loop）能够在大部分的架构上很有效率地被实现出来。

高速排序使用分治法（DiVide and conquer）策略来把一个串行（list）分为两个子串行（sub-lists）。

算法步骤：

1 从数列中挑出一个元素，称为 “基准”（pivot）。

2 又一次排序数列，全部元素比基准值小的摆放在基准前面。全部元素比基准值大的摆在基准的后面（相同的数能够到任一边）。在这个分区退出之后，该基准就处于数列的中间位置。

这个称为分区（partition）操作。

3 递归地（recursive）把小于基准值元素的子数列和大于基准值元素的子数列排序。

递归的最底部情形，是数列的大小是零或一，也就是永远都已经被排序好了。虽然一直递归下去，可是这个算法总会退出。由于在每次的迭代（iteration）中。它至少会把一个元素摆到它最后的位置去。

算法二：堆排序算法

堆排序（Heapsort）是指利用堆这样的数据结构所设计的一种排序算法。

堆积是一个近似全然二叉树的结构，并同一时候满足堆积的性质：即子结点的键值或索引总是小于（或者大于）它的父节点。

堆排序的平均时间复杂度为Ο(nlogn) 。

算法步骤：

1. 创建一个堆H[0..n-1]

2. 把堆首（最大值）和堆尾互换

3. 把堆的尺寸缩小1，并调用 shift_down (0)，目的是把新的数组顶端数据调整到相应位置

4. 反复步骤2。直到堆的尺寸为1

算法三：归并排序

归并排序（Merge sort。台湾译作：合并排序）是建立在归并操作上的一种有效的排序算法。该算法是採用分治法（Divide and Conquer）的一个很典型的应用。

算法步骤：

1. 申请空间，使其大小为两个已经排序序列之和。该空间用来存放合并后的序列

2. 设定两个指针，最初位置分别为两个已经排序序列的起始位置

3. 比較两个指针所指向的元素，选择相对小的元素放入到合并空间。并移动指针到下一位置

4. 反复步骤 3 直到某一指针达到序列尾

5. 将还有一序列剩下的全部元素直接拷贝到合并序列尾

算法四：二分查找算法

二分查找算法是一种在有序数组中查找某一特定元素的搜索算法。

搜素过程从数组的中间元素開始，假设中间元素正好是要查找的元素，则搜素过程结束；假设某一特定元素大于或者小于中间元素。则在数组大于或小于中间元素的那一半中查找，并且跟開始一样从中间元素開始比較。

假设在某一步骤数组为空，则代表找不到。这样的搜索算法每一次比較都使搜索范围缩小一半。折半搜索每次把搜索区域降低一半。时间复杂度为Ο(logn) 。

算法五：BFPRT(线性查找算法)

BFPRT 算法解决的问题十分经典，即从某n个元素的序列中选出第k大（第k小）的元素。通过巧妙的分析，BFPRT 能够保证在最坏情况下仍为线性时间复杂度。该算法的思想与高速排序思想类似，当然，为使得算法在最坏情况下，依旧能达到o(n)的时间复杂度，五位算法作者做了精妙的处理。

算法步骤：

1. 将n个元素每 5 个一组，分成n/5(上界)组。

2. 取出每一组的中位数，随意排序方法，比方插入排序。

3. 递归的调用 selection 算法查找上一步中全部中位数的中位数。设为x，偶数个中位数的情况下设定为选取中间小的一个。

4. 用x来切割数组，设小于等于x的个数为k，大于x的个数即为n-k。

5. 若i==k，返回x。若i<k，在小于x的元素中递归查找第i小的元素。若i>k。在大于x的元素中递归查找第i-k 小的元素。

终止条件：n=1 时。返回的即是i小元素。

算法六：DFS（深度优先搜索）

深度优先搜索算法（Depth-First-Search），是搜索算法的一种。它沿着树的深度遍历树的节点，尽可能深的搜索树的分支。当节点v的全部边都己被探寻过。搜索将回溯到发现节点v的那条边的起始节点。这一过程一直进行到已发现从源节点可达的全部节点为止。

假设还存在未被发现的节点，则选择当中一个作为源节点并反复以上过程，整个进程反复进行直到全部节点都被訪问为止。

DFS 属于盲目搜索。

深度优先搜索是图论中的经典算法，利用深度优先搜索算法能够产生目标图的相应拓扑排序表，利用拓扑排序表能够方便的解决很多相关的图论问题。如最大路径问题等等。一般用堆数据结构来辅助实现 DFS 算法。

深度优先遍历图算法步骤：

1. 訪问顶点v；

2. 依次从v的未被訪问的邻接点出发。对图进行深度优先遍历；直至图中和v有路径相通的顶点都被訪问。

3. 若此时图中尚有顶点未被訪问。则从一个未被訪问的顶点出发，又一次进行深度优先遍历，直到图中全部顶点均被訪问过为止。

上述描写叙述可能比較抽象，举个实例：

DFS 在訪问图中某一起始顶点 v 后，由 v 出发。訪问它的任一邻接顶点 w1。再从 w1 出发。訪问与 w1 邻 接但还没有訪问过的顶点 w2；然后再从 w2 出发，进行类似的訪问，… 如此进行下去，直至到达全部的邻接顶点都被訪问过的顶点 u 为止。

接着，退回一步，退到前一次刚訪问过的顶点，看是否还有其它没有被訪问的邻接顶点。假设有，则訪问此顶点。之后再从此顶点出发。进行与前述类似的訪问；假设没有。就再退回一步进行搜索。反复上述过程，直到连通图中全部顶点都被訪问过为止。

算法七：BFS (广度优先搜索)

广度优先搜索算法（Breadth-First-Search），是一种图形搜索算法。简单的说。BFS 是从根节点開始，沿着树(图)的宽度遍历树(图)的节点。假设全部节点均被訪问，则算法中止。BFS 相同属于盲目搜索。一般用队列数据结构来辅助实现 BFS 算法。

算法步骤：

1. 首先将根节点放入队列中。

2. 从队列中取出第一个节点。并检验它是否为目标。

假设找到目标。则结束搜寻并回传结果。

否则将它全部尚未检验过的直接子节点增加队列中。

3. 若队列为空，表示整张图都检查过了——亦即图中没有欲搜寻的目标。结束搜寻并回传“找不到目标”。

4. 反复步骤2。

算法八：Dijkstra算法

戴克斯特拉算法（Dijkstra’s algorithm）是由荷兰计算机科学家艾兹赫尔·戴克斯特拉提出。迪科斯彻算法使用了广度优先搜索解决非负权有向图的单源最短路径问题，算法终于得到一个最短路径树。该算法经常使用于路由算法或者作为其它图算法的一个子模块。

该算法的输入包括了一个有权重的有向图 G，以及G中的一个来源顶点 S。

我们以 V 表示 G 中全部顶点的集合。每个图中的边，都是两个顶点所形成的有序元素对。

(u, v) 表示从顶点 u 到 v 有路径相连。我们以 E 表示G中全部边的集合。而边的权重则由权重函数 w: E → [0, ∞] 定义。因此，w(u, v) 就是从顶点 u 到顶点 v 的非负权重（weight）。边的权重能够想像成两个顶点之间的距离。

任两点间路径的权重，就是该路径上全部边的权重总和。

已知有 V 中有顶点 s 及 t，Dijkstra 算法能够找到 s 到 t的最低权重路径(比如，最短路径)。这个算法也能够在一个图中，找到从一个顶点 s 到不论什么其它顶点的最短路径。对于不含负权的有向图。Dijkstra 算法是眼下已知的最快的单源最短路径算法。

算法步骤：

1. 初始时令 S={V0},T={其余顶点}，T中顶点相应的距离值

若存在<V0,Vi>，d(V0,Vi)为<V0,Vi>弧上的权值

若不存在<V0,Vi>。d(V0,Vi)为∞

2. 从T中选取一个其距离值为最小的顶点W且不在S中，增加S

3. 对其余T中顶点的距离值进行改动：若加进W作中间顶点，从 V0 到 Vi 的距离值缩短。则改动此距离值

反复上述步骤2、3，直到S中包括全部顶点，即W=Vi 为止

算法九：动态规划算法

动态规划（Dynamic programming）是一种在数学、计算机科学和经济学中使用的。通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。

动态规划经常适用于有重叠子问题和最优子结构性质的问题，动态规划方法所耗时间往往远少于朴素解法。

动态规划背后的基本思想很easy。大致上。若要解一个给定问题，我们须要解其不同部分（即子问题），再合并子问题的解以得出原问题的解。 通常很多子问题很类似。为此动态规划法试图仅仅解决每个子问题一次，从而降低计算量： 一旦某个给定子问题的解已经算出，则将其记忆化存储。以便下次须要同一个子问题解之时直接查表。 这样的做法在反复子问题的数目关于输入的规模呈指数增长时特别实用。

关于动态规划最经典的问题当属背包问题。

算法步骤：

1. 最优子结构性质。假设问题的最优解所包括的子问题的解也是最优的。我们就称该问题具有最优子结构性质（即满足最优化原理）。最优子结构性质为动态规划算法解决这个问题提供了重要线索。

2. 子问题重叠性质。子问题重叠性质是指在用递归算法自顶向下对问题进行求解时。每次产生的子问题并不总是新问题，有些子问题会被反复计算多次。

动态规划算法正是利用了这样的子问题的重叠性质，对每个子问题仅仅计算一次，然后将其计算结果保存在一个表格中，当再次须要计算已经计算过的子问题时，仅仅是在表格中简单地查看一下结果，从而获得较高的效率。

算法十：朴素贝叶斯分类算法

朴素贝叶斯分类算法是一种基于贝叶斯定理的简单概率分类算法。贝叶斯分类的基础是概率推理，就是在各种条件的存在不确定，仅知其出现概率的情况下，怎样完毕推理和决策任务。

概率推理是与确定性推理相相应的。而朴素贝叶斯分类器是基于独立假设的，即假设样本每个特征与其它特征都不相关。

朴素贝叶斯分类器依靠精确的自然概率模型，在有监督学习的样本集中能获取得很好的分类效果。在很多实际应用中，朴素贝叶斯模型參数预计使用最大似然预计方法。换言之朴素贝叶斯模型能工作并没实用到贝叶斯概率或者不论什么贝叶斯模型。

虽然是带着这些朴素思想和过于简单化的假设，但朴素贝叶斯分类器在很多复杂的现实情形中仍能够取得相当好的效果。