지금은마라톤중

접근법 - 2명 사이의 촌수를 계산해야하니 DFS로 접근 - 촌수를 계산할 수 없을 때 -1 출력해야하니 check 변수 사용 from collections import deque n = int(input()) a,b = map(int,input().split()) num = int(input()) check = False graph = [[] for _ in range(n+1)] visited = [0] *(n+1) for _ in range(num): x,y = map(int,input().split()) graph[x].append(y) graph[y].append(x) def dfs(graph, c, visited, cnt): visited[c] = 1 global check if c == b :..

이 문제는 BFS에 대해 하나도 모를 때 한번 도전했다가 실패했던 문제입니다. 최근에 DFS와 BFS에 대해 공부해서 다시 도전해봤습니다. BFS로 접근하였고 너비우선탐색이니 큐를 활용했습니다. from collections import deque t = int(input()) dx = [0,0,1,-1] dy = [1,-1,0,0] def bfs(matrix, a,b): queue = deque() queue.append((a,b)) matrix[a][b] = 0 while queue: x,y = queue.popleft() for i in range(4): nx = x + dx[i] ny = y + dy[i] if nx = n or ny = m : continu..

그렇습니다. DFS와 BFS입니다..ㅎㅎ 알고리즘을 공부하며 미루고 미루고 미루다가 직면했습니다..하하하 DFS(깊이우선탐색)과 BFS(너비우선탐색)은 코딩테스트에 필수적인 문제 중 하나라고 생각합니다. 알고리즘을 접하지 얼마되지 않았을때 너무 어려워서 외면했는데 최근 기업 공채 코딩테스트를 봐보니 이제는 마주할 때가 되었다고 생각했습니다. DFS(Depth First Search)와 BFS(Breadth First Search)를 탐색 알고리즘입니다. 데이터 속에서 원하는 데이터를 찾을 때 깊이와 너비를 우선적으로 고려하여 탐색하는 방법으로 차이를 둘 수 있습니다. - DFS와 BFS 탐색 그래프 DFS BFS 탐색과정 현재 노드에서 갈 수 있는 끝까지 방문하여 탐색 현재 노드에서 연결된 노드를 방문 ..

가끔 알고리즘 문제를 풀었지만 오랜만에 포스팅 합니다. 이번 문제에서 놓치고 있던 지식을 상기시켰습니다. 바로 자료형의 시간 복잡도 입니다. 기존에 시간초과가 발생했을 때 주로 입력부분과 불필요한 반복문에서 시간초과가 많이 발생하여 자료형에 따른 시간 복잡도를 놓쳤습니다. 이번 문제로 한번 더 상기시킬 수 있는 기회였습니다. 시도 1. input(), list() 활용 - 시간초과로 실패 n,m = map(int, input().split()) n_lst = [ input() for _ in range(n)] m_lst = [ input() for _ in range(m)] lst = n_lst + m_lst lst.sort() total_lst = [] for i in lst : if lst.count..

시본 함수는 축 중심과 도표 중심의 함수로 나눌 수 있다. 축 중심 그래프는 matplotlib.pyplot.Axes 를 통해 표현하고, 그림 중심 그래프는 FaceGrid 통해 matplotlib와 인터페이스한다. 예를들어 displot()은 분포 모듈의 그림 중심 함수이다. 그 중 histplot()이 있다. sns.displot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack") # 커널 밀도 그래프로 그리릴면, 같은 코드에서 kind 파라미더를 "kde"로 지정하면 된다. sns.displot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack", ki..

2023.03.01 시본의 네임스페이스는 평평하다; 기능의 모든 것들이 최상위 수준으로 접근이 가능하다는 것이다. 그러나 코드 자체는 다른 방법을 통해 비슷한 시각화 기능을 가진 모듈과 계층적으로 구조화되어있다. 대부분의 문서들을 이런 모듈들로 구성되어있다: "관계형", "분포형", "분류"와 같은 이름을 접하게 될 것이다. 예를 들어, 분포 모듈은 데이터 포인트의 분포를 나타내는 것을 전문으로 하는 기능을 정읳ㄴ다. 여기에는 히스토그램과 같은 친숙한 방법이 있다. penguins = sns.load_dataset("penguins") sns.histplot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack") 커널 밀도 추정과 같..

Seaborn은 단일 함수 호출로 완전한 그래픽을 만든다. 가능한 경우, 그 함수는 플롯의 의미 매핑을 설명하는 정보 축 라벨과 범례를 자동으로 추가한다. seaborn은 또한 데이터의 특성에 따라 매개 변수의 기본값을 선택한다. 색상맵핑은 색조에 할당된 범주형 변수의 다른 수준을 나타내기 위해 뚜렷한 hue(파란색, 주황색, 때로는 녹색)를 사용한다. 숫자 변수를 매핑할 때, 일부 함수는 연속 그라디언트로 전환된다. sns.relplot( data=penguins, x="bill_length_mm", y="bill_depth_mm", hue="body_mass_g" ) 모든 그림에 적용되는 여러 내장 테마를 정의하고, 그 기능에는 각 플롯에 대한 시맨틱 매핑을 수정할 수 있는 표준화된 매개 변수가 있으..

seaborn 함수는 여러 종류의 플롯을 결합하여 데이터 세트에 대한 유익한 요약을 빠르게 제공한다. 그 중 하나인 jointplot()은 단일 관계에 초점을 맞춘다. 그것은 각 변수의 한계 분포와 함께 두 변수 간의 공동분포를 시각화한다. penguins = sns.load_dataset("penguins") sns.jointplot(data = penguins, x= "flipper_length_mm", y = "bill_length_mm", hue = "species") pairplot() 은 더 넓게 표현한다. : 각각 모든 쌍별 관계와 각 변수에 대한 공동 및 한계 분포를 보여준다. sns.pairplot(data=penguins, hue="species") 도표를 만들기 위한 낮은 수준의 도구..