from collections import defaultdict n = int(input()) cards = list(map(int, input().split())) m = int(input()) targets = list(map(int, input().split())) card_count = defaultdict(int) for card in cards: card_count[card] += 1 for target in targets: print(card_count[target], end=' ') 딕셔너리로 풀었습니다. 이 문제인 경우 숫자 카드가 많이 크기에 일반적으로 많은 시간이 소요됩니다. 이런 경우 이분법으로 풀어야 하지만 파이썬의 경우 딕셔너리를 지원하기에 시간 복잡도 우위를 가집니다. def ..

# 유클리드 호제법 # 최대공약수 def GCD(x, y): while y: x, y = y, x % y return x # 최소공배수 def LCM(x, y): result = (x * y) // GCD(x, y) return result def solution(numer1, denom1, numer2, denom2): answer = [] temp_numer = numer1 * denom2 + numer2 * denom1 temp_denom = denom1 * denom2 temp_GCD = GCD(temp_numer, temp_denom) answer = [temp_numer/temp_GCD, temp_denom/temp_GCD] return answer # Test Cases print(solut..

RNN 기반 자연어 처리 모델입니다. 텔레그램 톡방에서 데이터를 추출한 뒤, 필터 과정을 거쳐 학습을 진행합니다. 다른 플랫폼은 충분한 언어 데이터가 없어서 시도하지 않았습니다. 깃허브 GitHub - 909ma/RNN-based-Natural-Language-Processing-Model: RNN 기반 자연어 처리 모델입니다. 텔레그램에서 추 RNN 기반 자연어 처리 모델입니다. 텔레그램에서 추출한 데이터를 바탕으로 자연어를 만듭니다. - GitHub - 909ma/RNN-based-Natural-Language-Processing-Model: RNN 기반 자연어 처리 모델입니다. 텔레그램에서 추 github.com 소스코드는 네 가지가 있습니다. 단계별로 나누었을 때 세 단계로 구별할 수 있습니다. ..

def solution(num1, num2): answer = num1 // num2 return answer # Test Cases print(solution(10, 5)) print(solution(7, 2)) 신기한 풀이를 발견했습니다. solution = int.__floordiv__ int.__floordiv__ 은 Python에서 정수 타입의 객체 간에 나눗셈 연산을 수행할 때 사용되는 내장 메서드(built-in method) 중 하나라고 합니다. 다른 말로는 바닥 나눗셈(floor division)이라고 한다네요. 처음 봅니다. 프로그래머스: https://school.programmers.co.kr/learn/courses/30/lessons/120805

from tensorflow.keras.models import load_model from tensorflow.keras.preprocessing.sequence import pad_sequences import numpy as np import pandas as pd from tensorflow.keras.preprocessing.text import Tokenizer df = pd.read_csv('output_홍길동.csv') Text = [] # 헤드라인의 값들을 리스트로 저장 Text.extend(list(df.Text.values)) print('총 샘플의 개수 : {}'.format(len(Text))) Text = [word for word in Text if word != "ㅋ"] pr..

import tensorflow as tf from tensorflow.keras.layers import Embedding, Dense, LSTM from tensorflow.keras.models import Sequential import pandas as pd import numpy as np from string import punctuation from tensorflow.keras.preprocessing.text import Tokenizer from tensorflow.keras.preprocessing.sequence import pad_sequences from tensorflow.keras.utils import to_categorical # GPU 사용 가능 여부 확인 physic..

# JSON 파일을 읽어오는 함수 # 텔레그램에서 추출한 대화 데이터 파일을 user, text 형태의 csv파일로 추출 import json import csv def read_json_file(file_path): with open(file_path, 'r', encoding='utf-8') as json_file: data = json.load(json_file) return data def extract_actor_text_to_csv(json_data, output_csv_file): with open(output_csv_file, 'w', newline='', encoding='utf-8') as csv_file: writer = csv.writer(csv_file) writer.writero..