预测学校排名问题

题目描述

有A、B、C、D、E 5所学校，在一次检查评比中，已知E校确定不是第2名或第3.他们相互进行推测。
A校有人说，E校必定是第1名。
B校有人说，我校多是第2名。
C校有人说，A校最差。
D校有人说，C校不是最好的。
E校有人说，D校会得到第1名。
结果只有第1名和第2名学校的人猜对了，编程指出这5所学校的名次。

思考

每一个人的猜想结果均可能对，但只有两我的猜对了。能够直接取猜对的两我的的猜想结果，以及另外三个猜错的结果的反面，与已知条件进行对比，若不存在矛盾选项，且每一个学校的排名可以惟一肯定，认为选取的猜对的人是正确的。

例如，已知有 A、B、C、D、E 5 所学校及其相应的猜想结果，咱们能够获得相似这样的数据结构：

schools = ('A', 'B', 'C', 'D', 'E')
pred = [
    {
        "Pos": ('E', (1, ), "D"),
        "Neg": ('E', (4, 5))  # E 不会是 2 3
    },

    # ...
]

pred 是一个数组，数组中有 5 个元素，表示 5 个学校的预测结果，每一个元素（预测结果）是一个字典。用 “Pos” 表示该学校猜对的结果，“Neg” 表示相反的结果。

将“A校有人说，E校必定是第1名。” 转化为数据结构就是 { "Pos": ('E', (1, ), "D") }，Pos 元祖第 1 个元素 “E” 表示对 E 校的猜想，第 2 个元素 (1, ) 表示猜想的排名，为了统一，第 2 个用一个 tuple 表示，第 3 个元素 “D” 表示 A 的猜想是确定的。而 B 校的推测是 “可能”，所以用 “M” 表示。

题目中还给了一个条件，用数组表示：

# 猜对的人的学校排名是 1 或 2
RankFromRightPeople = [1, 2]
# 猜错的人的学校排名是 3 4 5
RankFromWrongPeople = [3, 4, 5]

当对某个学校的排名进行可能性分析时，其实是利用已知的条件，对不一样人给出的猜想或已知条件中的可能性作一个交集的操做。

而后咱们开始尝试遍历全部可能的正确的学校，获得惟一的且不矛盾的结果便可。

编程

咱们对学校的排名预测中会用到交集和差集，这里利用 python set 的 API 进行交集或差集运算：

def union(A, B) :
    """ A + B
    """
    return list(set(A).intersection(B))

def diff(A, B):
    """ A - B
    """
    return list(set(A).difference(set(B)))

接下来，对某种可能的排名状况进行分析。
根据给定的条件，咱们能够遍历前两名的学校的可能状况，因为总共有 5 所学校，因此可能的状况有 10 种。

每次遍历的时候，从 pred 数组中取出各个学校对于排名的描述，将排名的描述（python 中的数组来表示）放入 predictSchool 数组中：

predictSchool = [0] * len(schools)

# 收集结果集
for index, p in enumerate(pred):
    if si == index or sj == index:
        predictSchool[schools.index(p["Pos"][0])] = list(p["Pos"][1])
    else:
        predictSchool[schools.index(p["Neg"][0])] = list(p["Neg"][1])

假设 A 和 B 学校在前两名，那么对 A 和 B 的描述中就要加上交集 (1, 2)，另外 3 所学校的描述中要加上交集 (3, 4, 5):

# 取交集 union
for i in range(len(schools)):
    if i == si or i == sj:
        predictSchool[i] = union(predictSchool[i], RankFromRightPeople)
    else:
        predictSchool[i] = union(predictSchool[i], RankFromWrongPeople)

此时 predictSchool 应该是一个二维数组，它的数组相似于：

[
    [1, 2, 3],
    [1, 2, 5],
    [3, 4],
    [3, 5],
    [3, 4, 5]
]

接下来，对每一个学校的排名描述作差集处理，当 predictSchool 中出现某一项的元素为 0，说明描述出现矛盾，咱们假设的第 1 名、第 2 名是错误的，能够直接中止分析：

for _ in range(len(schools) * 2):
    # 只会执行必定次数循环
    s = set()
    # print("Before", predictSchool)
    for pr in predictSchool:
        lpr = len(pr)
        if lpr == 0:
            return []
        elif lpr == 1:
            if pr[0] in s:
                # print("Already definite.")
                return []
            s.add(pr[0])

    # print("Set 2 list", s)
    for i, pr in enumerate(predictSchool):
        lpr = len(pr)
        if lpr > 1:
            predictSchool[i] = diff(pr, s)

当 predictSchool 中出现某一项的元素数目为 1 时，代表这个学校的排名当前能够肯定下来，接下来将 prediectSchool 中其余项的数组中去除掉这个排名的描述，最后循环到 predictSchool 中的每一项都只有一个元素时，说明咱们猜想的第 1 名和第 2 名学校是可能的。

接下来只须要遍历全部可能的 1 2 名的状况便可：

def startPredict():
    for i in range(5):
        for j in range(i+1, 5):
            pr = predictRank(i, j)
            if len(pr) > 0:
                for k, p in enumerate(pr):
                    pr[k] = [schools[k], p[0]]

                dpr = dict(pr)
                npr = sorted(dpr.items(), key = lambda item: item[1])
                print(npr)
                # 这里其实能够中止循环了
                # return
        # print(pr, i, j, '\n---------')

startPredict()

结果

运行咱们的 Python 程序，能够获得以下结果：

[('C', 1), ('B', 2), ('D', 3), ('E', 4), ('A', 5)]

完整的 python 程序能够从 个人 github 仓库 中获取。

可扩展性的讨论

至此为止，这个 Python 程序已经能够找到正确的排名了，但它还有改进的空间。还记得咱们定义 pred 数组的时候是怎么样的吗：

schools = ('A', 'B', 'C', 'D', 'E')
pred = [
    {
        "Pos": ('E', (1, ), "D"),
        "Neg": ('E', (4, 5))  # E 不会是 2 3
    },

    # ...
]

pred 数组中的 "Pos" 项就是题目所描述的，然而 pred 数组中的 "Neg" 项是咱们从程序中获取并通过了处理的，可是实际上它并不须要人为的处理，咱们能够写一个简单的函数对 pred 的 "Pos" 项作一个预处理，将其转化为 "Neg" 项。

须要注意的是，题目有个前置条件，E 学校不是第 2 名，也不是第 3 名。预处理的过程若是有对 E 学校的描述时，要与这个条件求交集

我已经给它留好了扩展的空间，"Pos" 对应 value 的第 3 个元素表示猜想的可能性，咱们能够根据第 3 个元素和第 2 个元素推导出 "Neg"：

1. 若是第 3 个元素是 "D"，那么对 Pos 中的第 2 项取差集（固然，总集合是 schools 数组所对应的的 set）。
2. 若是第 3 个元素是 "M"，那么 Pos 中的第 2 项和 Neg 中的第 2 项应该是同样的。由于 A 多是第 1 名，和它的反面 A 可能不是第 1 名的可能状况数是同样的。（固然你可能认为相反是另一种定义，好比 A 多是第 1 名，那么它的反面是 “A 不多是第 1 名”，这样的话， Pos 项中的 D 在 Neg 项中就变成了 M，这显然不是咱们想要的结果）

加上这样的预处理后，实际上解决这类问题就不用修改太多代码，并且也不须要人为的计算出每一个学校的 Pos 项和 Neg 项了。就是说这个程序的扩展性仍是比较好的。
若是学校变多了，好比从 A 到 G，咱们也只须要把题目给出的条件做为参数给到程序中，就能够了。

关于这个程序的执行效率问题，实际上程序就是靠遍历找到可能的排名状况，所以效率并不会过高。