import torch
import numpy as np
# Ignore warnings
import warnings
warnings.filterwarnings('ignore')

# Print versions
print("torch version:", torch.__version__)
print("numpy version:", np.__version__)

# Check for CUDA availability and set the device
device = "cuda" if torch.cuda.is_available() else "cpu"

# Initialize a 2x3 tensor with requires_grad enabled
my_tensor = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32, device=device, requires_grad=True)

print(my_tensor)
print("Data type:", my_tensor.dtype)
print("Device:", my_tensor.device)
print("Dim:", my_tensor.ndim)
print("Shape:", my_tensor.shape)
print("Requires Gradient:", my_tensor.requires_grad)

# Create an empty tensor of size 3x3
x = torch.empty(3, 3)
print("Empty Tensor:\n", x)

# Create a tensor filled with zeros
x = torch.zeros(3, 3)
print("Zeros Tensor:\n", x)

# Create a tensor with random values
x = torch.rand(3, 3)
print("Random Tensor:\n", x)

# Create a tensor filled with ones
x = torch.ones(3, 3)
print("Ones Tensor:\n", x)

# Create an identity matrix
x = torch.eye(4, 4)
print("Identity Matrix:\n", x)

# Create a tensor using arange
x = torch.arange(5)
print("Arange Tensor:\n", x)

# Create a tensor using linspace
x = torch.linspace(0.1, 1, 5)
print("Linspace Tensor:\n", x)

# Create a tensor with values drawn from a normal distribution
x = torch.empty(1, 5).normal_(mean=0, std=1)
print("Normal Distributed Tensor:\n", x)

# Create a tensor with values drawn from a uniform distribution
x = torch.empty(1, 5).uniform_(0, 1)
print("Uniform Distributed Tensor:\n", x)

# Create a diagonal tensor from a tensor of ones
x = torch.diag(torch.ones(4))
print("Diagonal Tensor:\n", x)

# Create a tensor and convert its type
tensor = torch.arange(4)
print("Boolean Tensor:", tensor.bool())   # Convert to boolean
print("Short Tensor (int16):", tensor.short())   # Convert to int16
print("Long Tensor (int64):", tensor.long())   # Convert to int64
print("Half Tensor (float16):", tensor.half())   # Convert to float16
print("Float Tensor (float32):", tensor.float())   # Convert to float32
print("Double Tensor (float64):", tensor.double())   # Convert to float64

# Create a NumPy array of zeros
np_array = np.zeros((5, 5))
print("NumPy Array:\n", np_array)

# Convert NumPy array to PyTorch tensor
tensor = torch.from_numpy(np_array)
print("Tensor from NumPy Array:\n", tensor)

# Convert tensor back to NumPy array
numpy_back = tensor.numpy()
print("Converted Back to NumPy Array:\n", numpy_back)

# Define two tensors for operations
x = torch.tensor([1, 2, 3])
y = torch.tensor([9, 8, 7])

# Addition
z = x + y
print("Addition Results:", z)

# Addition using .add
z1 = torch.empty(3)
torch.add(x, y, out=z1)
z2 = torch.add(x, y)
print("Addition Results:", z, z1, z2)

# Subtraction
z = x - y
print("Subtraction Result:", z)

# Division (true division)
z = torch.true_divide(x, y)
print("Division Result:", z)

# Inplace operations
t = torch.ones(3)
print("Before inplace addition:", t)
t.add_(x)
print("After inplace addition:", t)
t += x  # Another inplace addition (note: t = t + x creates a new tensor)
print("After second inplace addition:", t)

# Exponentiation
z = x.pow(2)
print("Exponentiation (pow):", z)
z = x**2
print("Exponentiation (**):", z)

# Comparisons
z = x > 0
print("x > 0:", z)
z = x < 0
print("x < 0:", z)

# Dot product
z = torch.dot(x, y)
print("Dot Product:", z)

# Matrix multiplication using @ operator and torch.mm
x2 = torch.tensor([[1, 2, 3]])
y2 = torch.tensor([[9, 8, 7]])

z = x2 @ torch.t(y2)
print("Matrix Multiplication (@ operator):\n", z)
z = torch.mm(x2, torch.t(y2))
print("Matrix Multiplication (torch.mm):\n", z)
z = x2.mm(torch.t(y2))
print("Matrix Multiplication (mm):\n", z)

# Matrix exponentiation: multiplying a matrix with itself 3 times
matrix_exp = torch.rand(5, 5)
print("Matrix multiplied 3 times:\n", matrix_exp @ matrix_exp @ matrix_exp)
print("Matrix power 3:\n", matrix_exp.matrix_power(3))

# Element-wise multiplication
z = torch.mul(x, y)
print("Element-wise Multiplication:", z)
z = x * y
print("Element-wise Multiplication (alternative):", z)

# Batch matrix multiplication
batch = 32
n, m, p = 10, 20, 30
tensor1 = torch.rand((batch, n, m))
tensor2 = torch.rand((batch, m, p))
out_bmm = torch.bmm(tensor1, tensor2)  # Result shape: (batch, n, p)
print("Batch Matrix Multiplication (first batch):\n", out_bmm[0])
print("Shape of batched multiplication result:", (tensor1 @ tensor2).shape)

# Broadcasting example
x1 = torch.rand(5, 5)
x2 = torch.rand(5)
print("Tensor x1:\n", x1)
print("Tensor x2:\n", x2)
print("x1 - x2:\n", x1 - x2)
print("x1 raised to the power of x2:\n", x1 ** x2)

# Sum of tensor elements along dimension 0
sum_x = torch.sum(x, dim=0)
print("Sum along dimension 0:", sum_x)

# Maximum and minimum values
value, indices = torch.max(x, dim=0)
print("Max value and index:", value, indices)

value, indices = torch.min(x, dim=0)
print("Min value and index:", value, indices)

# Other operations
print("Absolute values:", torch.abs(x))
print("Argmax:", torch.argmax(x, dim=0))
print("Argmin:", torch.argmin(x, dim=0))
print("Mean (converted to float):", torch.mean(x.float(), dim=0))
print("Element-wise equality (x == y):", torch.eq(x, y))

# Sorting
sorted_y, indices = torch.sort(y, dim=0, descending=False)
print("Sorted y and indices:", sorted_y, indices)

# Clamping values
print("Clamped x:", torch.clamp(x, min=0))

# Boolean operations
x_bool = torch.tensor([1, 0, 1, 1, 1], dtype=torch.bool)
print("Any True:", torch.any(x_bool))
print("All True:", torch.all(x_bool))

# Create a random tensor with shape (batch_size, features)
batch_size = 10
features = 25
x = torch.rand((batch_size, features))

# Access the first row
print("First row of tensor:", x[0, :])

# Access the second column
print("Second column of tensor:", x[:, 1])

# Access the first 10 elements of the third row
print("First 10 elements of third row:", x[2, 0:10])

# Modify a specific element (set first element to 100)
x[0, 0] = 100

# Fancy indexing example
x1 = torch.arange(10)
indices = [2, 5, 8]
print("Fancy indexing result:", x1[indices])

# Advanced indexing: select elements based on a condition
x2 = torch.arange(10)
print("Elements where x2 < 2 or x2 > 8:", x2[(x2 < 2) | (x2 > 8)])
print("Even numbers in x2:", x2[x2.remainder(2) == 0])

# Using torch.where to select values based on a condition
'''
torch.where(condition, x, y)
- condition：布尔型张量，决定从 x 或 y 中选择元素
- x：condition 为 True 时选择的值，支持张量或标量
- y：condition 为 False 时选择的值，支持张量或标量
'''
print("Using torch.where:", torch.where(x2 > 5, x2, x2 * 2))

# Reshape a tensor using view and reshape
x = torch.arange(9)
x_3x3 = x.view(3, 3)
print("Reshaped to 3x3 using view:\n", x_3x3)
x_3x3 = x.reshape(3, 3)
print("Reshaped to 3x3 using reshape:\n", x_3x3)

# Transpose and flatten the tensor
y = x_3x3.t()
print("Flattened transposed tensor:", y.contiguous().view(9))

# Concatenation example
x1 = torch.rand(2, 5)
x2 = torch.rand(2, 5)
print("Concatenated along dimension 0 (rows):", torch.cat([x1, x2], dim=0).shape)
print("Concatenated along dimension 1 (columns):", torch.cat([x1, x2], dim=1).shape)

# Flatten the tensor using view(-1)
z = x1.view(-1)
print("Flattened tensor shape:", z.shape)

# Reshape with batch dimension
batch = 64
x = torch.rand(batch, 2, 5)
print("Reshaped to (batch, -1):", x.view(batch, -1).shape)

# Permute dimensions
z = x.permute(0, 2, 1)
print("Permuted tensor shape:", z.shape)

# Unsqueeze examples (adding new dimensions)
x = torch.arange(10)
print("Original x:", x)
print("x unsqueezed at dim 0:", x.unsqueeze(0).shape, x.unsqueeze(0))
print("x unsqueezed at dim 1:", x.unsqueeze(1).shape, x.unsqueeze(1))

int()   # 转为整形
x ='1111'
a = int(x, 2) # 二进制转为十进制
print("a:" + str(a))
a = int(x, 16) # 十六进制转为十进制

float() # 转为浮点型

str()   # 转为字符串

hex()   # 转为十六进制

ord()   # 将一个字符转换为它的整数值        print(ord('a')) # 97

chr()   # 将一个整数值转换为它的字符形式   print(chr(65))  # 'A'

oct()   # 转为八进制

bin()   # 将数字映射为二进制字符串    print(bin(8)+bin(12^4)) # '0b10000b1000'

# 方式一：内置函数
str1 = 'SDA'
str1 = str1.lower()
print(str1)

str2 = 'sda'
str2 = str2.upper()
print(str2)

# 方式二：   （a比A的ASCII大32，a为97，A为65）
def to_upper(char):
    if char >= 'a' and char <= 'z':
        return chr(ord(char)-32)
    return char

def to_lower(char):
    if char >= 'A' and char <= 'Z':
        return chr(ord(char)+32)
    return char

str1 = 'S'
str1 = to_lower(str1)
print(str1)

str2 = 'a'
str2 = to_upper(str2)
print(str2)

print(r'\n') # 输出结果：\n

print("My name is %s and weight is %d kg!" % ('Zara', 21))

tup = ('physics', 'chemistry', 1997, 2000)

# 以下删除元组元素操作是非法的
tup = ('physics', 'chemistry', 1997, 2000)
try:
    del tup[0]
except Exception as e:
    print(e)

tup = ('physics', 'chemistry', 1997, 2000)
del tup

# 以下修改元组元素操作是非法的
tup = ('physics', 'chemistry', 1997, 2000)

try:
    tup[0] = 100
except Exception as e:
    print(e)

# 如下实例:
tup1 = (1, 2, 3)
tup2 = (4, 5, 6)
tup3 = tup1 + tup2    # (1, 2, 3, 4, 5, 6)          易错点、
print(tup3)

# 元组可以使用下标索引来访问元组中的值
tup = (1, 2, 3, 4, 5, 6, 7 )
for i in range(len(tup)):
    print(tup[i])

for item in tup:
    print(item)

lst = [1, 2, 3, 4]
tup = tuple(lst)
print(tup)

# 获取每个元素的下标和元素值--enumerate
nums = [1, 2, 3, 4, 5, 6, 7]
for index, num in enumerate(nums): 
    print(index, num)

# 获取二维数组行数和列数
matrix = [[0, 0, 0, 0], 
          [0, 0, 0, 0], 
          [0, 0, 0, 0], 
          [0, 0, 0, 0], 
          [0, 0, 0, 0]]
row = len(matrix)
col = len(matrix[0])
print(row,col)

#创建一维数组
lst = []
lst2 = [1, 2, 3, 4, 5, 6, 7]

# 创建二维数组 
# 方式一：使用循环
rows = 5
cols = 4
array = []
for i in range(rows):
    row = []
    for j in range(cols):
        row.append(0)  # 或者使用其他值初始化
    array.append(row)
print(array)

# 创建二维数组 
# 方式二：使用列表推导式
rows = 5
cols = 4
array = [[0 for _ in range(cols)] for _ in range(rows)]
print(array)

# 增加元素--append()
lst = []

lst.append('Google')

print(lst)

# 增加元素--insert()
lst = []

index = 0
item = 'Facebook'
lst.insert(index, item)

print(lst)

# 通过索引删除元素（只删除一个元素）
lst = ['Facebook', 'Google']

index = 1
del lst[index]     # del语句可以删除整个列表或列表中的特定元素。如果要删除特定元素，需要使用其索引。

print(lst)

# 通过索引删除元素（只删除一个元素）
lst = ['Facebook', 'Google']

index = 1
e = lst.pop(index)  # 通过索引删除元素，返回元素值。

print(lst)

# 通过元素值删除元素，（只删除一个元素）
lst = ['Facebook', 'Google', 'Google', 'Google', 'Google']

e = 'Google'
lst.remove(e)

print(lst)

# 通过元素值删除元素，（删除多个元素）
lst = ['Facebook', 'Google', 'Google', 'Google', 'Google']

e = 'Google'
lst = [i for i in lst if i != e]

print(lst)

lst = ['Facebook', 'Google']

index = 1
lst[index] = 'value'

print(lst)

d = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
value = lst[index]
切片
lst[1:] # 从第二个元素开始向后截取列表
lst[:4] # 从第五个元素开始向前截取列表（不包含第五个元素）
lst[1:4]
lst[1:4:2] #Python 列表截取可以接收第三个参数，参数作用是截取的步长，在索引 1 到索引 4 的位置并设置为步长为 2（不包含索引 4 的元素）

lst = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

print(lst[1:]) # 从第二个元素开始向后截取列表（包含第二个元素）

print(lst[:4]) # 从第五个元素开始向前截取列表（不包含第五个元素）

print(lst[1:4]) # 截取第二个元素到第五个元素（包含第二个元素，不包含第五个元素）

#Python 列表截取可以接收第三个参数，参数作用是截取的步长，在索引 1 到索引 4 的位置并设置为步长为 2（不包含索引 4 的元素）
print(lst[1:4:2])

len(list) # 列表元素个数
max(list) # 返回列表元素最大值
min(list) # 返回列表元素最小值

list.append(obj) # 在列表末尾添加新的对象obj
list.count(obj) # 统计某个元素obj在列表中出现的次数
list.extend(seq) # 在列表末尾一次性追加另一个序列中的多个值（用新列表扩展原来的列表）
list.index(obj) # 从列表中找出某个值obj第一个匹配项的索引位置
list.insert(index, obj) # 将对象obj插入列表
list.pop([index=-1]) # 移除列表中的一个元素（默认最后一个元素），并且返回该元素的值
list.remove(obj) # 移除列表中某个值的第一个匹配项
list.reverse() # 反向列表中元素
list.sort(cmp=None, key=None, reverse=False)    #对原列表进行排序

# 创建空字典
dt = {}

# 创建字典
dt = {'a': 1, 'b': 2, 'b': '3'}

print(dt)

# 方式 1：
dt = {'a': 1, 'b': 2}

dt['key'] = 'value' 

print(dt)

# 方式 2：
dt = {'a': 1, 'b': 2}

dt.update({'key': 'value'})

print(dt)

# 方式一： pop(key[, default])   移除并返回字典中指定键的值，如果键不存在则返回默认值None。
dt = {'a': 1, 'b': 2, 'c': 3}

key = 100
value = dt.pop(key, -999) # 移除并返回字典中指定键的值，如果键不存在则返回 -999。
print(value)

key = 'a'
value = dt.pop(key, None)
print(value)

# 方式二： del
dt = {'a': 1, 'b': 2, 'c': 3}

key = 'a'
del dt[key]     # 删除键是'key'的条目

print(dt)

# 清空字典
# 方式一： dict.clear()
dt = {'a': 1, 'b': 2, 'c': 3}

dt.clear()      # 清空字典所有条目

print(dt)

# 清空字典
dt = {'a': 1, 'b': 2, 'c': 3}

del dt          # 删除字典

try:
    print(dt)
except Exception as e:
    print(f'发生错误：{e}')

# 方式 1：
dt = {'a': 1, 'b': 2}

dt['a'] = 'value' 

print(dt)

# 方式 2：
dt = {'a': 1, 'b': 2}

dt.update({'a': 'value'})

print(dt)

value = dict['key'] # 如果用字典里没有的键访问数据，会报错
dict.get('key', default=None)     #根据key找对应value，找不到这返回default的值
dict.keys()      # 输出所有键   输出为[key1, key2,……]
dict.values()    # 输出所有值   输出为[value1, value2,……]

len(dict) # 计算字典元素个数，即键的总数。

dict.copy() # 返回一个字典的浅复制

dict.has_key(key) # 如果键在字典dict里返回true，否则返回false。Python3 不支持。

dict.fromkeys(seq[, val]) # 创建一个新字典，以序列 seq 中元素做字典的键，val 为字典所有键对应的初始值

dict.items() # 以列表返回可遍历的(键, 值) 元组数组
dict.keys() # 以列表返回一个字典所有的键
dict.values() # 以列表返回字典中的所有值

dict.get(key, default=None) # 返回指定键的值，如果值不在字典中返回default值
dict.setdefault(key, default=None) # 和get()类似, 但如果键不存在于字典中，将会添加键并将值设为default

dict.update(dict2) # 把字典dict2的键/值对更新到dict里
dict.pop(key[,default]) # 删除字典给定键 key 所对应的值，返回值为被删除的值。key值必须给出。 否则，返回default值。
dict.popitem() # 返回并删除字典中的最后一对键和值。
dict.clear() # 删除字典内所有元素

from collections import deque
# 创建一个空的deque
dq = deque()

# 头部（左侧）添加元素
dq = deque(['a', 'b'])
dq.appendleft('c')
print("输出结果：",end='')
print(dq)

# 尾部（右侧）添加元素
dq = deque()
dq.append('a')
dq.append('b')
print("输出结果：",end='')
print(dq)

# 头部（左侧）批量添加（注意顺序会逆序插入）
dq = deque([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
dq.extendleft([-2, -1]) 
print("输出结果：",end='')
print(dq)

# 尾部（右侧）批量添加
dq = deque([0, 1, 2, 3, 4, 5, 6])
dq.extend([7, 8, 9])
print("输出结果：",end='')
print(dq)

# 头部（左侧）移除元素
dq = deque([0, 1, 2, 3, 4, 5, 6])
left_item = dq.popleft()
print(left_item)
print(dq)

# 尾部（右侧）移除元素
dq = deque([0, 1, 2, 3, 4, 5, 6])
right_item = dq.pop()
print(right_item)
print(dq)

# 删除指定元素（如果存在多个，仅删除第一个）
dq = deque([1, 2, 3, 3, 4])
dq.remove(3)  # 删除值为 3 的元素（如果存在多个，仅删除第一个）
print(dq)

# 清空双端队列
dq = deque([1, 2, 3, 4, 5])
dq.clear()
print(dq)

dq = deque([1, 2, 3, 3, 4])
dq[2] = 100  # 修改索引 2 位置的元素
print(dq)

dq = deque([1, 2, 3, 3, 4])
head = dq[0] # 表示头部元素
rear = dq[-1] # 表示尾部元素
print(dq)
print(head)
print(rear)

# 插入元素后再查找
dq.appendleft(0)
dq.append(5)
head = dq[0] # 表示头部元素
rear = dq[-1] # 表示尾部元素
print('两端插入元素后')
print(dq)
print(head)
print(rear)

# 往右转两步
dq = deque([1, 2, 3, 4, 5])
dq.rotate(2)
print(dq)  # deque([4, 5, 1, 2, 3])

# 往左转三步
dq = deque([1, 2, 3, 4, 5])
dq.rotate(-3)
print(dq)  # deque([2, 3, 4, 5, 1])

# 翻转双端队列
dq = deque([0, 1, 2, 3, 4, 5, 6, 7, 8])
dq.reverse()
print(dq)

#1.用{}创建set集合
person ={"student","teacher","babe",123,321,123} #同样各种类型嵌套,可以赋值重复数据，但是存储会去重
print(person) #但是显示出来则是去重的   输出：  {321, 'teacher', 'student', 'babe', 123}

#2.空set集合用set()函数表示
person1 = set() #表示空set，不能用person1={}

#3.用set()函数创建set集合
person2 = set(("hello","jerry",133,11,133,"jerru")) #只能传入一个参数，可以是list,tuple等 类型
print(len(person2)) # 输出： 5
print(person2)  # 输出： {133, 'jerry', 11, 'jerru', 'hello'}

add()不会拆分；update()会拆分
person ={"student","teacher","babe",123,321,123}
person.add("student") #如果元素已经存在，则不报错，也不会添加,不会将字符串拆分成多个元素，区别update
print(person)   # 输出：{321, 'babe', 'teacher', 'student', 123}
person.add((1,23,"hello")) #可以添加元组，但不能是list
print(person)   # 输出： {(1, 23, 'hello'), 321, 'babe', 'teacher', 'student', 123}

person.update((1,3)) #可以使用update添加一些元组列表，字典等。但不能是字符串，否则会拆分
print(person)   # 输出：{321, 1, 3, 'teacher', (1, 23, 'hello'), 'babe', 'student', 123}
person.update("abc")
print(person)  #会将字符串拆分成a,b，c三个元素    输出： {321, 1, 3, 'b', 'c', 'teacher', (1, 23, 'hello'), 'a', 'babe', 'student', 123}

person.remove("student")#按元素去删除
print(person)  # 如果不存在 ，会报错。

person.discard("student")#功能和remove一样，好处是没有的话，不会报错
person.pop() #在list里默认删除最后一个，在set里随机删除一个。

# 直接清空set
person.clear()

# 查询是否存在，无法返回索引，使用in判断
if "teacher" in person:
    print("true")
else:
    print("不存在")

set1 & set2

set1 | set2

set1 - set2

set1 ^ set2

import math
math.abs(x)  # 返回数字的绝对值，如abs(-10) 返回 10
math.ceil(x) # 返回数字的上入整数，如math.ceil(4.1) 返回 5
math.exp(x)	# 返回e的x次幂(ex),如math.exp(1) 返回2.718281828459045
math.floor(x)	# 返回数字的下舍整数，如math.floor(4.9)返回 4
math.log(x)	# 如math.log(math.e)返回1.0,math.log(100,10)返回2.0
math.log10(x)	# 返回以10为基数的x的对数，如math.log10(100)返回 2.0
math.max(x1, x2,...)	# 返回给定参数的最大值，参数可以为序列。
math.min(x1, x2,...)	# 返回给定参数的最小值，参数可以为序列。
math.modf(x)	# 返回x的整数部分与小数部分，两部分的数值符号与x相同，整数部分以浮点型表示。
math.pow(x, y)	# x**y 运算后的值。
math.round(x [,n])	# 返回浮点数x的四舍五入值，如给出n值，则代表舍入到小数点后的位数。
math.sqrt(x)	# 返回数字x的平方根

math.choice(seq)	# 从序列的元素中随机挑选一个元素，比如random.choice(range(10))，从0到9中随机挑选一个整数。
math.randrange ([start,] stop [,step])	# 从指定范围内，按指定基数递增的集合中获取一个随机数，基数默认值为 1
math.random()	# 随机生成下一个实数，它在[0,1)范围内。
math.seed([x])	# 改变随机数生成器的种子seed。如果你不了解其原理，你不必特别去设定seed，Python会帮你选择seed。
math.shuffle(list)	# 将序列的所有元素随机排序
math.uniform(x, y)	# 随机生成下一个实数，它在[x,y]范围内。

import math
import numpy as np
import sympy as sp

def taylor_expansion(f, a, n, x_val):
    """ 使用泰勒级数近似计算 f(x) 在 x=a 附近的值 """
    
    # 1. 定义符号变量 x（SymPy 用于符号计算）
    x = sp.Symbol('x')  
    
    # 2. 将输入函数 f(x) 转换为 sympy 表达式
    f_sym = f(x)  
    
    # 3. 初始化泰勒展开的结果
    result = 0  

    # 4. 计算 0 到 n-1 阶的泰勒展开
    for i in range(n):  
        # 4.1 计算 f(x) 的 i 阶导数，并在 x=a 处求值
        derivative = sp.diff(f_sym, x, i).subs(x, a)  
        
        # 4.2 计算泰勒展开的第 i 项
        term = (derivative / math.factorial(i)) * (x_val - a) ** i  
        
        # 4.3 将该项累加到最终结果
        result += term  

    # 5. 返回计算后的近似值，并转换为 float 以兼容 NumPy
    return float(result)  

# 测试 e^x 在 x=0 处的 5 阶展开，估算 e^0.5
f = lambda x: sp.exp(x)  # 定义 e^x
approx_value = taylor_expansion(f, 0, 5, 0.5)

# 输出计算结果
print(f"泰勒展开近似值: {approx_value}")
print(f"e^0.5 的真实值: {np.exp(0.5)}")  # 对比真实值

import sys
line = sys.stdin.readline().strip()
array = line.split()
print(int(array[0]) + int(array[1]))

def simple_search(lst, e):
    for index, item in enumerate(lst):
        if item == e:
            return index
    return None

def binary_search(lst, e):
    low = 0
    high = len(lst) - 1
    while low <= high:
        cur = (low + high) // 2
        if lst[cur] == e:
            return cur
        elif lst[cur] > e:
            high = cur - 1
        elif lst[cur] < e:
            low = cur + 1
    return None

class Node:
    def __init__(self, key):
        self.key = key
        self.left = None
        self.right = None

class BinarySearchTree:
    def __init__(self):
        self.root = None

    def insert(self, key):
        if self.root is None:
            self.root = Node(key)
        else:
            self._insert(self.root, key)

    def _insert(self, node, key):
        # 如果 key 小于当前节点的值，则插入到左子树
        if key < node.key:
            if node.left is None:
                node.left = Node(key)
            else:
                self._insert(node.left, key)
        # 如果 key 大于当前节点的值，则插入到右子树
        elif key > node.key:
            if node.right is None:
                node.right = Node(key)
            else:
                self._insert(node.right, key)

    def search(self, key):
        return self._search(self.root, key)

    def _search(self, node, key):
        # 如果节点为空或找到了目标值，返回结果
        if node is None or node.key == key:
            return node
        # 如果目标值小于当前节点的值，则在左子树查找
        elif key < node.key:
            return self._search(node.left, key)
        # 如果目标值大于当前节点的值，则在右子树查找
        else:
            return self._search(node.right, key)

    def print_inorder(self):
        self._inorder(self.root)

    def _inorder(self, node):
        if node:
            self._inorder(node.left)
            print(node.key, end=" ")
            self._inorder(node.right)

# 使用示例
bst = BinarySearchTree()
bst.insert(50)
bst.insert(30)
bst.insert(20)
bst.insert(40)
bst.insert(70)
bst.insert(60)
bst.insert(80)

# 查找
result = bst.search(40)
if result:
    print("Found:", result.key)
else:
    print("Not Found")

# 打印树的中序遍历（升序）
bst.print_inorder()  # 输出：20 30 40 50 60 70 80

class HashTable:
    def __init__(self, size):
        self.size = size  # 哈希表大小
        self.table = [None] * size  # 初始化哈希表为大小为 size 的列表

    def hash_function(self, key):
        """简单的哈希函数：key 对哈希表大小取模"""
        return key % self.size

    def insert(self, key, value):
        """插入 key-value 对"""
        index = self.hash_function(key)  # 计算哈希值
        if self.table[index] is None:
            self.table[index] = [(key, value)]  # 如果该位置为空，直接插入
        else:
            # 处理哈希冲突：如果该位置已经有数据，采用链表法（在链表中插入新元素）
            for i in range(len(self.table[index])):
                if self.table[index][i][0] == key:  # 如果已有相同的 key，更新值
                    self.table[index][i] = (key, value)
                    return
            self.table[index].append((key, value))  # 没有相同 key，追加到链表

    def search(self, key):
        """查找 key 对应的值"""
        index = self.hash_function(key)
        if self.table[index] is None:
            return None  # 如果该位置为空，表示 key 不存在
        else:
            # 遍历链表，查找是否有对应的 key
            for k, v in self.table[index]:
                if k == key:
                    return v
        return None  # 没找到对应的 key

    def delete(self, key):
        """删除 key 对应的元素"""
        index = self.hash_function(key)
        if self.table[index] is None:
            return None  # 如果该位置为空，表示 key 不存在
        else:
            for i, (k, v) in enumerate(self.table[index]):
                if k == key:
                    del self.table[index][i]  # 删除 key-value 对
                    return
        return None  # 没有找到对应的 key

    def print_table(self):
        """打印哈希表"""
        for index, bucket in enumerate(self.table):
            print(f"Index {index}: {bucket}")


# 使用哈希表的示例
hash_table = HashTable(10)  # 创建一个大小为 10 的哈希表

# 插入数据
hash_table.insert(10, "Value10")
hash_table.insert(20, "Value20")
hash_table.insert(15, "Value15")
hash_table.insert(25, "Value25")
hash_table.insert(5, "Value5")

# 查找数据
print("Search for key 15:", hash_table.search(15))  # 输出: Value15
print("Search for key 30:", hash_table.search(30))  # 输出: None

# 删除数据
hash_table.delete(15)
print("After deleting key 15:")
hash_table.print_table()

# 查找删除后的数据
print("Search for key 15 after deletion:", hash_table.search(15))  # 输出: None

def selection_sort(arr):
    n = len(arr)
    for i in range(n - 1):
        min_index = i
        # 在未排序部分寻找最小值
        for j in range(i + 1, n):
            if arr[j] < arr[min_index]:
                min_index = j
        # 交换最小值与当前位置
        arr[i], arr[min_index] = arr[min_index], arr[i]
    return arr

# 示例
arr = [5, 2, 9, 1, 5, 6]
sorted_arr = selection_sort(arr)
print(sorted_arr)

def insertion_sort(arr):
    n = len(arr)
    for i in range(1, n):
        key = arr[i]
        j = i - 1
        # 将比 key 大的元素后移
        while j >= 0 and arr[j] > key:
            arr[j + 1] = arr[j]
            j -= 1
        # 插入 key
        arr[j + 1] = key
    return arr

# 示例
arr = [5, 2, 9, 1, 5, 6]
sorted_arr = selection_sort(arr)
print(sorted_arr)

def shell_sort(arr):
    n = len(arr)
    gap = n // 2  # 初始步长

    while gap > 0:
        for i in range(gap, n):
            temp = arr[i]
            j = i
            # 对当前分组使用插入排序
            while j >= gap and arr[j - gap] > temp:
                arr[j] = arr[j - gap]
                j -= gap
            arr[j] = temp
        gap //= 2  # 缩小步长

    return arr

# 示例
arr = [12, 34, 54, 2, 3]
sorted_arr = shell_sort(arr)
print(sorted_arr)

def bubble_sort(arr):
    n = len(arr)
    for i in range(n - 1):  # 需要进行 n-1 轮遍历
        for j in range(n - 1 - i):  # 每轮遍历，最大元素会“浮”到最后
            if arr[j] > arr[j + 1]:  # 交换相邻元素
                arr[j], arr[j + 1] = arr[j + 1], arr[j]
    return arr

# 示例
arr = [64, 34, 25, 12, 22, 11, 90]
sorted_arr = bubble_sort(arr)
print(sorted_arr)

def counting_sort(arr, exp):
    """对数组按照 exp 位进行计数排序"""
    n = len(arr)
    output = [0] * n
    count = [0] * 10  # 0-9 数字的计数

    # 统计每个数字出现的次数
    for i in range(n):
        index = (arr[i] // exp) % 10
        count[index] += 1

    # 累加，计算每个数字的最终位置
    for i in range(1, 10):
        count[i] += count[i - 1]

    # 逆序填充 output，保证稳定性
    for i in range(n - 1, -1, -1):
        index = (arr[i] // exp) % 10
        output[count[index] - 1] = arr[i]
        count[index] -= 1

    # 复制回原数组
    for i in range(n):
        arr[i] = output[i]

def radix_sort(arr):
    """基数排序"""
    max_num = max(arr)  # 找到最大数，确定排序轮数
    exp = 1  # 逐位排序（1, 10, 100, ...）
    
    while max_num // exp > 0:
        counting_sort(arr, exp)
        exp *= 10  # 进位

# 示例
arr = [170, 45, 75, 90, 802, 24, 2, 66]
radix_sort(arr)
print(arr)

def quick_sort(lst):
    if len(lst) < 2:
        return lst
    else:
        pivot = lst[0]
        less = []
        greater = []
        for i in range(1, len(lst)):
            if lst[i] <= pivot:
                less.append(lst[i])
            else:
                greater.append(lst[i])
        return quick_sort(less) + [pivot] + quick_sort(greater)

def merge_sort(arr):
    if len(arr) <= 1:
        return arr  # 递归终止条件，数组长度为 1

    # 1. 拆分数组
    mid = len(arr) // 2
    left = merge_sort(arr[:mid])  # 排序左半部分
    right = merge_sort(arr[mid:])  # 排序右半部分

    # 2. 合并两个有序数组
    return merge(left, right)

def merge(left, right):
    result = []
    i = j = 0
    while i < len(left) and j < len(right):
        if left[i] <= right[j]:  # 保持稳定性
            result.append(left[i])
            i += 1
        else:
            result.append(right[j])
            j += 1

    # 处理剩余元素
    result.extend(left[i:])
    result.extend(right[j:])
    
    return result

# 示例
arr = [38, 27, 43, 3, 9, 82, 10]
sorted_arr = merge_sort(arr)
print(sorted_arr)

def heapify(arr, n, i):
    """维护堆的性质"""
    largest = i  # 假设当前节点是最大值
    left = 2 * i + 1  # 左子节点
    right = 2 * i + 2  # 右子节点

    # 如果左子节点比当前节点大，更新 largest
    if left < n and arr[left] > arr[largest]:
        largest = left

    # 如果右子节点比当前节点大，更新 largest
    if right < n and arr[right] > arr[largest]:
        largest = right

    # 如果 largest 发生变化，则交换并继续调整
    if largest != i:
        arr[i], arr[largest] = arr[largest], arr[i]
        heapify(arr, n, largest)  # 递归调整子树

def heap_sort(arr):
    """堆排序"""
    n = len(arr)

    # 1. 构建最大堆（从最后一个非叶子节点开始调整）
    for i in range(n // 2 - 1, -1, -1):
        heapify(arr, n, i)

    # 2. 交换堆顶元素和末尾元素，并调整堆
    for i in range(n - 1, 0, -1):
        arr[i], arr[0] = arr[0], arr[i]  # 交换最大元素到数组末尾
        heapify(arr, i, 0)  # 调整剩余堆结构

# 示例
arr = [4, 10, 3, 5, 1]
heap_sort(arr)
print(arr)  # 输出 [1, 3, 4, 5, 10]

import heapq
def lastStoneWeight(stones) -> int:
    h = [-1*n for n in stones]
    heapq.heapify(h)
    while len(stones) > 1:
        y = heapq.heappop(h) * -1
        x = heapq.heappop(h) * -1
        if x != y:
            heapq.heappush(h, (y-x))
    return heapq.heappop(h)*-1 if len(h) == 1 else 0

print(lastStoneWeight([1]))

import heapq
from collections import defaultdict

# 哈夫曼树节点类
class Node:
    def __init__(self, char, freq):
        self.char = char  # 字符
        self.freq = freq  # 字符频率
        self.left = None  # 左子树
        self.right = None  # 右子树

    # 为了让堆排序时比较节点频率
    def __lt__(self, other):
        return self.freq < other.freq

# 构建哈夫曼编码
def build_huffman_tree(text):
    # 统计字符频率
    frequency = defaultdict(int)
    for char in text:
        frequency[char] += 1
    
    # 创建最小堆（优先队列）
    heap = [Node(char, freq) for char, freq in frequency.items()]
    heapq.heapify(heap)
    
    # 构建哈夫曼树
    while len(heap) > 1:
        # 取出两个频率最小的节点
        left = heapq.heappop(heap)
        right = heapq.heappop(heap)
        
        # 创建新节点，频率为左右子节点之和
        merged = Node(None, left.freq + right.freq)
        merged.left = left
        merged.right = right
        
        # 将新节点插入堆中
        heapq.heappush(heap, merged)
    
    # 返回哈夫曼树的根节点
    return heap[0]

# 为哈夫曼树生成编码
def generate_huffman_codes(root, prefix='', codebook={}):
    if root is None:
        return codebook
    
    # 如果是叶子节点（字符节点），将字符和编码保存
    if root.char is not None:
        codebook[root.char] = prefix
    
    # 递归地生成左子树和右子树的编码
    generate_huffman_codes(root.left, prefix + '0', codebook)
    generate_huffman_codes(root.right, prefix + '1', codebook)
    
    return codebook

# 对文本进行哈夫曼编码
def huffman_encode(text):
    root = build_huffman_tree(text)  # 构建哈夫曼树
    codes = generate_huffman_codes(root)  # 生成哈夫曼编码
    encoded_text = ''.join(codes[char] for char in text)  # 将原文本编码
    return encoded_text, codes

# 对编码后的文本进行解码
def huffman_decode(encoded_text, codes):
    # 反向构建解码表
    reverse_codes = {v: k for k, v in codes.items()}
    decoded_text = ''
    prefix = ''
    
    # 遍历编码文本，逐步匹配解码
    for bit in encoded_text:
        prefix += bit
        if prefix in reverse_codes:
            decoded_text += reverse_codes[prefix]
            prefix = ''  # 重置prefix
    
    return decoded_text

# 使用示例
text = "this is an example for huffman encoding"
encoded_text, codes = huffman_encode(text)
print("原始文本:", text)
print("哈夫曼编码:", encoded_text)
print("哈夫曼编码表:", codes)

# 解码示例
decoded_text = huffman_decode(encoded_text, codes)
print("解码后的文本:", decoded_text)

from collections import deque
def dfs(graph, root):
    visited = set()
    dq = deque([root])
    while dq:
        vertex = dq.pop()     #DFS使用栈，先进后出
        if vertex not in visited:
            visited.add(vertex)
            print(vertex, end=' ')
        for neighbour in graph[vertex]:
            if neighbour not in visited:
                dq.append(neighbour)

# 有向图的邻接表表示
graph = {
    'A': ['B', 'C'],
    'B': ['D', 'E'],
    'C': ['F'],
    'D': [],
    'E': ['F'],
    'F': []
}

dfs(graph, 'A') 

from collections import deque
def bfs(graph, root):
    visited = set()
    dq = deque([root])
    while dq:
        vertex = dq.popleft()    # BFS使用队列，先进先出
        if vertex not in visited:
            visited.add(vertex)
            print(vertex, end=" ")
        for neighbour in graph[vertex]:
            if neighbour not in visited:
                dq.append(neighbour)

# 有向图的邻接表表示
graph = {
    'A': ['B', 'C'],
    'B': ['D', 'E'],
    'C': ['F'],
    'D': [],
    'E': ['F'],
    'F': []
}

bfs(graph, 'A')

import heapq  # 导入堆（优先队列）

class Graph:
    def __init__(self, vertices):
        self.V = vertices  # 顶点数
        self.graph = {}  # 图的邻接表
    
    def add_edge(self, u, v, weight):
        """向图中添加边，边的格式是(u, v, weight)"""
        if u not in self.graph:
            self.graph[u] = []
        if v not in self.graph:
            self.graph[v] = []
        self.graph[u].append((v, weight))
        self.graph[v].append((u, weight))
    
    def prim(self, start):
        """运行Prim算法，构造最小生成树"""
        mst = []  # 存储最小生成树的边
        visited = set()  # 记录已访问的顶点
        min_heap = []  # 最小堆（优先队列）

        # 从起始顶点开始
        visited.add(start)
        for neighbor, weight in self.graph[start]:
            heapq.heappush(min_heap, (weight, start, neighbor))  # 将所有与起始顶点相连的边加入堆
        
        while min_heap:
            weight, u, v = heapq.heappop(min_heap)  # 弹出权重最小的边
            if v not in visited:  # 如果v尚未访问
                visited.add(v)  # 标记v为已访问
                mst.append((u, v, weight))  # 将这条边加入最小生成树
                for neighbor, w in self.graph[v]:  # 遍历与v相连的边
                    if neighbor not in visited:
                        heapq.heappush(min_heap, (w, v, neighbor))  # 将未访问的边加入堆
        
        return mst

# 使用示例
g = Graph(5)  # 创建一个包含5个顶点的图

# 添加边：格式为 (u, v, weight)
g.add_edge(0, 1, 2)
g.add_edge(0, 3, 6)
g.add_edge(1, 3, 8)
g.add_edge(1, 2, 3)
g.add_edge(3, 4, 7)
g.add_edge(2, 4, 5)

# 运行Prim算法，选择顶点0作为起始点
mst = g.prim(0)

# 输出最小生成树
print("最小生成树的边及权重：")
for u, v, weight in mst:
    print(f"({u}, {v}) -> 权重: {weight}")