LeetCode Hot100 刷题路线（Python版）

Ne0inhk

— 2 min read
LeetCode Hot100 刷题路线（Python版）

目录

1. LeetCode Hot100 刷题笔记（1）—— 哈希、双指针、滑动窗口-ZEEKLOG博客

2. LeetCode Hot100 刷题笔记（2）—— 子串、普通数组、矩阵-ZEEKLOG博客

3. LeetCode Hot100 刷题笔记（3）—— 链表-ZEEKLOG博客

4. LeetCode Hot100 刷题笔记（4）—— 二叉树、图论-ZEEKLOG博客

5. LeetCode Hot100 刷题笔记（5）—— 回溯-ZEEKLOG博客

6. LeetCode Hot100 刷题笔记（6）—— 栈、堆-ZEEKLOG博客

7. LeetCode Hot100 刷题笔记（7）—— 贪心-ZEEKLOG博客

8. LeetCode Hot100 刷题笔记（8）—— 动态规划（一维、二维）-ZEEKLOG博客

9. LeetCode Hot100 刷题笔记（9）—— 二分查找、技巧-ZEEKLOG博客

10. LeetCode Hot100 刷题笔记（10）—— ACM格式输入输出练习-ZEEKLOG博客

11. LeetCode非Hot100高频题（1）——常见DL手撕_多模态学习路线0常见手撕算法-ZEEKLOG博客

12. LeetCode非Hot100高频题（2）——常见LeetCode手撕-ZEEKLOG博客

1. 学习内容

        哈希、双指针、滑动窗口、子串、普通数组、矩阵、链表、二叉树、图论、回溯、二分查找、堆栈、贪心算法、动态规划、多维动态规划、技巧。LeetCode非Hot100高频题（常见DL手撕，leetcode常见其它手撕）

链接：LeetCode 热题 100 - 学习计划 - 力扣（LeetCode）全球极客挚爱的技术成长平台

2. 推荐笔记 / 课程

Read more

Python 办公自动化：批量处理 Excel/Word/PPT 实战教程

第一部分：准备工作——搭建你的自动化武器库 Python环境安装与配置 在开始自动化之旅前，首先需要搭建好Python运行环境。前往Python官网下载对应操作系统的安装包，建议选择3.7及以上版本。安装时务必勾选“Add Python to PATH”选项，这样可以在命令行中直接使用Python命令。 安装完成后，打开命令提示符（Windows）或终端（Mac/Linux），输入 python --version 验证安装是否成功。如果显示Python版本号，说明环境已就绪。 核心第三方库概览 Python之所以强大，很大程度上得益于其丰富的第三方库。针对办公自动化，我们需要安装以下几个核心库： 处理对象核心库主要功能Excelopenpyxl、pandas读写Excel文件、数据处理与分析Wordpython-docx读取、修改、创建Word文档PPTpython-pptx创建和修改PowerPoint演示文稿PDFPyPDF2、pdfplumberPDF文件合并、拆分、文本提取 安装命令非常简单，在命令行中执行： bash pip install ope

【Python】6 种方法轻松将 Python 脚本打包成 EXE 应用

引言 Python 凭借其简洁的语法和强大的功能，在数据分析、Web 开发、自动化脚本等领域广受欢迎。它“开箱即用”的特性让开发者能够快速构建原型和应用程序。然而，对于最终用户而言，运行 Python 脚本往往意味着需要预先安装 Python 解释器及相关依赖库，这对非技术背景的用户来说无疑增加了门槛。 为了解决这一问题，将 Python 代码打包成独立的可执行文件（通常在 Windows 上是 .exe 文件）成为了一个非常实用的选择。这样，用户无需任何额外环境配置，就能像运行普通软件一样直接启动您的 Python 应用。本文将为您介绍六种主流且有效的 Python 打包工具，助您轻松实现跨平台分发。 1. PyInstaller: 最流行的选择 PyInstaller 是目前最广为人知、社区支持最广泛的 Python 打包工具之一。它能够很好地处理各种复杂的依赖关系，并支持将整个应用及其所需资源打包成一个或多个独立的可执行文件。 * 特点： * 支持 Windows,

双重机器学习之因果推断 | CATE条件平均处理效应估计：五大方法原理详解与模拟数据实战（python版）

家人们我又更新了，代码和科研绘图在论文末尾，欢迎大家评论点赞和收藏，你们的认可是我坚持的动力，祝大家科研顺利。 因果推断 | CATE条件平均处理效应估计：五大方法原理详解与模拟数据实战 本文是因果推断系列文章。本篇聚焦 CATE（Conditional Average Treatment Effect，条件平均处理效应） 的估计，从ATE的局限性讲起，深入介绍S-Learner、T-Learner、X-Learner、因果森林DML和线性DML五种主流方法的原理，并在模拟数据上进行完整的代码实操与效果对比。 1 从ATE到CATE：为什么需要异质性处理效应？ 1.1 ATE只能回答"平均有没有用" ATE（Average Treatment Effect）回答的是：干预措施对整个群体的平均效果是什么？ 但在实际业务中，我们更想知道的是：对于不同的个体或子群，干预效果有什么不同？ 举几个例子： * 精准营销：给所有人发满减券ATE为正，但拆开看，高消费用户根本不需要券，低消费用户反而是增量用户——CATE帮你找到真正的增量人群。 * 个性化医疗：
Python 实战：Boss 直聘职位信息爬虫开发全解析​

Python 实战：Boss 直聘职位信息爬虫开发全解析​

在求职和职场数据分析场景中，获取结构化的职位信息能为我们提供极大的便利 —— 无论是对比薪资水平、分析行业需求，还是研究企业招聘偏好，都需要可靠的数据源支持。本文将手把手教你用 Python 开发一个 Boss 直聘爬虫，通过监听网络请求的方式高效获取职位数据，并将结果保存为 Excel 文件。 一、开发前准备：环境与工具 在开始编码前，我们需要搭建好开发环境并明确核心依赖库的作用，确保后续开发过程顺畅。 1. 环境要求 * Python 3.8 及以上版本（推荐 3.10，兼容性更好） * 浏览器：Chrome 或 Edge（需与 Chromium 内核驱动版本匹配） 2. 核心依赖库 本文爬虫主要依赖 4 个关键库，可通过pip install 库名命令安装： * DrissionPage：一款强大的浏览器自动化工具，支持控制浏览器、监听网络请求，