@qcts33 直接看不到，我是根据某个包 ~1~3M 的大概下载时间估的……装 cudatoolkit 和更新 mkl 的时候基本都看不到条在走……但是官网用 firefox 或者 chrome 下安装包 20M+，anaconda 谜之操作

@Northxw
@youngxu
大佬们有没有整过能让 intel python ？我看 intel python 可以用 miniconda + intel 的源，好像速度还挺给力的。

如果用 pip 的话，能不能在 intel python (mkl-numpy, scipy, sklearn, sympy...) 之类的基础上装上 numba, numba+cuda, pyculib 之类的东西？还是须要编译？ Anaconda 直接集成确实方便。。。

@youngxu anaconda 的 numpy+mkl 爽到飞起…… pip 貌似够呛点..... Intel 发布的 python 好像也是 conda，而且，好老……

@qcts33 我也是 ipv6，从官方网站下载 ananconda 包也是……但是下载（火狐&chrome ）都能 20MB+，就 conda update --all 在 kB ....

ML 数据分析一类的……好好学数学？动力学？随机过程？概率论数理统计？看起来就这仨，然而基础知识多到吐……←_←

21 天精通 C++
21 天精通 JAVA
21 天精通...

随便挑五本，105 天成神 ^_^

@caneman 没太理解，因为如果一个位置上叠加 1000 粒米，如果圆盘可以叠加，则需要 20 个。如果圆盘是上层会计入下层，那么无论怎么覆盖都覆盖不了啊，因为 1000 粒米在同一个位置，选多小的圆都会有交叠。

迭代法可能要考虑到最好和最差，我现在脑袋有点残，有时间我算一下。但是原则上六方堆积那个很好算，第一次使用大约 0.25A 次尝试求出粒子空间分布，第二次直接用大概 N/50 个圆进行覆盖。总尝试次数很稳定。当然，因为是保留用来探测粒子分布且覆盖小于 50 粒子的圆，总测试次数要很大程度上小过 0.25A + N/50 的，最差情况就是所有粒子堆叠，分布均匀应该会省力很多。

好像不是 O(Log(A))……算了，熬夜脑袋不太对。
或者第一步使用六方堆积，用 ~0.25 A 次尝试求出空间分布，再根据空间分布一次性解决问题？

所用的圆是大于这个四等分区间的，所以不存在漏掉粒子的问题。

嗯……既然米粒空间分布不可知，那么第一次，比如我选择大过底面的圆覆盖，算不算我已经知道了米粒的空间分布信息？还是只返回一个米粒个数？如果只返回米粒个数，假设粒子数也比较多，那么可不可以这样尝试：
1. 使用一个大圆求出总粒子数；>50 撤掉，<50 问题解决；
2. 四等分底面，用四个圆分别覆盖，<50 保留并跳过此 1/4 的区间，>50 撤掉并将这个区间继续四等分
重复以上步骤，直到所有圆下面粒子<50，是不是 O(Log(A)) 次尝试？

如果涉及大圆超过 50 个粒子，需要在大圆上覆盖其他圆的时候，参考：
https://en.wikipedia.org/wiki/Circle_packing_in_a_circle
圆里继续做堆积……

我感觉你问的问题还是有点 bug 的……其实如果每个圆选取时个数时无限的，大小随意，需求是覆盖所有米粒，那么是不是一直拿能盖住所有粒子的圆往上堆，到 米粒总数 /50 个圆完事……

抱歉，最后写得有点脑残：
方形面积 x 0.25 个圆，覆盖 0.91 的面积，平均每个圆覆盖 3.64% 的面积，或者在均匀分布下，3.64%的米粒……

我觉得就是怎么用圆有效填充方形面积的问题。
1.圆盘大小限定死了吗？如果圆盘大小是限定的，则用六方堆积圆盘，你用了立方堆积，很浪费空间。
2.如果有大有小，则尽可能用最大圆盘进行六方堆积，用尽以后空白处用次一号的圆进行六方堆积。
米粒随机意味着我可以认为米粒是均匀分布，米粒密度 x 圆盘大小为圆盘下覆盖米粒数的期望；圆下米粒数服从二项分布，假设 p=圆盘面积(A)/底面积，则 P(n; N, A) NCn p^n(1-p)^(N-n) 为总 N 粒米，圆盘下 n 粒米的概率，所以期望是 Np, 方差是 Np(1-p)，你可以用来估计某面积圆盘下大过 50 粒米的概率，最后对大圆盘进行加强覆盖。

所以，我觉得一个很简单的方案是选一个 p(50; N, A) 比较小的某个大小的圆盘进行六方堆叠，判定一下如果有超过 50 个粒子的在上面直接覆盖一个圆盘完事。因为当圆直径 /平面边长比较小(<0.3)的时候，数密度大概是 0.25 ，也就是方形面积 x0.25 个圆，能够达到 0.91 的覆盖率。平均每个圆大概覆盖 22% 左右的米粒。

参考：
https://en.wikipedia.org/wiki/Circle_packing
https://en.wikipedia.org/wiki/Circle_packing_in_a_square

真·学 python ....

@akmonde 我是想说你自己用 miniconda 搞一个，连整个 conda 的 python 环境一起给他，只有自己的项目调用那个 python....保证通用。

直接 miniconda 行不行？实在不行连整个 py 环境都给他……

DoS 到他们觉得到晚上网就慢不就结了。。。

输出：

[[1, 0, 1], [3, 9, 1], [1, 3, 4], [1, 2, 5], [3, 9, 6]] [1, 9, 9, 9, 3, 2, 9, 9, 9]
[3, 9, 1]
[3, 9, 6

l = [1,2,3,3,3,9,9,9]
l = [1,9,9,9,3,2,9,9,9]
counts = [[1,0,l[0]]]
i = 0
for idx, item in enumerate(zip(l[:-1], l[1:])):
prev, nxt = item
if prev == nxt:
counts[i][0] += 1
else:
counts.append([1,nxt,idx+1])
i += 1

print(counts, l)
print(sorted(counts, key=lambda x:(x[0],x[1],-x[2]), reverse=True)[0])
# 按出现次数、元素本身大小和元素序号(逆序)排序
print(sorted(counts, key=lambda x:(x[0],x[1],-x[2]), reverse=True)[0])
# 按出现次数、元素本身大小和元素序号排序