Uniões e interseções de conjuntos
Os conjuntos em Python são semelhantes aos conjuntos na matemática em muitos sentidos. Eles são definidos da mesma forma - com chaves. Pode-se realizar união, interseção ou subtração em conjuntos. A interseção $$X \cap Y$$ de um conjunto X e Y pode ser feita com
& em Python. A união $$X \cup Y$$ de um conjunto X e Y pode ser feita com |. E a subtração $$X - Y$$ pode ser feita com um simples operador -:x = {3, 12, 5, 13}
y = {14, 15, 6, 3}
print(x, y) # {5, 3, 12, 13} {3, 15, 6, 14}
print(x & y) # {3}
print(x | y) # {3, 5, 6, 12, 13, 14, 15}
print(x - y) # {13, 12, 5}- A interseção de dois conjuntos inclui todos os elementos que estão presentes em ambos os conjuntos. Assim, em Python, é denotada como o operador "e"
&(elementos em A e B).
- A união de dois conjuntos inclui todos os elementos de ambos os conjuntos. Assim, em Python, é denotada como o operador "ou"
|(elementos em A ou B).
- A subtração de dois conjuntos inclui todos os elementos que estão presentes no conjunto A mas não estão presentes em B. Assim, em Python, é denotada como o operador de subtração
-(elementos em A mas não em B).
Desafio
Imagine que você é um professor em uma turma onde cada grupo cria várias apresentações ao longo do ano sobre diferentes tópicos. Existem
n grupos de estudantes e cada grupo cria uma ou mais apresentações durante o ano. Você está interessado em 2 números: quantos tópicos diferentes foram abordados durante o ano e quantos tópicos foram apresentados por TODOS os grupos.A primeira linha da entrada contém um único inteiro
n. As próximas n linhas contêm os tópicos que cada grupo apresentou, separados por uma vírgula e um espaço , .O programa deve imprimir dois números separados por um espaço. O primeiro número deve indicar o número total de tópicos apresentados e o segundo número deve indicar quantos tópicos foram abordados por todos os grupos da turma.
Entrada | Saída |
4
Neural Networks, Deep Learning, Machine Learning, AI
AI, Data Science, Sports Analytics, Deep Learning
Deep Learning, AI, Automation of jobs with AI
AI, Scientific thinking, Recent advances in NLP, Deep Learning | 9 2 |
1
Python, Django, Flask, AI, Backend | 5 5 |
Explicação:
- Há 9 tópicos únicos abordados: Aprendizagem Profunda (Deep Learning), Aprendizado de Máquina (Machine Learning), Redes Neurais (Neural Networks), Ciência de Dados (Data Science), Análise Esportiva (Sports Analytics), Pensamento Científico (Scientific thinking), Automação de trabalhos com IA (Automation of jobs with AI), Avanços recentes em PLN (Recent advances in NLP), IA (Inteligência Artificial).
- Há 2 tópicos abordados por todos os grupos: Aprendizagem Profunda (Deep Learning), IA (Inteligência Artificial).
Constraints
Time limit: 1 seconds
Memory limit: 512 MB
Output limit: 1 MB