非遗数据标准化：项目编号清洗与去重 完整解题档案

档案概况

题目、题干与输入输出

正式题面

源文件：official-prompt.md

规则来源

• 赛项说明页码：8
• 训练题主题：非遗数据标准化：项目编号清洗与去重
• 所属赛道：非遗文化赛道

题目背景

非遗项目调研表来自不同学校和社团，地区码的大小写、批次编号和项目序号并不统一。归档前需要先完成格式清洗、合法性校验和去重。

任务描述

• 读取原始地区码、批次编号和项目编号。
• 把合法记录标准化为 REGION-xxx-yyyy 形式。
• 统计有效唯一记录数量、重复记录数量和无效记录数量。
• 按字典序输出所有唯一有效编号。

输入格式

1. 第一行输入整数 n，表示原始记录数。
2. 接下来 n 行，每行输入 region batch item。
3. region 为长度应为 2 的字母串，batch 和 item 为整数。

输出格式

1. 第一行输出 valid_unique=数量。
2. 第二行输出 duplicate=数量。
3. 第三行输出 invalid=数量。
4. 第四行输出 ids= 后接所有唯一有效编号，使用英文逗号连接；若为空则输出 ids=NONE。

数据范围与说明

• 1 <= n <= 500。
• 地区码合法条件：长度为 2，且两个字符都为英文字母。
• 1 <= batch <= 999。
• 1 <= item <= 9999。
• 标准化时地区码统一转为大写，批次补足 3 位，项目编号补足 4 位。

样例输入

6
hn 3 12
HB 17 9
Hn 3 12
x1 8 2
GS 1000 1
sx 20 300

样例输出

valid_unique=3
duplicate=1
invalid=2
ids=HB-017-0009,HN-003-0012,SX-020-0300

样例解释

• hn 3 12 与 Hn 3 12 标准化后都变成 HN-003-0012，第二条属于重复记录。
• x1 8 2 的地区码含数字，GS 1000 1 的批次超范围，因此都是无效记录。
• 最终唯一有效编号共有 3 个，按字典序输出。

知识点清单

• 字符串合法性判断。
• 大小写统一和编号补零。
• 集合去重与重复统计。
• 字典序排序。
• 数据清洗中的格式校验。

约束拆解

源文件：parsed-constraints.md

显式约束

• 1 <= n <= 500。
• 地区码合法条件：长度为 2，且两个字符都为英文字母。
• 1 <= batch <= 999。
• 1 <= item <= 9999。
• 标准化时地区码统一转为大写，批次补足 3 位，项目编号补足 4 位。

建模拆解

• 先明确输入的实体和字段，再把它们翻译成 字符串校验 + 集合去重 需要的数据结构。
• 把输出中每一项指标都和中间变量对应起来，避免最后临时拼装。
• 先用样例手推一次，再确认边界条件是否都能走到正确分支。

易错边界

• 地区码中含有数字或长度不为 2 时属于无效记录。
• 同一条合法记录多次出现时，只能第一次计入唯一编号。
• 没有任何合法记录时要输出 ids=NONE。

计分模型

源文件：scoring-model.md

判题方式

• 主判题方式：exact
• 主算法：字符串校验 + 集合去重

判题重点

• 重点校验公式、排序规则和格式化输出是否完全一致。
• 隐藏数据会覆盖边界值、重复值和最小规模输入。

公开样例建议

• 至少准备 1 组题面样例、2 组边界样例和 2 组自定义回归样例。
• 多输出题必须验证所有字段都来自同一套方案。

隐藏数据建议

• 验证全部记录都无效的情况。
• 验证同一条合法记录连续出现多次的情况。
• 验证地区码大小写混用但语义相同的情况。

验收清单

源文件：acceptance-checklist.md

• 正式题面、约束拆解、评分说明均已补齐
• 样例输入输出已定义并通过主实现校验
• python 主实现已提供并与样例输出对齐
• 调试记录、决策记录、验证计划已补齐
• 可由 20-tools/assemble_case_dossiers.py 汇总为完整解题档案

样例输入输出

样例输入：sample.in

6
hn 3 12
HB 17 9
Hn 3 12
x1 8 2
GS 1000 1
sx 20 300

样例输出：sample.out

valid_unique=3
duplicate=1
invalid=2
ids=HB-017-0009,HN-003-0012,SX-020-0300

题解、建模与最终解法

自动整理的解题流程

• 题目主题：非遗数据标准化：项目编号清洗与去重
• 题目摘要：把原始项目编号标准化为统一格式，统计有效唯一编号、重复记录和无效记录。
• 判题提示：该题以精确输出为主，最终程序需要重点保证公式、顺序和格式完全一致。
• 把原始记录转成统一结构后再做合法性校验、去重、编码还原或标准化输出。
• 优先定义好字段映射和异常输入处理策略。

解题思路

源文件：solution-rationale.md

1. 问题重述

把原始项目编号标准化为统一格式，统计有效唯一编号、重复记录和无效记录。

2. 数据结构与建模

• 主算法：字符串校验 + 集合去重
• 输入拆解后对应的数据结构要和输出项一一对应。
• 需要重点维护的状态包括：题目实体、核心指标、中间结果和最终答案。

3. 算法步骤

1. 逐条读取记录，先验证地区码、批次和项目编号是否合法。
2. 对合法记录执行大写转换和补零格式化。
3. 使用集合判断是否重复，并分别累计有效、重复、无效数量。
4. 将唯一有效编号排序后统一输出。

4. 正确性说明

• 每一步都严格对应题面给出的规则或约束。
• 所有输出字段都来自同一份计算过程，不会出现“各算各的”的不一致情况。
• 边界情况通过单独分支或统一规则处理，保证程序在最小规模和重复值情况下也稳定。

5. 复杂度分析

• 复杂度取决于输入规模和主算法，但整体设计保持在初中组可讲解、可验证的范围内。
• 只保留必要状态，不引入超出题意的数据结构。

6. 易错点

• 地区码中含有数字或长度不为 2 时属于无效记录。
• 同一条合法记录多次出现时，只能第一次计入唯一编号。
• 没有任何合法记录时要输出 ids=NONE。

7. 知识点清单

• 字符串合法性判断。
• 大小写统一和编号补零。
• 集合去重与重复统计。
• 字典序排序。
• 数据清洗中的格式校验。

设计决策记录

源文件：decision-log.md

• 选择 字符串校验 + 集合去重 作为主算法，因为它能直接覆盖题目的核心约束。
• 合法性校验应该先于标准化输出，否则容易把非法数据带进结果。
• 集合判重是这道题最直接、最稳妥的选择。
• Python 与 C++ 版本统一输出格式，便于双语训练和证据采集。

验证计划

源文件：validation-plan.md

• 先验证题面公开样例，确保基础流程无误。
• 验证全部记录都无效的情况。
• 验证同一条合法记录连续出现多次的情况。
• 验证地区码大小写混用但语义相同的情况。
• 最后再补 1 组手工构造的极小数据，确认程序不会依赖特殊输入规模。

备选方案

源文件：alternatives.md

最终代码与实现

Python 主实现

源文件：main.py

• 实现状态：当前已有可执行实现

import sys


def is_valid_region(region: str) -> bool:
    return len(region) == 2 and region.isalpha()


def solve(data: str) -> str:
    tokens = data.split()
    if not tokens:
        return ""
    it = iter(tokens)
    n = int(next(it))
    unique_ids = set()
    duplicate = 0
    invalid = 0
    for _ in range(n):
        region = next(it)
        batch = int(next(it))
        item = int(next(it))
        if not is_valid_region(region) or not (1 <= batch <= 999) or not (1 <= item <= 9999):
            invalid += 1
            continue
        code = f"{region.upper()}-{batch:03d}-{item:04d}"
        if code in unique_ids:
            duplicate += 1
        else:
            unique_ids.add(code)
    ordered = sorted(unique_ids)
    ids = ",".join(ordered) if ordered else "NONE"
    return "\n".join(
        [
            f"valid_unique={len(ordered)}",
            f"duplicate={duplicate}",
            f"invalid={invalid}",
            f"ids={ids}",
        ]
    )


if __name__ == "__main__":
    sys.stdout.write(solve(sys.stdin.read()).strip())
    sys.stdout.write("\n")

代码执行与运行结果

最新成功运行

PY 运行输出摘录

valid_unique=3
duplicate=1
invalid=2
ids=HB-017-0009,HN-003-0012,SX-020-0300

全部运行记录索引

调试、修正与流程留痕

调试日志

源文件：debug-journal.md

失败案例目录

源文件：failure-catalog.md

编码过程记录

源文件：implementation-journal.md

全流程文件导航

• 题目总览：s1-jh-03-heritage-data-standard/README.md
• 题面与约束：official-prompt.md、parsed-constraints.md、scoring-model.md、acceptance-checklist.md
• 代码与样例：10-cases/s1-jh-03-heritage-data-standard/02-solution
• 运行证据：10-cases/s1-jh-03-heritage-data-standard/03-execution
• 调试过程：debug-journal.md、failure-catalog.md、implementation-journal.md
• 解法说明：solution-rationale.md、decision-log.md、validation-plan.md、alternatives.md
• 交付档案：final-report.md、appendix-code.md、appendix-runs.md、evidence-pack.md