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

666 啊，这事儿得多费劲……

blackbox
blacharch
也不错

@mggis0or1 这也是没办法的事啊，你要求的范围太大了啊……不然……先看看统计推断相关的内容？是不是就满足要求了？

s/JRSC/JRSS

先向天再借个五百年，然后：

https://www.springer.com/series/692?detailsPage=titles

Springer Series in Statistics 欢迎你。
然后关注 JRSC，多读读文章。祝好运。

@TongyeYao 嗯……我感觉挺不错啊，一直在用。我是在天猫买的，只买过维氏，不过你这么一说我也试试双立人吧，不过用过这种超薄设计感觉回不去了。。。

@GM 你这敬佩度 log(N) 衰减啊……

维氏

https://detail.tmall.com/item.htm?spm=a230r.1.14.40.1f0c1f38ZsN7nO&id=539324169652&ns=1&abbucket=15

官方旗舰店，我不是打广告的。。。。