JavaSE数组

深入解析基于Fluent的蒸发冷凝相变UDF程序及其在重力热管液体蒸发冷凝变化计算中的应用 ANSYS Fluent是一款功能强大的CFD软件,广泛应用于流体流动、传热、化学反应和多相流等领域的数值模拟。Fluent提供了丰富的物理模型和求解器,支持用户自定义函数(UDF)以扩展其功能,实现更为复杂和特定的模拟需求。UDF是用C语言编写的程序,允许用户在Fluent中自定义物理模型、边界条件、源项等,以实现特定的模拟需求。在处理复杂的相变过程、非均匀物性参数或特定的热传导机制时,UDF提供了极大的灵活性和扩展性。 阅读详情

Java 数组


一、数组介绍

  • 数组是相同类型数据的有序集合。

  • 每一个数据都是一个数组元素,可以通过下标进行访问。

  • 下标从 0 开始。


二、创建数组

  1. 声明数组变量

    首选:dataType[] arrayName;

    或 dataType arrayName[];

  2. 使用 new 创建数组,并指定长度

    dataType[] arrayName = new dataType[arraySize];

  3. 通过下标对数组元素进行赋值

    arrayName[index] = data;

  4. 获取数组的长度

    arrayName.length

public class Demo {
  public static void main(String[] args) {
    int[] nums;  // 1.声明int类型的数组
    
    nums = new int[10];  // 2.创建数组,长度为10
    
    System.out.println("数组长度:" + nums.length);
    
    // 3.给数组元素赋值
    for (int i = 0; i < 10; i++) {
      nums[i] = i+1;
      System.out.println(nums[i]);
    }
  }
} 

三、数组初始化

1. 静态初始化

// 静态初始化包括:创建 + 赋值
int[] a = {1,2,3,4,5};

2. 动态初始化

int[] a = new int[2];
a[0] = 1;
a[1] = 2;

3. 默认初始化

数组是引用类型,经过分配空间后,每个元素都被隐式初始化。

// 默认初始化
int[] b = new int[10]; // 此时数组 b 中的所有元素的值被初始化为 0

四、数组特点

  • 数组的长度是确定的,一旦被创建,长度是不可以改变的
  • 其元素必须是相同类型的,不允许出现混合类型!
  • 数组中的元素可以是任何数据类型,包括基本类型和引用类型。
  • 数组属于引用类型,也是对象,每个元素相当于成员变量。
  • 无论数组保存的是基本类型数据还是其它对象类型数据,数组本身存在于堆中

数组的边界问题

  • 数组的下标合法区间:[0, length-1],一旦越界,就会报错:

    ArrayIndexOutOfBoundsException: 越界下标值


五、数组使用

1. 普通 for 循环

public static void main(String[] args) {
  int[] array = {1,2,3,4,5};
	// 打印全部数组元素
	for (int i=0; i < array.length; i++) {
  	System.out.println(array[i]);
	}
}

2. for-each 循环

public static void main(String[] args) {
  int[] array = {1,2,3,4,5};
  
  // 打印全部数组元素
  for (int x : array) {
    System.out.println(x);
  }
}

3. 数组作为参数

// 遍历数组,数组作为参数
public static void printArray(int[] array) {
  for (int i : array) {
    System.out.print(i);
  }
}

4. 数组作为返回值

// 反转数组,数组作为返回值
public static int[] reverseArray(int[] array) {
  int length = array.length;
  int[] newArray = new int[length];
  
  for (int i = 0; i < length; i++) {
    newArray[i] = array[length-1-i];
  }
  
  return newArray;
}

六、多维数组

多维数组中的每一项仍是一个数组。

二维数组可以形成一个矩阵。

了解即可,并不常用。

// 定义一个3行5列的二维数组(矩阵)
int[][] a = new int[3][5];

七、Arrays 类

java.util.Arrays

数组对象本身没有什么方法能用,但是,API 提供了一个可供我们使用的工具类 Arrays,从而可以对数组对象进行一些基本的操作。

Arrays 类中的方法都是 static 修饰的静态方法,所以可以直接使用类名进行调用。

Arrays 类中的常用方法:

  • 给数组赋值:fill()
  • 对数组排序:sort(),升序
  • 比较数组:equals(),比较数组中的元素值是否相等
  • 查找元素:binarySearch(),对排序好的数组进行二分查找
基于STM32单片机设计的智能水温控制系统 本项目研究并实现了一种基于STM32单片机的智能水温控制系统。系统以STM32F103RCT6作为主控制器,通过DS18B20温度传感器实时采集水温数据,利用PID控制算法精确调节5V直流防水型70W加热棒的功率输出,确保水温恒定在设定范围内。此外,采用OLED显示屏显示当前水温和预设上限阀值,并集成ESP8266-WiFi模块与自研Android手机APP进行远程通信和控制。用户可通过本地按键或手机APP设置温度阀值,实现实时监控与智能化管理。整个系统设计旨在提高水资源利用效率,提升生活及工业用水环境的舒 阅读详情

相关推荐

weblogic 集群搭建,双机部署,相关问题记录

4.5.集群搭建1 参考网址https://wenku.baidu.com/view/76365129cd1755270722192e453610661ed95aa4.html IP地址 端口 角色 192.168.1.160 9001 AdminServer ...

zl386119974的专栏 1670

【C语言笔记】指定初始化器

C99增加了一个新特性:指定初始化器(designatedinitializer)。利用该特性可以初始化指定的数组元素,也可以初始化指定的结构体变量。本文主要分享:使用指定初始化器初始...

轻松学C语言 403

手把手教你搭建自己的 API 中转站

本文介绍了如何通过开源工具CLIProxyAPI(CPA)搭建本地AI模型代理服务,解决多工具切换、海外API访问困难等问题。CPA可将OpenAI、Gemini等不同服务的API统一封装,用户只需配置一次账号信息,所有客户端即可通过标准接口访问。文章详细讲解了CPA的下载安装、配置修改、账号导入及客户端连接方法,并强调其经济性、可控性和集中管理优势。通过自建中转站,用户可避免第三方服务的质量风险,实现多账号负载均衡,构建个人AI资源池。最后提供了网络配置等实用建议,帮助开发者高效使用AI编程工具。

DongJiYong_20的博客 1864

数组和指针学习笔记

1、数组 1.1、数组声明格式 float candy[365]; /* 内含365个float类型元素的数组 */ char code[12]; /* 内含12个char类型元素的数组 */ int states[50]; /* 内含50个int类型元素的数组 */ 访问数组中的元素,使用数组下标数(索引)表示各元素,candy[0]表示candy数组中第一个元素。 1.2、初始化数组 int power[8]={1,2,4,6,8,32,64}; //数组下标从0开始...

qq_39853288的博客 508

Redhawk:switch model

redhawk switch model

m0_61544122的博客 3457

电商数据采集实战——多平台价格监控、比价分析与智能告警系统

在电商竞争日益激烈的今天,价格监控与比价分析已成为品牌商、渠道商和消费者的核心需求。对于品牌商而言,需要监控各渠道售价是否低于指导价(破价监控);对于消费者而言,希望在最佳时机以最低价购入心仪商品;对于数据分析师而言,价格波动数据是洞察市场趋势的金矿。然而,电商数据采集面临三大核心挑战:本文将基于 Python + Scrapy + Playwright + Redis + ClickHouse 技术栈,构建一套完整的电商价格监控与比价系统。架构分层说明:电商平台的反爬手段层出不穷,采集系统必须具备多层次的

从事移动开发八年,csdn博客专家,阿里云特邀专家,华为云云享专家,高级网络信息安全工程师,大数据工程师(高级),python技术开发(高级),HarmonyOS 应用开发者高级认证,现在某学校任教。 136

JavaSE基础语法

JavaSE基础语法 一 注释 注释是写给人看的,一定要多写注释,注释包含了你对自己写的代码的介绍和理解。 1. 单行注释 // 这是一行注释 2. 多行注释 /* 多行注释 多行注释 */ 3. 文档注释 /** * @Description 文档注释 * Author Coder */ 二 标识符 必须使用 $ 或 _ 或字母开头,不能使用关键字! 百度百科:Java关键字 String _a = "Hello"; // 合法 String $A = "Hi"; // 合法 St

Coderpigz的博客 273

uniapp - 实现移动端H5微信公众号网页内置浏览器中预览和下载word文档(doc)、excel表格(xls)、ppt文稿、pdf文档等文件,微信内部打开预览和下载到本地详教程,兼容安卓苹果手机

uni-app,微信公众号,h5,移动端,web平台端,网页,网站,Uniapp微信公众号H5网站,内置浏览器下载文档,如何在微信浏览器中预览office文件,word文档,excel文档,pdf文档,ppt文档,office,微信内置浏览器下载文件,下载文件,在微信浏览器里面实现下载任意文件,H5需要在微信浏览器中下载excel文件,UniApp实现网页在微信内置浏览器中下载文件详细教程,安卓点击下载会提示打开浏览器,后端返回流文件,如何解决无法下载文件,跳转至浏览器下载文件,发送到电脑微信,安卓,苹果,

🏆 前端领域优质创作者 1万+

JavaSE数组(JavaSE大全)

JavaSE基础(三)(JavaSE大全) JVM :java虚拟机 分为4大块 (1)栈区(stacksegment)存放函数的参数值,局部变量的值等,在超过这个变量的作用域是会被系统自动释放掉存于JVM内存中的资源 优点:存取速度比堆快 缺点:存在栈中的数据大小,与生存区必须是确定的,无灵活性 (2)堆区(heapsegment)存放由new创建的对象和数组,JVM不定时查看Scanner in=new scanner(system.in); 优点:可以动态分配JVM内存 缺点:要在运行时

weixin_45008931的博客 230

lammps案例:热导率模拟案例讲解(NEMD方法)

lammps计算热导率大体可以分为三种方法:EMD、NEMD、rNEMD。 本文介绍非平衡模拟(NEMD)热导率的计算方法。 NEMD下热导率计算公式为: k=dQ*dZ/dt k:热导率 dQ:能量通量。 dT/dZ:温度梯度。 非平衡态下计算热导率的原理是在材料的两端或者中间设置热源和冷源。 在热源输入热量,在冷源抽取等量的热量,在这个过程中计算材料内部会有热量的传递,产生温度梯度。 在lammps模拟中得到能量通量和温度梯度,代入公式即可求得热导率。 热量的输入方式有多种,如fix langevin

lammps_jiayou的博客 1万+

使用静态库在嵌入式系统中进行开发

静态库是一种包含预编译对象代码的文件,它可以与应用程序链接在一起,并在编译时将库的代码复制到最终的可执行文件中。静态库是包含预编译对象代码的文件,可以与应用程序链接在一起,并在编译时将库的代码复制到最终的可执行文件中。需要注意的是,由于嵌入式系统的资源限制,开发人员应该仔细选择需要包含在静态库中的功能,并避免引入不必要的依赖关系。需要注意的是,由于嵌入式系统的资源限制,开发人员应该仔细选择需要包含在静态库中的功能,并避免引入不必要的依赖关系。的静态库文件,可以在嵌入式系统的应用程序中使用它了。

ZrElixir的博客 206

JavaSE之数组、方法知识点总结

JavaSE之数组、方法知识点总结

weixin_44528963的博客 762

【蒸汽幻想台服新版商业端】2025最新整理单机一键即玩镜像端+WIN系半手工端+PC客户端+网页注册+网页管理后台+教程【站长亲测】

MMORPG端游【蒸汽幻想台服新版商业端】2025最新整理单机一键即玩镜像端+WIN系半手工端+PC客户端+网页注册+网页管理后台+教程。

百创科技 535

JAVASE之数组学习

JavaSE中数组的详解

qq_73509351的博客 769

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

JavaSE中数组的初始化

在这里,createArray方法是一个工厂方法,它接受三个参数:数组的行数、列数和一个lambda表达式。lambda表达式的两个参数i和j分别表示数组的行索引和列索引,lambda表达式的返回值是数组中对应位置的值。工厂方法是一种使用lambda表达式的函数式接口来创建数组的方法。这会创建一个与数组a具有相同长度的新数组,其中数组d的每个元素都是数组a对应元素的副本。也可以在创建数组时指定某一维的长度,其他维度的长度在创建时由系统自动推断出来。可以在之后的代码中为每一个元素创建新的数组。

qq_42824842的博客 1114

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

JavaSE-数组

1、复制数组{1,2,3,4,5}中从下标0开始的5个元素到目标数组{6,7,8,9,10,11,12,13,14,15},并从目标数组的下标为0的位置开始储存。数组可以看成是多个相同类型数据的组合,实现对这些数据的统一管理。数组中的元素可以是任何数据类型,包括基本数据类型和引用类型。数组中的每一个数据 — 数组的一个元素(element)数组中元素的个数,称为数组的长度(length)完成一维数组初始化访问。完成二维数组初始化访问。完成一维数组声明创建。完成二维数组声明创建。

qq_59737375的博客 577

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

JavaSE - 数组

JavaSE - 数组 本节学习目标: 掌握一维数组的创建和使用方法; 掌握二维数组的创建和使用方法; 掌握对数组的基本操作; 掌握对数组的排序操作。 1. 数组概述 数组(Array),是多个相同类型的数据按一定顺序排列的集合,使用一个标识符命名,并通过索引(或下标)的方式对这些数据进行统一管理。 数组的常见概念: 数组名:一个数组的标识符,通过数组名才能访问数组中的数据; 索引(或下标):数组中每个数据所处的位置,通过下标才能访问数组中具体某个数据; 元素:数组中数据的统称,一个数据称为一个元素;

adas5f1a51的博客 350

javaSE 数组

数组

char_China_man的博客 171

Day05 JavaSE 数组、多维数组、稀疏数组

JavaSE 数组、多维数组、稀疏数组 1 数组基础 1.1 数组定义 数组是相同类型数据的有序组合。 每个数据称为一个数组元素,每个数据元素可以通过一个下标来访问。 数组下标从0开始,到n-1结束。 1.2 数组的声明与初始化 数组的声明 使用前必须声明。语法如下: dataType[] arrayRefVar;//首选 //or dataType arrayRefVar[];//效果相...

Targetu 未来可期 351

JavaSE:数组

JavaSE:数组一维数组数组的声明和初始化:数据的默认初始化值多维数组二维数组二维数组的使用:二维数组元素默认初始化值:数组中涉及到的常用算法常用:查找排序Arrays工具类 一维数组 数组(Array): 是多个相同类型数据按照一定顺序排列的集合,并使用一个名字命名,并通过编号的方式对这些数据进行统一管理。 数组的常见概念: 数组名 下标(或索引) 元素 数组的长度:元素的个数 数组的特点: 数组是有序排列的。 数组本身是引用数据类型的变量,而数组中的元素可以是任何数据类型 创建数组对象会在内存中

m0_49825096的博客 213

[JavaSE]数组

数据类型 [] 数组名比如:int [] array数据类型 数组名 []比如: int array []数据类型:限定了数组以后能存什么类型的数据。方括号:表示现在定义的是一个数组。数组名:就是一个名字而已,方便以后使用。注意点:方法括号跟数组名,谁写在前面,谁写在后面都是一样的。平时习惯性使用第一种方式。

llyyyyyyyy123的博客 260

javaSE练习--数组

import java.util.Arrays; import java.util.Random; import java.util.Scanner; public class Array { static Scanner input = new Scanner(System.in); public static void practice_1(){ //第一题 int[] arr = new int[]{8,4,2,1,23,344,12}; int s.

愤怒的阿木木的博客 173

4-JavaSE 数组

Java的数组介绍:数组概述、数组的使用、多维数组(二维数组)、冒泡排序

weixin_52221977的博客 187
上一篇: JavaSE方法
下一篇: SSM - 书籍项目搭建流程
Coderpigz
博客等级 码龄6年 1粉丝 7原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值