Java中的Stream API :)

本文深入讲解Java Stream API的使用方法,包括流的形成、重要接口、Stream API的主要操作如过滤、映射、扁平化映射、遍历、去重复等,以及并行计算和重要思想。同时,介绍了如何通过收集器将流转换为集合、限制收集个数和分组,为开发者提供全面的Stream API应用指南。

一、流的形成方法

1. 集合 ---> 流
   集合.stream()
2. 数字流的形成(int型为例)
   IntStram.of(1,2,3,4)
3. 数组 ---> 流
   Arrays.stream(数组)
4. 把文件中的每一行读出来作为流的元素
   Files.lines(Paths.get("aaa.txt"))
5. 生产者接口的使用 
   Stream.generate(生产者接口)
   举例:
   生成5个随机数
   Random r = new Random();
   Stream.generate( () -> r.nextInt(100) ).limit(5).forEach( x->System.out.println(x));    

二、重要接口

1. Predicate 断言接口
    对应的lambda:
    一个参数,返回结果是boolean
    (a) -> {  return true|false; }
    
2. Function 函数接口
    对应的lambda:
    一个参数,一个返回结果,参数和返回结果的类型可以不一样
    
3. BiPredicate 双参数断言
    对应的lambda:
    两个参数,返回结果是boolean
    (a, b) -> {  return true|false; }
    
4. BiFunction 双参数函数接口
    两个参数,一个结果
    (a, b) -> { 根据ab返回一个结果}
5. Consumer 消费接口
    一个参数 没有结果
    (a) -> { 不需要return }
    
6. BiConsumer 双参数消费接口
    两个参数,没有结果
    
7. Supplier 生产者接口
    没有参数,返回一个结果 
    () -> {return 结果}

三、Stream API

Stream
1. filter(Predicate<? super T> predicate)
   过滤,参数是一个断言接口
   作用:用于过滤流中的元素,返回true留下,返回false去除
   返回:Stream类型
   
2. map(Function<? super T,? extends R> mapper)多个
   映射,参数是一个函数接口
   作用:用于对流中的元素进行改变等操作,比如加减乘除
   返回:Stream类型
   
3. flatMap(Function<? super T,? extends Stream<? extends R>>mapper)   
   扁平化映射,参数是一个函数接口
   作用:将所有元素都放入流中
   返回:Stream类型
4. forEach(Consumer<? super T> action)
   遍历,参数为消费者接口
   作用:用于遍历
   返回:void
5. distinct() 
   去重复,无需参数
   作用:用于去除流中的重复元素
   返回:Stream类型
6. count()
   统计个数,无需参数
   作用:用于返回流中的元素 个数
   返回:long类型
7. max(Comparator<? super T> comparator) 
   最大值,参数为比较器
   作用:用于返回流中最大的元素
   返回:Optional类型
   min(Comparator<? super T> comparator) 
   同理
数字流(例:IntStream)
IntStream intstream = IntStream.Of(1,2,3,4)
instream.max()   求最大值
instream.min()   求最小值
instream.average() 求平均值
instream.sum()    求和
注意:以上方法不可以向举例中一样连续调用
     原因见Stream api思想
收集流的结果
1. 将流转换为集合
   Collectors为收集器
   流.collect(Collectors.toList)   //转换为List集合.collect(Collectors.toSet)    //转换为Set集合
2.限制收集个数
   limit(int num) num为收集的个数
   格式:.limit(3).collect(Collectors.toList) //之收集前三个结果
3.分组
  流.collect(Collectors.groupingBy(函数接口))
  返回Map集合key是组名,value为组员的集合
  举例:
  创建集合学生集合名为student,集合中都是学生对象
  //按照性别分组
  Map<String, List<Student>> mp = students.stream().collect(Collectors.groupingBy((s) -> s.getSex() ));
  System.out.pringln(mp); //打印看结果
4.下游收集器
   流.collect(Collectors.groupingBy(函数接口,Collectors.counting()))
   工作方式:先分组,在求每组内元素个数
   返回Map集合,key为组名,value为每组的个数

四、并行计算

List<Integer> list = Arrays.aslist(1,2,3,4);
int sum = list.parallelStream().mapToInt(a -> a).sum();
//             获得集合的并行流   转为数字流        求和  
System.out.println(sum);
//结果为 10

五、Stream API中重要思想

流水线思想(Pipeline):
把流中的数据一个接一个的进行处理,即每个数据都会经过后续的filter、map等方法的依次调用。

在整个执行过程中,lambda表达式是懒惰的,不执行终结方法的话,不会触发lambda的执行。
终结方法: collect, sum, max, min 等

运算过程中不会改变原始集合,收集器会生成新的集合对象。

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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