js数组includes，map，filter，reduce

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 395平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

原创最新推荐文章于 2026-04-27 09:07:42 发布 395 阅读 AI 写同款· GEO 优化 ›

element select 多选全选功能 1、html部分 <el-select v-model="productLineIds" placeholder="请选择品线" size="small" clearable multiple collapse-tags @change="selectAll" > <el-option v-for="item in productLineOption" :label="item.name" :value="item.id" :key="item.id"></el-o 阅读详情

a = [1,2,3,4,5,6,7,8]

//filter
a.filter((val)=>{
    return val>5
})
//output [6, 7, 8]

//map
a.map((val)=>{
    return val+1
})
//output [2, 3, 4, 5, 6, 7, 8, 9]

//includes
a.includes(3)
//output true

//reduce
a.reduce((a,b) =>a+b)
//output 36

收录于

随笔

当前文章被收录于：

随笔

29 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#js

实战复盘：一次绕过WAF的EDUSRC SQL注入漏洞挖掘本文详细复盘了一次针对教育行业网站的SQL注入漏洞挖掘实战。通过手动信息收集发现可疑点，并利用‘+’号替换空格等技巧，成功绕过WAF（Web应用防火墙）的拦截。文章逐步演示了从判断注入点到手工获取数据结构、最终解密进入后台的完整过程，并总结了手工测试的优势及高级绕过思路，强调了在EDUSRC等授权范围内进行安全测试的重要性。阅读详情

相关推荐

LabVIEW电压信号采集系统：从零搭建到科研实战

本文详细介绍了如何从零开始搭建一个基于LabVIEW的电压信号采集系统。内容涵盖硬件选型（如NI USB-6002数据采集卡）、软件环境配置、核心程序开发（包括多通道同步采集、数据自动保存）以及高级功能优化。系统支持自定义采样率与时长，并提供了完整的LabVIEW程序框图和配套的Python数据分析脚本，旨在帮助科研人员和工程师快速构建稳定、高效的专属数据采集方案，提升实验自动化水平。

gold8的专栏 461

JS常用字符串方法复习

本文用于总结一些JS常用的字符串方法，以及这些方法的使用注意点主要用于个人复习使用，如果有错误请多多包涵，加以指点语法：slice(start,end)1、传入的两个参数分别为截取的开始位置和结束位置注意截取的字符串不包含end所在的字符 2、第二个参数为可选参数，如果未传则截取的字符串默认为start到字符串结束的所有字符串 3、该方法返回一个新字符串不改变原字符串 slice()方法支持传入负数如果传入的值为负数，则取的索引值为负数与数组长度相加的值 slice() 的取值含头不含尾语法

qq_47995781的博客 738

excel 利用SUBTOTAL函数计算筛选后数列总和、均值、最大、最小值

表里有三个人，咱们需要筛选出三个人，并分别计算他们的总和值。先看一下数据范围（A1:B27）通过筛选找张三。按照上图所示输入函数，选择9，求和。然后按照函数输入即可。就能计算出结果。筛选项选择王五，就会自动计算王五的总和。筛选到李四就会自动计算李四的总和。如果把9改成1，就是自动计算筛选出来的均值结果，如下图所示。如果改成4就是取筛选项的最大值，选择5就是取最小值。 ...

yuanYW7556的博客 3万+

vue---el-select下拉框实现全选功能

问题描述： el-select下拉框要求实现全选功能。具体功能包括：当选择【全选】时，所有选项全部被勾选；当下拉选项（除了【全选】）都选择时，【全选】自动勾选；当所有选项全部被勾选，取消某一项选项（除了【全选】），【全选】自动取消勾选；点击【全选】tag标签，可取消所有勾选项。如下图：解决方法： 1、给el-select增加【全选】下拉选项 2、为el-select...

maidu_xbd的博客 5320

STM32H7多通道ADC数据采集实战：CubeMX配置ADC1/2/3+DMA/BDMA+Cache避坑全记录

本文详细解析了STM32H7多通道ADC数据采集的实战配置，涵盖CubeMX中ADC1/2/3与DMA/BDMA的协同设置及Cache一致性处理。通过硬件架构分析、DMA优化技巧和Cache避坑指南，帮助开发者实现高精度数据采集，适用于电机控制、环境监测等嵌入式系统。

weixin_28744613的博客 292

LVGL 9.4 性能调优实战：如何通过脏区合并与tile分块，让你的嵌入式UI流畅度翻倍

本文深入探讨LVGL 9.4中的性能优化技术，重点介绍脏区合并与tile分块如何显著提升嵌入式UI流畅度。通过实战案例和源码分析，详细解析局部刷新策略、显示框架调优及性能瓶颈诊断方法，帮助开发者在STM32、ESP32等资源受限设备上实现丝滑的UI体验。

weixin_28678831的博客 450

前端复习之旅---JS基础

本篇文章总结了一些js基础的知识，包括变量定义，数组方法，对象方法，数学方法等。

mengameng97的博客 232

绿盾用户使用看图软件每次都需要把图片解密之后才能打开查看，怎么才能不用这么麻烦打开就能看

Win10专业版绿盾控制台7.0看图软件FastStone Image Viewer。

本博客，博文仅代表个人操作经验，不能完全解决你的问题，仅供参考，佛系回复。 1202

vue模糊搜索

话不多说上代码 <div> <input type="text" v-model="sou"> <div v-for="(item,index) in btnsou()" :key="item.id"> <div>{{item.aaa}}</div> <div>{{item.bbb}}</div> </div> </div> return{

m0_50884068的博客 153

目标检测: yolo26在RK3588上部署

YOLO26发布：端到端目标检测新突破摘要：Ultralytics最新发布的YOLO26算法采用原生端到端设计，无需NMS后处理，显著提升推理效率。该模型基于三大核心原则：简洁性：消除NMS步骤，实现直接预测部署效率：简化集成流程，降低延迟训练创新：引入MuSGD混合优化器，加速收敛部署教程显示，YOLO26可适配RK3588等边缘设备，通过ONNX转换和RKNN工具链实现高效部署。其创新架构特别优化了分割、姿态估计等专业任务，标志着目标检测技术的重要革新。（字数：149）

qianxun 1444

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

js常用的数组方法filter、some、includes、map、reduce

【代码】js常用的数组方法filter、some、includes、map、reduce。

qq_37161741的博客 893

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

JS——数组/array 操作filter、map、includes、find、some、every、reduce、flat

一、filter 不会改变原数组，返回的结果是过滤后的新数组，回调函数中如果返回true表示这一项放到新数组中（适用删除某项）四、find 返回找到的那一项，不会改变数组，回调函数返回true表示找到了，找到后就会停止循环，找不到返回undefined。二、map 映射将原有的数组映射成一个新的数组返回是新数组，回调函数中的返回什么这一项就是什么（适用更新）五、some 找true 找到true后停止，返回true，找不到返回false。...

qq812457115的博客 1327

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")

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

js常用数组filter、find、map、includes、forEach、some、every、indexOf、lastIndexOf、reduce的用法

ALSO666的博客 472

js 数组方法 forEach map includes filter some every find findIndex reduce

forEach 普通遍历 map 遍历 + 返回新数组, 不改变原数组 includes 是否含有某值 filter 返回符合条件的新数组, 不改变原数组 some 一个就行符合条件返回true every 全符合否则返回false find 返回第一个符合条件的元素 findIndex 返回第一个符合条件的索引 reduce 递归累加 ...

MAIMIHO的博客 284

往数组里添加键值对_框架都是花哨的东西！js才是根基,分享一下给原生js数组的操作...

1Array.map()方法此方法原数组不会改变,会返回一个新数组。必须有返回值；语法：array回调函数是必穿的参数，thisValue是可选参数！对象作为该执行回调同时使用，传递给函数用作this的值！如果省略thisValue,或者传入null,undefined,那么回调函数的this为全局对象！回调函数里的参数currentValue：必选参数！当前元素的值！index :可选当前元素的...

weixin_39606575的博客 2857

js中数组遍历

forEach()map()----更新数组filter()、includes()、find()、findIndex()----筛选（删除）数组some()、every()----判断数组reduce()----叠加数组arr.forEach()遍历数组全部元素，利用回调函数对数组进行操作，自动遍历数组.length次，且无法break中途跳出循环，不可控不支持return操作输出，retur...

weixin_30609287的博客 246

es6数组和对象常用方法

数组 forEach() 方法对数组的每个元素执行一次给定的函数。 var arr = [1, 2, 3] arr.forEach((value, index) => { console.log('数组值：' + value); console.log('数组索引：' + index); }) map() 方法创建一个新数组，其结果是该数组中的每个元素都调用一次提供的函数后的返回值。 var arr = [1, 2, 3] var arr1 = arr.map((value, in

小阮的笔记本 885

【JavaScript】数组去重方法总结

思想: 双重 for 循环是比较笨拙的方法，它实现的原理很简单：先定义一个包含原始数组第一个元素的数组，然后遍历原始数组，将原始数组中的每个元素与新数组中的每个元素进行比对，如果不重复则添加到新数组中，最后返回新数组；创建一个空Map数据结构，遍历需要去重的数组，把数组的每一个元素作为key存到Map中。利用indexOf检测元素在数组中第一次出现的位置是否和元素现在的位置相等，如果不等则说明该元素是重复元素。ES6提供了新的数据结构Set，它类似于数组，但是成员的值都是唯一的，没有重复的值。...

qq_40992225的博客 464

js去重的几种方法

这篇文章介绍了6种JavaScript数组去重的方法：1. 使用includes()方法遍历去重；2. 使用reduce()方法累加去重；3. 利用Set数据类型的唯一性特性去重；4. 通过对象key的唯一性去重；5. 使用Map数据结构存储并去重；6. 使用lodash库的uniq()和uniqBy()方法去重。每种方法都提供了示例代码，展示了不同的实现思路，从原生JS到第三方库的解决方案，涵盖了常见的数组去重场景。

qq_42750608的博客 562

JS数组去重

js数组去重

be willing to share 770

JavaScript 中数组的常用方法

创建一个新数组，其结果是该数组中的每个元素都调用一个提供的函数后的返回值。创建一个新数组，其包含通过所提供函数实现的测试的所有元素。将一个或多个元素添加到数组的末尾，并返回该数组的新长度。将字符串分割成数组。

askein的博客 410

js 数组方法汇总

1.push() 入栈 push()方法可以向数组后添加一个新的元素，并返回新数组的长度。末尾添加，返回长度，改变原数组var a = [1,2,3] var b = a.push(4) console.log(a) // [1,2,3,4] console.log(b) // 4 2.pop() 出栈 pop() 用于删除并返回最后一个元素。尾部删除，返回被删除的元素，...

weixin_40662552的博客 180

js中的遍历（for、forEach、map、filter、reduce、every、some、includes、find）

filter()过滤方法，会对原数组中的每个元素应用指定的函数，并返回一个新数组，其中包含符合条件的元素。方法对数组中的每个元素按序执行一个提供的 reducer 函数，每一次运行 reducer 会将先前元素的计算结果作为参数传入，最后将其结果汇总为单个返回值。方法用来判断一个数组是否包含一个指定的值，根据情况，如果包含则返回 true，否则返回 false。方法创建一个新数组，这个新数组由原数组中的每个元素都调用一次提供的函数后的返回值组成。方法返回数组中满足提供的测试函数的第一个元素的值。

行如逆水行舟，不进则退 1509

JavaScript 数组去重的方法合集

总结一下,目前常用的数组去重方法: 1. 利用 for循环进行去重: function arrRemoval (array ) { if (array && array.length) { for (let i = 0; i < array.length; i++) { for (let j = i + 1; j < array.length; j++) { if (array[i] === array[j]) {array.splice(j.

weixin_43839317的博客 142

数组常用的方法

增删 unshift:给数组的最前面添加一个或者多个元素，并返回新数组的长度。长度是从1开始的。 shift：删除数组中的第一个元素，并将被删除的元素作为返回值返回。 push：给数组最后添加一个或多个元素，并返回新数组的长度。 pop：删除数组的最后一个元素，并将删除的元素返回 slice：截取数组从开始位置到结束位置不包含结束位置的元素，并返回新数组。 splice：万能的增删方法，三个参数。 1.参数一：删除/添加的位置 2.参数二：删除的个数 3.参数三：需要添加的元素返回被删除的元素数组