Java中的变量、数据类型、表达式、运算符

基于rms包的限制性立方样条回归(RCS)R代码实现 RCS 阅读详情

Java中的变量、数据类型、表达式、运算符

一、变量

  1. 概念:计算机中的一块内存空间,数据的基本存储单位
  2. 组成:数据类型 变量名 = 值;
  3. 定义:
    I.声名:数据类型 变量名
    II.初始化:变量名 = 值;
  4. 其他定义方式:
    I.声名的同时初始化:数据类型 变量名 = 值;
    II.同时声名多个相同数据类型的变量:数据类型 变量名1,变量名2,变量名3;

二、数据类型

  1. 基本数据类型(原始数据类型\简单数据类型) 共8种
    I.整数类型 4种
关键字大小范围
byte1B-128~127
short2B-32768~32767
int4B-2147483648~2147483647
long8B-9223372036854775808~9223372036854775807(-922京 ~ 922京-1)
 注:
	1. 字节(Byte简称B)= 8位 (bite简称 b)
    2. 字面值:定义中可以给变量赋值
    3. long字面值后面需要加L或 l
  1. 浮点数类型(小数)2种
关键字精度大小
float单精度4B
double双精度8B
 注:
	1.float字面值后面可以加F或f
	2.double字面值后面可以加D或d,也可以不加
	3.float和double都可以用科学计数法的形式存储(底层是近似值存储)
  1. 字符类型 1种
关键字大小范围
char2B一个字符
字面值
    I.用单引号(英文)引起来的一个字符
          char x = 'A';
          char y = '中';
   II.以整数形似进行存储(0~65535):
          char z = 65;
          char k = 29233;
  III.用unicode形式存储:
  		  char i = '\u41';
  1. 布尔类型: 1种
关键字大小字面值
boolean4Btrue\false
注:Java的布尔类型和 0/1没有任何关系
转义字符:
	\t:水平跳格(制表符)
	\n:换行
	\\:反斜杠
	\':单引号
	\":双引号
  1. 引用数据类型(对象数据类型)
    I.类、数组、接口、集合等都是引用类型
    II.以String(字符串)为例:
    字面值:用双引号引起来的一个或多个字符
    例: String name = " HelloWorld ";

三、类型转换

  1. 数据类型的自动提升
    I.当小数据类型的变量赋值给大数据类型的变量时,发生自动类型提升(从数据类型的表示范围来判断数据类型的大小关系)
    II.规则:
byte
short
int
long
float
double
char
int
long
float
double
  1. 强制类型转换

    I.场景:当大数据类型的变量赋值给小数据类型的变量时,需要强制类型转换
    II.语法: 大数据类型 大数据类型的变量名 = 值;
         小数据类型 变量名 = (小数据类型)大数据类型的变量名;
    III.强制转换的结果:
      a:浮点数类型强转为整数类型,则直接截取整数部分(丢失精度)
         double x = 12.7;
         int y = (int) x;
      b:大数据类型的整数变量给小数据类型的整数变量赋值,数据合理,则不损失任何内容
         int x = 12;
         byte y = (byte) x;
      c:大数据类型的整数变量给小数据类型的整数变量赋值,数据不合理,将字节截取
         int x = 257;
         byte y = (byte) x;    //输出结果为1

四、表达式

  1. 概念:由变量、字面值、运算符等组成一个式子,通常会产生一个结果
  2. 当两个数值或变量参与运算时,如果参与运算的两个变量或数据类型不一致,运算过程种,会发生类型转换,转换规律如下:

   a:有double,结果类型为double
   b:没有double前提下,有float,结果类型为float
   c:没有double\float,有long,结果类型为long
   d:其余情况均为int类型

五、运算符

1.算术运算符
   +、-、*、/、%(取模/取余数)
   注: + 两端如果是字符串,则+表示字符串之间的连接
         如果+两端有一个是字符串,则结果自动提升为字符串类型
         
2.赋值运算符:  =、+=、-=、/=、%=
   注: += 没有自动类型提升
   
3.关系运算符:  >、>=、<、<=、==、!=
    表达式的结果类型为布尔类型,这类表达式被称为布尔表达式
    注:用关系运算符连接的表达式都是布尔表达式,关系成立true,反之为false

4.一元运算符:  ++(自增)   --(自减)

5.逻辑运算符:
   &&:逻辑与,两个条件都为true,则结果为true(短路运算符)
   ||:逻辑或,两个条件有一个为true,则结果为true(短路运算符)
    &:逻辑与,两个条件都为true,则结果为true(非短路运算符)
    |:逻辑或,两个条件有一个为true,则结果为true(非短路运算符)
    !:逻辑非,对结果取反
  注:短路运算符与非短路运算符的区别
  		短路运算符只能用于逻辑表达式内,非短路运算符可用于位表达式内和逻辑表达式内。也可以说:短路运算符只能操作布尔类型的,非短路运算符既可以操作布尔类型,也可以操作数值类型
6.条件运算符(三元运算符)
  I.语法:                 布尔表达式 ? 表达式1 : 表达式2;
  		  System.out.println(0 < 1 ? "Yes" : "No");       结果:Yes
  II.原理:如果布尔表达式的结果位true,则执行表达式1,否则执行表达式2

Qt C++ 的虚拟演播室系统 **数据流转**:OpenCV 处理的图像格式通常是 `cv::Mat`,而 Qt 3D 渲染需要 `QImage` 或 `QTexture2D`。// 临时用颜色代替。// 前景在背景前面。#### 3.3 主窗口与 Qt 3D 集成 (`mainwindow.h` / `.cpp` / `.ui`)* **更复杂的 3D 场景**:加载 3D 模型(.obj, .gltf 等)作为背景和道具。1. **构建项目**:确保 `.pro` 文件中的 OpenCV 路径配置正确,然后构建项目。 阅读详情

相关推荐

error C2039: “int_least8_t”: 不是“`global namespace'”的成员

在向H.265的测试软件HM16.0中配置boost的时候,发现 include &lt;boost/cstdint.hpp&gt;的时候总是会报错:错误 11 error C2039: “int_fast16_t”: 不是“`global namespace'”的成员 D:\Program Files\Caffe\VSContact\boost_1_58_0\boost\cstdint.hpp ...

flyerene的博客 1万+

java常用的统计_Java 八大基本数据

1、介绍Java语言提供了8种基本数据类型。分别是 byte、short、int、long、float、double、boolean、char。String 是对象,不属于基本数据类型8种基本数据按类型分可以分为4个 整数型:byte、short、int、long2个浮点型:float、double1个字符类型:char1个布尔型:boolean基本数据类型 "==" 比较都是值。Boolean ...

weixin_30129661的博客 341

深入Luckfox Pico的Web界面:从Angular前端到CGI后端的RV1106 IPCWeb全栈解析

本文深入解析了基于瑞芯微RV1106芯片的Luckfox Pico设备上,IPCWeb全栈解决方案的架构与部署。详细介绍了如何通过SDK编译配置,将现代Angular前端框架与高效的C++ CGI后端结合,并利用nginx和FastCGI在嵌入式环境中构建稳定、高性能的Web管理界面,为物联网设备开发提供了完整的实战参考。

3a9bq4r8t2y的博客 279

Java正则统计数字,java使用正则表达式实现字数统计

@Overridepublic CalculateWordCountDTO calculateWordCount(String str) throws ServiceException {CalculateWordCountDTO rtn = new CalculateWordCountDTO();int wordCount = 0;int characterCount = 0;int chine...

weixin_26776943的博客 652

零基础教程:用Python给试卷照片自动切题(有道OCR+PIL完整流程)

本文为零基础用户提供了一套完整的Python自动化切题方案。通过调用有道OCR API识别试卷照片中的题目坐标,并利用PIL库进行精准裁剪,将杂乱的试卷图片自动分割为独立的题目图像。教程详细涵盖了环境搭建、图像预处理、API调用、坐标解析与批量处理全流程,帮助教育工作者和技术爱好者高效处理大量试卷,实现工作流程自动化。

grpc6streamer的博客 1178

Graylog日志系统实战:高效接收与解析交换机日志

本文提供Graylog日志系统的实战部署与配置指南,重点讲解如何高效接收与解析交换机日志。通过Docker快速部署,配置Syslog输入,并指导华为、华三等主流交换机将日志发送至Graylog。文章还介绍了使用提取器解析日志字段、创建数据流进行分类,以及设置报警规则,实现从被动排查到主动预警的运维转变,帮助网络工程师构建集中、智能的日志管理系统。

weixin_29284885的博客 541

java 赋值表达式_Java赋值运算符与赋值表达式

Java赋值运算符与赋值表达式引导语:将某一数值赋给某个变量的过程,称为赋值。 以下是百分网小编分享给大家的Java赋值运算符与赋值表达式,希望大家喜欢!当需要为各种不同的变量赋值时,就必须使用赋值运算符“=”,这里的`“=”不是“等于”的意思,而是“赋值”的意思,例如:a1=3;这个语句的作用是将整数3赋值给变量a1。使变量a1此时拥有的值为3。再看下面的语句:a1=a1+1;大家知道,这种表示...

weixin_36263738的博客 1037

Ubuntu 22.04 局域网安装GitLab

下面直接给你一份。

u013250861的博客 672

【JavaSE基础】第二章:Java中的变量、数据类型、运算符、表达式

1. 概念:计算机中的一块内存空间,存储数据的基本单元2. 组成部分:数据类型、变量名、数据3.语法:(1)先声明,再赋值:数据类型 变量名;(2)声明的同时赋值:数据类型 变量名 = 值;(3)同时定义多个相同类型的变量:数据类型 变量名1, 变量名2 = 值, 变量名3;

qq_55048532的博客 268

SAP VC 可配置物料超级BOM简介

在有些业务中比如:汽车、笔记本、电脑、电梯等产品中,其中组成产品的型号个框架是确认的 ,但是框架内部的BOM是可变的,在客户下销售订单的时候,选取对应的组件 ,让后通过MRP的计算优生产线对这样的销售订单提供生产。这个时候我们需要选择我们需要的内存和硬盘的型号,还记得我们前面创建的特征值对应的吗,A对应的8G、B对应16G、X对应1T硬盘、Y对应2T硬盘,这里我们填写对应的值,我们这里选择16G的内存和2T的硬盘,B和Y。3、当我们选择了可配置物料的生产模式时,基本上就选择了按单生产的生产模式了。

我小时候很黑的博客 1万+

基于STM32F103的智能门禁门锁门卫系统设计

本文设计了一种基于STM32F103单片机的智能门禁系统,集成了密码、射频IC卡和指纹识别三种验证方式。系统采用模块化设计,包含MFRC522射频模块、AS608指纹模块、矩阵键盘、OLED显示和舵机控制等硬件,实现了身份验证、密码修改、IC卡/指纹管理以及安全防护功能。测试结果表明系统响应迅速(密码验证250ms、指纹验证600ms)、功耗低(待机50mA),且具备掉电密码保存功能。该系统操作简便、功能完善,适用于家庭和办公场所,具有较高实用价值。未来可扩展远程控制、人脸识别等功能以进一步提升智能化水平。

3254968421的博客 320

标准表达式中数据类型不匹配_【CoreJAVA】Java中的变量、数据类型、表达式、运算符...

PART1变量什么是变量?指计算机内存中的一块存储空间,是存储数据的基本单元例:酒店 --> 内存酒店中的每个房间 --> 一个变量房间号 --> 变量名房间的类型--> 变量的数据类型房间的客人--> 变量值变量如何使用?变量应先声明后使用声明:数据类型 变量名;例如:int money;赋值:变量名=值;例如:money=100; //将数值赋给变量...

weixin_39631344的博客 418

AI应用质量工程实践:从评估到监控的完整体系构建

在软件工程领域,质量保障体系是确保产品稳定可靠的核心机制,涉及度量指标、保障流程和工具链的完整闭环。随着生成式AI应用的快速发展,如何将传统软件工程中的质量门禁思想引入AI领域,成为工程实践的关键挑战。其核心原理在于构建可量化、可监控、可改进的质量评估框架,通过自动化测试、持续监控和反馈优化来管理AI输出的不确定性。这一技术价值在于将AI应用从原型阶段推向产品化,确保输出的一致性、安全性和可靠性。在实际应用场景中,开发者需要从功能性、非功能性、一致性和合规性四个维度构建评估体系,并借助LLM-as-a-Ju

weixin_28728279的博客 295

JAVA(变量与数据类型及其运算符和表达式)

定义变量:程序在执行过程中有些数据需要临时存放,所在在内存中临时开辟空间来存,并且会跟程序的执行而发生变化。变量的命名规则是第一个单词的首字母不大写,其他单词的首字母都要大写 studentSacore。JAVA中的小数默认数double类型,如果要给float变量赋值必须在数据之后加一个“F”,:非 |:或 [例如:if((a>3)&&(b>7))]for循环结束在于了,while结束在条件,如果最后结束需要判断,转义字符:java程序中,有一些符号被系统征用,例如"",如果。

2401_83737862的博客 345

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")

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

变量、数据类型、表达式、运算符

char c = sc.next().charAt(0)// 输入一个字符。// 输入一个字符串。(2) 字符串的拼接:只要+一端为字符串类型,则+就为字符串的拼接。+ - *(乘法) /(除法) %(取余数/取模)int a = sc.nextInt();double:8B,双精度,字面值后面可以D/D,也可不加。// 先将a自身加1,再使用a的值。// 先使用a的原始数据,再将a加。B:字节,Byte 1B = 8b (bit->位)

2401_85794410的博客 1341

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Java语言程序设计1 第二章:变量、数据类型、运算符、表达式

计算机中的一块内存空间,存储数据的基本单元数据类型、变量名、数据(1) 先声明,再赋值:·数据类型变量名;// 声明变量名 = 值;// 赋值(2) 声明的同时并赋值:数据类型变量名 = 值;(3) 同时定义多个相同类型的变量:数据类型变量名1,变量名2=值,变量3;

2301_80555773的博客 2610

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

第二章:变量、数据类型、运算符、表达式

1. 算术运算符 (1) 如果表达式中有double类型,结果为double (2) 表达式中没有double类型,有float,结果 为float (3) 表达式中没有double/float,有long,结 果为long (4) 其余结果为:int 2. 赋值运算符 = += -= *= /= 3. 比较运算符(关系运算符) > :大于 >=:大于等于 < :小于 <= :小于等于 == :等于!// 输入一个字 符串 char c = sc.next().charAt(0);

dyj078150078150的博客 1729

java变量、数据类型、表达式、运算符

由变量、字面值、运算符组成的式子,通常有一个计算结果。是表达式,结果为 11。(目标类型) 变量;

zwh7766的博客 810

变量、数据类型、运算符、表达式

B-Byte,字节,1个字节 = 8位(8b) b->bit。(3) 表达式中没有double/float,有long,结。(1) 语法:import 包名1.包名2.类名;// 1-男 0-女。(1) 如果表达式中有double类型,结果为double。+ - *(乘法) /(除法) %(取余数/取。(2) 表达式中没有double类型,有float,结果。

2301_80354733的博客 894

第二章:变量,数据类型,运算符,表达式

c. 转义字符: '\n':换行 '\t':水平跳格 '\' ':单引号 '\" ':双引号。注意:被关系运算符连接的表达式结果类型为布尔 类型,所以关系运算符连接的表达式也被称为 布尔 表达式(结果:true/false)(2) 语法: 源数据类型 变量名 = 值;(2) 创建对象: Scanner sc = new Scanner(System.in);(2) 原理:先判断表达式是否成立,结果为 true,执行表达式1,否则执行表达式2。

G20040903的博客 1543

Java的变量、数据类型、运算符、表达式

(2) 执行原理:判断布尔表达式是否成立,成立,执行表达式1;(3) 没有double、float,如果有long,结果为long。(2) 没有double,有float类型,则结果为float。(1) 表达式如果有double,结果类型为double;:逻辑或,或者,两端只要有一端为true,结果就为true。两端结果都为true,结果才为true。(2) 字符串拼接:如果+两端有一端为字符串,则为拼接。(1) 加法运算:如果+两端都为数值类型,为加法运算。关系成立,结果为true;

Re4__的博客 1312

Java数据类型转换&变量&运算符

Java数据类型转换 变量 运算符 一、数据类型转换(掌握) boolean类型与所有其他7种类型(byte、short、int、long、float、double、char)都不能进行转换 (一)自动类转换 小数据类型转大数据类型 byte----char----short----int----long----float----double 如果2个操作数有byte、short、char...

EstherLty的博客 215

第二章、变量、数据变量、运算符、表达式

身份证号:String id = "120***************x";double:双精度,8B,字面值后面可以加d/D也可以不加。(3)表达式中没有double/float,有long,结果为long。(2)表达式中没有double类型,有float,结果为float。float:单精度,4B,字面值后面必须加f/F。注意:long的字面值后面需要加L/l(建议大写,区分数字1)电话:String tel = "185********";(1)如果表达式中有double类型,结果为double。

2301_80909888的博客 1654

第二章:变量、数据类型、表达式、运算符

二、数据类型。

2301_80461005的博客 1029

Java变量与运算符深入解析:从数据类型到位运算底层原理

本文系统讲解Java核心编程要素,涵盖:​ 变量定义规范与8大基本数据类型内存分布 自动/强制类型转换的底层机制与精度问题 运算符全解析:算术/关系/逻辑/位运算(含补码运算原理) 易错点剖析:++i与i++的JVM指令差异、短路运算符的优化逻辑 实战技巧:三种变量交换方案对比(含位运算最优解)

Zyw907155124的博客 3026
上一篇: 基于JavaSE数组、循环实现的简单订餐系统
下一篇: Java基础知识
HuiSoul200
博客等级 码龄8年 274粉丝 82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