equals(Object obj);hashCode();toString();

在JAVA中默认的2个方法,equals(Object obj)与hashCode();

首先:


hashCode()则是返回对象的散列码。

而toString()方法责是返回getClass().getName() + '@' + Integer.toHexString(hashCode())
。


比如有如下代码:

package com.generic;

public class Test<E> {

private E name;

Test(E setName){
name=setName;
}

public void display(){
System.out.println(name);
}

}



package com.generic;

public class TestGeneric {
public static void main(String[] args) {
Test<String> t1=new Test<String>("Hello");

System.out.println(t1.hashCode());
System.out.println(t1.toString());
}
}


按道理来说,同一个对象的散列码应该是相同的,但是JDK的输入却是:

12677476
com.generic.Test@c17164

这里注意了,不要被假象所迷惑了,System.out.println(t1.toString());输出的是是getClass().getName() + '@' + [color=red]Integer.toHexString(hashCode())[/color]这里的散列码被转型成了十六位进制来表示了。修改以上代码:

System.out.println(Integer.valueOf(t1.toString().substring(17),16).toString());


现在JDK输出:

33263331
33263331

[size=medium]散列码小补课:[/size]

在一个序列中查找一个特殊的对象所需要的时间取决于容器中对象的数量。如果我们没有对容器中元素进行排序,那么随着元素数量的增加,你所需要的查找时间也就直线增加了:如果容器中元素的数量增加了一倍,那么你用来查找一个特殊元素的时间也就增加了一倍。然而,如果我们对容器中的元素进行了排序,那么查找时间就是随着元素数量的对数而增加的了:要使查找一个元素的时间增加一倍,你必须使集合中的元素数量增加四倍。如果你用一个key来搜索对象,你可以用比序列式容器更好的方法来存储你的对象。你可以用哈希表(hash table)。我觉得哈希表作用就是快速搜索对象。
代码片断:
Hashtable hashtable = new Hashtable();//创建一个哈希表
hashtable.Add("1", "11");//添加键名和值 hashtable.Add(键名, 值);键名是唯一的,不能重复。键名和值都可以是值类型,也可以是对象。
hashtable.Add("2", "22");
hashtable.Add("3", "33");
hashtable.Add("4", "44");
hashtable.Add("5", "55");
hashtable.Add("6", "66");
hashtable.Add("7", "77");

string s = hashtable["1"].ToString();

s="11";

小补课内容来自:http://zhidao.baidu.com/question/37370523.html


在JAVA默认实现中,任何2个不同的对象都不是等价的,因为JAVA默认的equals(Object obj) 方法是根据散列码来判断的,2个不同对象的散列码不可能相同。所以,如果你要变换这种默认的方式,那么你必须手写满足自己要求的equals(Object obj)方法,不要去使用JAVA类库中自带的方法。
toString()、equals()与hashCode() 我们为什么需要toString()、equals()与hashCode()? Object类 toString() equals() hashCode() hashCode()与equals() 阅读详情

相关推荐

保姆级教程:在K230开发板上为张大头步进电机实现位置、速度、回零全功能控制

本文提供了一份详细的K230开发板与张大头步进电机的控制教程,涵盖硬件连接、协议解析、模块化代码实现及实战案例。通过位置、速度和回零功能的全面讲解,帮助开发者快速掌握步进电机的高级控制技术,适用于自动化、机器人等应用场景。

weixin_42629671的博客 713

多态、抽象方法和抽象类、常见重写Object的方法、toString()、equals(Object obj)、hashCode()

多态、抽象方法和抽象类、常见重写Object的方法、toString()、equals(Object obj)、hashCode()

hutao8896的博客 1043

Ubuntu 26.04 本地安装 GitLab CE 完整教程(非 Docker 方式)

本文详细介绍了在Ubuntu 26.04系统上通过Omnibus包安装GitLab CE的完整流程。主要内容包括:环境准备(系统要求、依赖安装)、配置清华镜像源、执行安装命令、修改配置文件、服务管理命令以及常见问题解决方法。文章特别强调了内存要求(建议4GB以上)、首次登录密码获取、HTTPS安全配置等关键点,并提供了性能优化建议和安全设置指导。相比Docker方式,Omnibus安装具有性能更好、管理方便等优势,适合需要私有化部署GitLab的场景。

1381

Object类:equals(); hashCode(); getClass(); toString(); clone();方法的使用与重写

Object类 一、Object类概述 类层次结构的根类,即所有类都直接或者间接的继承自该类。 二、Object类的常用方法 1、Object类的equals()方法 A:功能:指示其他某个对象是否与此对象“相等”。 B:源代码: public boolean equals(Object obj) { return (this == obj); } C:注意:默...

y_Engineer的博客 668

使用Python下载ECMWF的ERA-5数据

一、注册账号 [官网]https://www.ecmwf.int/ 二、登录后获取下载key https://cds.climate.copernicus.eu/api-how-to 如图右侧红色框中的内容复制保存为TXT文件,并重命名为“.cdsapirc”,注意前面有点,保存在 C:\Users\username\.cdsapirc,(WINDOWS系统),username指当前电脑登录账户。 三、安装cdsapi库 以pycharm为例: 在pycharm中依次打开:File>setting

wise_sun的博客 7711

避坑指南:在Linux服务器上用Conda安装antiSMASH 5.2.0(解决Jinja2报错和Matplotlib权限问题)

本文详细介绍了在Linux服务器上使用Conda安装antiSMASH 5.2.0的避坑指南,重点解决了Jinja2报错和Matplotlib权限问题。通过创建专用conda环境、安装指定版本依赖包和配置缓存目录,帮助用户顺利完成antiSMASH的本地部署,适用于批量处理基因组分析任务。

weixin_26911099的博客 318

关于toString、hashCode、equals方法详解

关于toString、hashCode、equals方法的详细说明理解

Bananaaay的博客 1283

《C++面向对象程序设计》✍千处细节、万字总结(建议收藏)

《C++面向对象程序设计》✍千处细节、万字总结 文章目录《C++面向对象程序设计》✍千处细节、万字总结一、面向对象程序设计二、C++基础2.1 C++的产生和特点2.2 一个简单的C++示例程序2.3 C++在非面向对象方面对C语言的扩充输入和输出cinconst修饰符void型指针内联函数带有默认参数值的函数函数重载作用域标识符"::"强制类型转换new和delete运算符引用三、类和对象(一)3.1 类的构成3.2 成员函数的定义3.3 对象的定义和使用3.4 构造函数与析构函数构造函数成员初始化列表

像写诗一样优雅地写代码~ 78万+

JavaSE Object(类): hashCode getClass() toString() equals(Object obj)

day11目录: Object(类) public int hashCode() public final Class getClass() public String toString() public boolean equals(Object obj) 11.17_常见对象(API概述以及Object类的概述)(掌握) A:API(Application Programming Interface) 应用程序编程接口 B:Java API 就是Java提供给我们使用的类,这些类将底层的

qq_43563187的博客 205

【C语言】程序员筑基功法——《函数栈帧的创建与销毁》

汇编角度带你走进函数栈帧

StackFrame 3666

手把手教你学Simulink--基于飞轮储能系统的场景实例:飞轮储能与锂电池混合储能系统的协同控制

本文详细介绍了基于Simulink的飞轮储能与锂电池混合储能系统协同控制建模方法。通过高通/低通滤波器实现功率分配,使飞轮处理高频波动(±100kW),锂电池承担削峰填谷(50kW)。仿真结果表明,该系统效率达88%,锂电池循环次数减少90%,投资成本比纯电池方案节省200万美元。文章包含完整的建模步骤、控制策略设计和多场景仿真分析,为构建高效、长寿、经济的智能储能系统提供了实用解决方案。

MHD0815的博客 344

Object中的三个常用的方法(equals,hashCode,toString))

Object类 1.1基本概念 java.lang.Object类是java类层次结构的根类,任何类都是该类的直接/间接子类。 1.2常用方法 无参构造 ---- Object

weixin_45192252的博客 376

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

java.lang.Object()、toString()、equals()、hashCode()、重写以及多态

java.lang.Object()、toString()、equals()、hashCode()、重写以及多态。

vincent_vang的博客 1069

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")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Object——equals方法,hashCode方法,toString方法

Object——equals方法,hashCode方法,toString方法equals()Object类中的equals方法用于检测一个对象是否等于另一个对象。hashCode()Object类中的hashCode()方法是由对象导出的一个整型数值(可以是负数)。每个对象都有一个散列码,其值为对象的存储地址。相同字符串的散列码相同。多个实例的散列码可以组合到一起使其更加均匀。toString()...

weixin_43319635的博客 423

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

Java的Object类方法(equals、hashCode、toString、finalize方法)

主要介绍了Object类中equals、hashCode、toString、finalize四个方法

weixin_74200123的博客 624

Object类中的四个方法(getClass()、toString()、hashCode()、equals())

Object类下方法的作用 1、getClass():返回对象执行时的实例,也就是获取变量的类型。返回结果形式为:class 包名 类名。 2、toString():将对象返回为字符串的形式。 说明:在代码中,如果用输出语句直接输出对象,将会自动调用 toString()方法。 public class ObjectDemo01 extends Object{ public static void main(String[] args) { //创建可以装任意类型数据的数组 Object[] ar

diamond_0的博客 1124

JavaSE:Object类中的toString ,equals,hashcode方法

Object类中的方法 Object 类位于 java.lang 包中,编译时会自动导入,我们创建一个类时,如果没有明确继承一个父类,那么它就会自动继承 Object,成为 Object 的子类 显式继承:

weixin_52008431的博客 789

java object类、toString()、equals()、hashcode()

1、概念 Object类是所有类的父类,也就是说任何一个类的定义的时候如果没有明确的继承一个父类的话,那么它就是Object的子类。既然Object是所有类的父类,那么最大的一个好处就在于:利用Object类可以接收全部类的对象,因为向上自动转型。 所有对象(包括数组)都实现这个类的方法。 Object有三个比较重要的方法: 取得对象信息:public String toString()。 对象比...

qq_35784996的博客 344

Java抽象/接口讲解(第六节)Object类/toString() 方法/equals() 方法/hashCode() 方法

小白必看,一学就会 Object类/toString() 方法/equals() 方法/hashCode() 方法

2301_80176774的博客 1079

Object类(equals()、hashCode() 、toString() )

(1)Object类是所有java类的根父类。 如果在类的声明中未使用extends关键字指明其父类,则默认父类为Object类。 public calss Student{ ...; } 上面代码等价于: public class Student extends Object{ ...; } (2)打开java_API1.6查看Object中的方法: (3)以equals()为例看一下...

匿名攻城狮 708

【Java】Object类详解(equals hashCode toString)

目录(一)Object类是啥 (一)Object类是啥 Object类是所有类的始祖,在java中每个类都是由它扩展得到的,但是并不需要这样写 public class Employee extdens Object 在新建一个类时我们可以看到 如果没有明确地指出超类,Object就会被认为是这个类的超类,可以使用Object类型的变量引用任何类型的对象: Object obj =...

黄骏捷的博客 388

object类通用方法(equals、hashcode、toString、clone)的讲解

Object类通用方法(equals、hashcode、toString、clone)的讲解

xiong_tai的博客 1353

根父类 Object 的使用与常用方法(equals\toString\clone\finalize\getClass\hashCode....)

类 java.lang.Object是类层次结构的根类,即所有其它类的父类。每个类都使用 Object 作为超类。根据JDK源代码及Object类的API文档,Object类当中包含的方法有11个。这里我们主要关注其中常用的6个:equals\ toString\ hashCode\ getClass\ finalize\ clone

共同学习,共同成长 921

Object、重写Object的equals()和toString()

JVM会将该类的class文件加载到方法区,在堆中创建该类的class文件的对象(简称class对象),Object - toString():获取对象的字符串表示,不同的子类有着。4、toString():返回对象的字符串表现形式(将对象转换为字符串)Object - equals():比较两个对象是否相同,不同的子类有着。hashCode():获取该对象的hash码(注意:hash码是。toString():返回对象的字符串表现形式(将对象转换为。3、hashCode():获取该对象的hash码。

m0_70135515的博客 723

Object类的toString、==、equals、hashCode方法

当前实例对象重写toString方法是大部分情况是为了输出当前实例对象的内容。

2301_81663239的博客 324
上一篇: org.apache.tomcat.util.http.Parameters processParameters 警告: Parameters: Charac
下一篇: Java反射机制实例
NationSoftware
博客等级 码龄19年 2粉丝 30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