面向对象

本文深入讲解JavaScript中的面向对象编程概念,包括函数、对象与框架之间的区别与联系,探讨了对象的创建方法及其内部机制,如构造函数、原型链等,并介绍了面向对象编程的基本原则。

面向对象

首先要明确:JS中全是面向对象。

那么常见的函数,对象,框架,之间区别与联系怎么理解呢?
简单的讲,

  • 函数:工具
  • 对象:工具包
  • 框架: 多个工具包

对象的创建

常见的有两种方法
字面量方式创建对象
谈起字面量就不得不提, json(json基于xml演化而来)
json: 不是一种语言,理解为一种标准更加准确。(数据传输通用协议)
字面量其实是原型对象的一个实例。
json协议与JS对象字面量十分相似。

相较于xml(更通用同国际化) 对前端而言json 用的更多。
二者区别在于:
JSON数据体积小,传输速度快。
JSON可以和JS对象互换 , 和JS一起使用更加便捷。
JSON可以理解为电脑的USB接口,不同厂商统一标准,方便前后台对接。
构造函数方式创建对象

面向对象的作用:

  1. 面向对象编程:单一职责原则,易于发现问题和解耦合。

  2. 描述数据:json-ajax 交互,与后台交互。

  3. 框架,各类框架基于面向对象的思想。

JS对象由两个对象组成:

  1. 构造函数对象
  2. 原型对象 //与生俱来,对象声明时自动生成

构造函数:
对象本身就是一个函数
用于创建对象的函数叫做构造函数。

一切数据通过变量管理。定义变量的过程就是内存分配的过程。本质上一切数据都是放在内存中的。
instanceof: eg: if(p1 instanceof Product) 判断实例是否根据构造函数创建

双对象法则:
原型对象:只分配一次内存。其属性与方法可以被所有实例共享。只占一片内存空间。
通过原型创建对象实际创建两个对象:

  • 构造函数对象:实例化时自动拷贝构造函数的所有属性与方法
  • 原型对象: 函数名. prototype

任何实例都隐藏两个属性:

  • constructor: 值为构造函数
  • prototype:铁链一样将实例与原型链接在一起。实例.prototype->原型对象
    (属性访问搜索法则:首先遍历自身属性(从构造函数拷贝的属性)找不到则找原型对象中的属性)

属性屏蔽:相同的属性,以构造函数为准(优先级)
实例化:就是将构造函数的属性拷贝一份,同时在内存中开辟一段新的区域保存这些值。
任何变量都会占内存,指针:指向内存中的某块区域(地址)
对象在内存中的存储:占两块区域:一块存储变量名称(地址)另一块存储实例真正的值。
实例名称中保存的只是地址,具体内容放在另一块区域。
constructor:构造函数的一个隐藏属性,用于检测某个实例的构造函数是哪个。
为什么实例中要含有constructor?
实例中的属性都拷贝自构造函数,而constructor是构造函数的一个属性。

Function对象

constructor属性其实就是function对象的一个属性而已。
为什么会有prototype和constructor?
任何我们编写的函数实际上都是function对象的实例。任何一个对象都是函数实现的。则对象也是function函数的一个实例,所以构造函数中含有function对象中的一切属性和方法。
而constructor和prototype属性也是function对象中的属性之一。实例化又会拷贝构造函数中的属性和方法,自然有了constructor和prototype。
prototype保存的是一个地址,将实例和对象联系在一起。
属性搜索机制的本质:通过prototype属性中保存的地址链接原型。

call
借用其他对象的方法,而不用拷贝。
eg: 购物车相关方法->购物车
产品相关方法->产品
如果直接拷贝购物车的方法到产品中来(重复)
call借用一下,还可以传参。call可以修改指针,更改this的指向指向自身。
call可以将伪数组(含有length属性的Json对象,不是真数组,没有数组好,key都是1,2,3,4,)
伪数组的存在意义是什么?
eg: Arguments/document.getElementsByTagName();

Apply
function对象的属性与方法,其功能与call一毛一样
call的传参是平铺的。apply的传参是数组,但使用的时候是把数组拆开的。优点是能接受不定参数。

Object对象

Object对象是function对象的一个实例。
Object的–proto–属性指向的是function对象的原型。
即Object.–proto– == Function.prototype
Object.prototype 要是对象。
再次重申:所有内置对象都是Function对象的实例。
Object/Array/Date/Number.–proto–==Function.prototype
而Function.prototype.–proto– == Object.prototype
Object.prototype.–proto– == null; // 鼻祖
arr.–proto– = Array.prototype;

最后阐述一下面向对象的特征
封装,继承,多态
多态:不同的状态,比如P2P ,O2O,C2C,B2C都是购买,购买的方式不同。

继承:所谓继承,即拥有父亲的特性,可访问父类的属性与方法。
同时也拥有自己的特性,可以定义自己的属性和方法。

继承的本质:原型链, 万物继承自Object

补充:

关于类:
讲了那么多,好像面向对象及原型链都没提这个玩意儿嘛。
虽然明白,类就像是人类,对象就像是女人,男人,老人,小孩,实例就像是女人张珊,男人王五,老人赵四,可是类有啥用呢?
: 在JS中,类的实现是基于起原型的继承机制的。如果两个实例都从一个原型对象上继承了属性,我们就说它们是一个类的实例。类的所有实例对象都从一个原型对象上继承属性。因此,原型对象是类的核心。

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
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