Scala 学习(七)--- 类

Scala中的类和构造器 Scala中的类 摘要 网络上很多资料讲得不清不楚的,有些甚至是片面的错误的,看语言应该是直接用翻译器将英文翻译成中文。所以依照着网上的一些说法和自己的实验重新将一些概念和定义讲解一些。 scala编译器会自动为类中的字段添加getter方法和setter方法 可以自定义getter/setter方法来替换掉编译器自动产生的方法 用@BeanProperty注解来生成JavaBeans 阅读详情

A. 类的定义

  1. Scala中,类并不用声明为public

  2. Scala源文件中可以包含多个类,所有这些类都具有公有可见性

  3. val修饰的变量具有只读属性,有getter但没有setter方法,相当于java中的final修饰的变量

  4. var修饰的变量既有getter,又有setter方法

  5. 类私有字段,即private修饰的变量,只能够在类的内部以及伴生对象中使用

  6. 对象私有字段,即private[this]修饰的变量,访问权限更加严格,只能在类的内部中使用
class Person {
  val id = "9527" //用val修饰的变量是只读属性,有getter但没有setter,相当于java中的final修饰的变量
  var age = 18 //用var修饰的变量既有getter又有setter
  private var name = "唐伯虎" //类私有字段,只能在类的内部以及伴生对象中使用
  private[this] val pet = "小强" //对象私有字段,访问权限更加严格,只能在类的内部方法中使用
  def printPet: Unit = {
    print(pet)
  }
}
object Person {
  def main(args: Array[String]): Unit = {
    val p = new Person
    println(p.id + " " + p.age + " " + p.name)
    p.age = 20
    p.name = "祝枝山"
    println(p.id + " " + p.age + " " + p.name)
    p.printPet
  }
}

B. 构造器

  1. 主构造器会执行类定义中的所有语句,如果有函数,函数仅仅被加载,并函数不会被执行

  2. 每个类都有主构造器,主构造器中的参数直接放在类名后面,与类交织在一起

class Animal(val id: String, var name: String) {
  println("id: " + id + ", name: " + name) //主构造器会执行类定义中的所有语句
  def sayHi(): Unit = { //函数仅仅被加载,不会被执行,除非被调用
    println("hi..." + name)
  }
}
object Animal {
  def main(args: Array[String]): Unit = {
    val a = new Animal("01", "dog")
  }
}

这里写图片描述

3. 主构造器中参数如果不带有val,var修饰,则该参数为对象私有化字段,等同于private[this] val修饰的字段

4. 辅助构造器中参数不能用val, var修饰

5. 先调用主构造器,再调用辅助构造器,意味着每次先执行类中定义的所有语句,再执行辅助构造器
class Animal(val id: String, var name: String, gender: String) {
  print("id: " + id + ", name: " + name + ", ") //主构造器会执行类定义中的所有语句
  println("gender: " + gender) //只能在类中访问gender
//  gender = "f" //报错,Reassignment to val:说明gender被val修饰
  var age: Int = -1
  def this(id: String, name: String, gender: String, age: Int) {
    this(id, name, gender)
    this.age = age
    println("age: " + age)
  }
  println("age: " + age)
}
object Animal {
  def main(args: Array[String]): Unit = {
    val a = new Animal("01", "dog", "m")
    val a2 = new Animal("02", "cat", "f", 2) //先调主构造器,再调辅助构造器,导致每次都能将age输出为-1
//    a.gender //报错,Cannot resolve symbol gender:伴生对象都不能访问,说明gender被private[this]修饰
  }
}

这里写图片描述

学习海康VisionMaster之BLOB分析 6):软阈值(相对):是一种动态阈值分割方法,其核心思想是 基于图像局部特性(如背景或参考区域)自适应调整阈值范围,适用于光照变化明显、背景灰度不均的场景。3:拖入位置修正功能:这个非常重要,模版匹配成功后会得到新的匹配坐标,那和创建模版时候的原点坐标会组合成一个坐标变换矩阵,通过这个矩阵,那后续的blob分析窗口则可以实现精确定位来查找目标对象。(2):设定参数:这里阈值方式是blob的核心算法,根据不同的应用场景来选择不同的阈值方式。8:高级参数:是设定blob区域的特征范围,用于筛选出来特定的区域。 阅读详情

相关推荐

Windows下OpenMBEE项目MMS部署失败经历及改正

在Github里找到了上面的第一份文档,下载了MMS源代码(不知道为什么这个代码跟上面操作克隆得到的MMS代码不一样?好像是因为Gradle的版本问题,我本地之前已经安装过7.6.4的Gradle了,于是我找到gradle-wrapper.properties文件。后面在VScode中运行了一下依然是报这个错误,我在VScode终端直接执行。不知道为什么依然没什么用。打开“Windows PowerShell”。(如果是第一次运行它,将看到更长的输出)导航到要克隆存储库的文件夹,例如,

Yo_lan_da的博客 1870

Scala面向对象编程

Scala面向对象基本概念 类(Class)抽象类(abstract class)单例对象(object)特质(trait)样例类(case class) 类(class) 类通过class关键字定义类通过new关键字创建实例类拥有成员变量和方法类的成员默认为public,也支持private、protected类中无法定义静态成员变量和方法类无需明确定义构造方法 Scala Modifier lClass Companion Subclass Package Wor

zhenS1mple的博客 360

【心得】Back trader避坑指南(一)——关于安装过程的问题

我认为一开始比较容易卡住的地方,主要是安装上面的问题。我给大家整理的这个版本是我能跑通的版本,还有一些好用的神器,手把手教你怎么装!

weixin_38347757的博客 1303

spark基础知识选择、判断、简答题。

** # spark相关题目 ** 1、 持久化RDD的存储级别中,将RDD分区全部存储到磁盘上的存储级别是()。 A、MEMORY_ONLY B、MEMORY_AND_DISK C、DISK_ONLY D、MEMORY_ONLY_SER 参考答案: C 答案解析: 暂无解析 2、 当MemStore存储的数据达到一个阀值()时,数据就会被进行flush操作,将数据写入到StoreFile文件。 A、64M B、128M C、256M D、512M 参考答案: B 答案解析: 暂无解析 3、 下列选项中

weixin_43793040的博客 1万+

Matlab子图排版终极指南:从tight_subplot到tiledlayout的实战对比

本文深入对比Matlab中两大子图排版工具:社区经典函数tight_subplot与官方现代布局管理器tiledlayout。针对默认subplot产生的子图间距与边缘距离问题,详细解析两者的设计哲学、参数控制与实战应用,帮助用户根据版本与需求选择最佳方案,实现高效、精确且美观的多子图排版。

weixin_29048309的博客 360

华为Watch的ECG功能技术分析

华为Watch的ECG(心电图)功能通过硬件传感器、算法优化和医疗认证的结合,实现了对心脏电活动的监测和房颤(AFib)等心律失常的预警。采用医疗级ECG模拟前端芯片(AFE),如TI(德州仪器)的ADS1292R等,支持低噪声、高采样率(通常≥200Hz)。结合PPG(光学心率)数据交叉验证,提高检测可靠性(如ECG和PPG心率不一致时触发警告)。通过RR间期变异性判断心律是否规则,识别房颤(AFib)的典型特征(如不规则不规则心律)。结合加速度计数据,识别手臂运动导致的信号失真,动态调整算法参数。

xu_wenming的博客 6448

Scala学习笔记:03-Scala的类与Trait

文章目录Scala类和对象类的声明定义抽象类继承伴生对象trait(特征) Scala类和对象 类是对象的抽象,而对象是类的具体实例。类是抽象的,不占用内存,而对象是具体的,占用存储空间。类是用于创建对象的蓝图,它是一个定义包括在特定类型的对象中的方法和变量的软件模板 Scala中的类不声明为public,一个Scala源文件中可以有多个类。 类的声明定义 Scala中的类不声明为public,一个Scala源文件中可以有多个类。 构造函数在类名以后,括号与类名之间可以使用private和public修饰

904

华为OD机试双机位C卷-虚拟文件系统(C/C++/Py/Java/Js/Go)

华为OD机试(机考)双机位C卷 【虚拟文件系统】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【虚拟文件系统】。

qq_45776114的博客 480

【scala 笔记(6)】 类(class)和对象(object)

熟悉JAVA/C++的人会发现Scala里的某些概念虽然相似,但却不完全相同。 类 (class)简单类和方法定义简单类类形式和JAVA/C++很像:class Counter{ private var value: Int = 0 def increment(): Unit = value += 1 def count() :Int = value }在scala中并不需要申明publ

ice泉的博客 970

《手把手教你玩转RTOS操作系统》专栏简介

《手把手教你玩转RTOS操作系统》专栏系统讲解实时操作系统开发,以FreeRTOS为主线,结合RT-Thread和Zephyr对比分析。内容涵盖RTOS基础、任务管理、通信机制、中断处理等核心知识,并配套STM32/ESP32平台实战项目。专栏特色在于零基础友好、实战驱动、多系统对比和行业趋势分析,适合嵌入式开发者进阶RTOS开发能力,解决实际项目中的选型与优化问题。通过完整学习路径,读者可掌握构建高可靠性嵌入式系统的关键技能。

MHD0815的博客 531

基于matlab的主成分分析的人脸二维码识别系统

人脸识别因其在系统安全验证、信用验证、刑侦跟踪、身份管理、视频会议、人机交互、智能家居等方面的巨大应用前景,成为当前模式识别和人工智能领域越来越热门的一个研究方向。随着安全入口控制和二维码智能扫描应用需求的快速增长,基于二维码识别的生物人脸统计识别技术也引起了人们的重视。本案例将详细讲解基于主成分分析的人脸特征提取的原理与方法,并将其与 QR 二维码的编解码进行结合,将 MATLAB 作为工具平台,调用 QR 二维码编解码应用程序,进而实现一个人脸二维码自动识别的系统原型。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 981

Scala学习之路之篇六(类与对象)

Scala 类和对象 类是对象的抽象,而对象是类的具体实例。 类是抽象的,不占用内存,而对象是具体的,占用存储空间。 Scala中的类不声明为public,一个Scala源文件中可以有多个类。 类定义(类 class) class Point(xc: Int, yc: Int) { var x: Int = xc var y: Int = yc def move(dx:...

小小良 333

【PyGIS】ERA5降雨蒸散发数据预处理

ERA5-LAND降雨蒸散发数据预处理

```On Earth, Be Water, By Coding``` 3146

Scala2.11.7学习笔记(七)类和对象

鲁春利的工作笔记,好记性不如烂笔头1、apply需要构造有参数需求的伴生对象时,可定义并使用apply方法。在使用Array时,可以通过valarray01=newArray[数据类型](数组元素个数);来定义,也可以通过valarray02=Array(元素值列表);来定义。实际上在使用Array(元素值列表时),调用的就是Array类的伴生对象Array的a...

weixin_34122548的博客 92

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

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

Scala学习02——Scala类和对象

Scala快速入门(适合为学Spark学习Scala的同学) 目录 一、数据类型 二、变量和常量的声明 三、类和对象 一、数据类型 Scala数据类型,首字母大写 Any是所有类型的超类,其父类为Object,AnyRef与AnyVal为Any类型的子类 Nothing类型表示不赋类型时,系统默认的类型,无实例值,为所有类型的子类 二、变量和常量的声明 常量赋值:val 变量赋值:var 定义变量/常量时,也可以写上指定类型,一般Scala可以自动识别,因此省略,如:v

Lynqwest的博客 942

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

【Scala学习】之Scala中的类

文章目录SCALA CLASSESBasic class constructor`val` makes fields read-onlyClass constructorsOther Scala class examplesAUXILIARY CLASS CONSTRUCTORSNotesSUPPLYING DEFAULT VALUES FOR CONSTRUCTOR PARAMETERSBenefitsBonus: Named parametersA FIRST LOOK AT SCALA METHODS

有问题的请私信或关注v【技术印记】留言 534

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")

[Scala]Scala学习笔记四 类

1. 简单类与无参方法class Person { var age = 0 // 必须初始化字段 def getAge() = age // 方法默认为公有的 } 备注在Scala中,类并不声明为public. Scala源文件可以包含多个类,所有这些类都具有公有可见性.属性不声明默认为public.使用类:val p = new Person // 或者new Person() p.ag

SmartSi 2014

快速入门Scala(七):类与对象

类是对象的抽象,而对象是类的具体实例。类是抽象的,不占用内存,而对象是具体的,占用存储空间。类是用于创建对象的蓝图,它是一个定义包括在特定类型的对象中的方法和变量的软件模板。 我们可以使用 new 关键字来创建类的对象,实例如下: class Point(xc: Int, yc: Int) { var x: Int = xc var y: Int = yc def move(dx: Int, dy...

冯·诺依曼 5万+

Scala的类定义

目录 一、⾯向对象的概念 二、Java类的定义 三、Scala定义类的属性 四、Scala⾃定义get和set⽅法 五、Bean属性 六、Scala定义类的构造器 七、cala创建对象和访问属性 一、⾯向对象的概念 如何理解抽象? 定义⼀个类,实际上就是把⼀类事物的共有的属性和⾏为提取出来,形成⼀个物理模型(模板)。这种研究问题的⽅ 法称为抽象。 ⾯向对象编程有三⼤特征:封装、继承和多态。 封装(encapsulation)就是把抽象出的数据和对数据的...

CyAurora的博客 3023

【Scala】Scala的类层级

Scala的类层级Scala里,每个类都继承自通用的名为Any的超类。因为所有的类都是Any的子类,所以定义在Any中的方法就是“共同的”方法:它们可以被任何对象调用。Scala还在层级的底端定义了一些类,如Null和Nothing,扮演通用的子类。即,Any是所有其他类的超类,Nothing是所有其他类的子类。Any类层级的顶端是Any类,定义了下列方法:final def ==(that: An

Jason Ding的专栏 2918

【Scala学习笔记】快学Scala

构造顺序:超类的构造器优先于子类的构造器执行提前定义:在超类的构造器执行之前初始化子类的val字段。// }// 提前定义的语法和Java一样:类、方法、字段、局部变量、参数;可以同时多个注解,没有顺序要求。

Wade__Hao的博客 1900

Scala学习

思维导图 学习目标 1.能够安装上scala必备的开发工具IDEA 2.了解学习scala的必要性 3.了解函数式编程的特点 4.掌握scala编程基础 Scala介绍 Scala是一种针对JVM 将面向函数和面向对象技术组合在一起的编程语言。Scala编程语言近来抓住了很多开发者的眼球。它看起来像是一种纯粹的面向对象编程语言,而又无缝地结合了命令式和函数式的编程风格。Scala融汇了许多前所未有的特性,让开发者能够很好的而同时又运行于JVM之上。随着大数据的日益发展,scala必定会成为必不可少的开

weixin_44911248的博客 1602

Scala学习笔记6: 类

在Scala中, 类用于创建对象的蓝图; 类可以包含方法、值、变量、类型、对象和特质等成员; 类名应该以大写字母开头, 可以包含构造函数、主题和方法等 可以使用class关键字定义类, 并使用new关键字实例化类;

Taerge0110的博客 1284

scala学习七:scala的高级特性

scala学习七:scala的高级特性标签(空格分隔): scala一,泛型类类和特质可以带类型参数,使用[]来定义类型参数//T:泛型类的类型 class GenericClass[T]{ private var content:T=_ def set(value:T) ={content=value} def get():T={content} } //test obje

youfashion的博客 3400

Scala类

类创建 字段、方法和构造函数 类继承 单例对象

Java&&大数据专栏 2206

Scala语言完整学习流程

scala学习内容

wudidahuanggua的博客 1413
上一篇: Scala 学习(六)--- 单机实现wordcount详细解读
下一篇: Scala 学习(八)--- 对象
晚秋_梦依在
博客等级 码龄11年 7粉丝 28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