18-attr和prop方法的练习

本文介绍了一个简单的HTML页面,通过jQuery的attr方法实现输入框中URL的动态更改并即时更新页面上图片的src属性,展示了基本的DOM操作和事件监听技巧。
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>18-attr和prop方法的练习</title>
    <script type="text/javascript" src ="https://code.jquery.com/jquery-1.12.4.js"></script>
    <script>
        $(function () {
            //1.给按钮添加点击事件
          var btn = document.getElementsByTagName("button")[0];
          btn.onclick = function () {
            var input = document.getElementsByTagName("input")[0];
            //2.获取输入框的内容
            var text = input.value;
            //3.修改img 的src属性节点的值
            $("img").attr("src",text);
            //$("img").prop("src",text);
          }
          });
    </script>
</head>
<body>
<input type="text">
<button>切换图片</button>
<img src="https://www.baidu.com/img/bd_logo1.png?where=super" alt="">
</body>
</html>

 

潮汐研究作为海洋科学的关键分支,融合了物理海洋学、地理信息系统及水利工程等多领域知识。TMD2.05.zip是一套基于MATLAB环境开发的潮汐专用分析工具集,为科研人员与工程实践者提供系统化的潮汐建模与计算支持。该工具箱通过模块化设计实现了两大核心功能: 在交互界面设计方面,工具箱构建了图形化操作环境,有效降低了非专业用户的操作门槛。通过预设参数输入模块(涵盖地理坐标、时间序列、测站数据等),用户可自主配置模型运行条件。界面集成数据加载、参数调整、可视化呈现及流程控制等标准化组件,将复杂的数值运算过程转化为可交互的操作流程。 在潮汐预测模块中,工具箱整合了谐波分解法与潮流要素解析法等数学模型。这些算法能够解构潮汐观测数据,识别关键影响要素(包括K1、O1、M2等核心分潮),并生成不同时间尺度的潮汐预报。基于这些模型,研究者可精准推算特定海域的潮位变化周期与振幅特征,为海洋工程建设、港湾规划设计及海洋生态研究提供定量依据。 该工具集在实践中的应用方向包括: - **潮汐动力解析**:通过多站点观测数据比对,揭示区域主导潮汐成分的时空分布规律 - **数值模型构建**:基于历史观测序列建立潮汐动力学模型,实现潮汐现象的数字化重构与预测 - **工程影响量化**:在海岸开发项目中评估人工构筑物对自然潮汐节律的扰动效应 - **极端事件模拟**:建立风暴潮与天文潮耦合模型,提升海洋灾害预警的时空精度 工具箱以"TMD"为主程序包,内含完整的函数库与示例脚本。用户部署后可通过MATLAB平台调用相关模块,参照技术文档完成全流程操作。这套工具集将专业计算能力与人性化操作界面有机结合,形成了从数据输入到成果输出的完整研究链条,显著提升了潮汐研究的工程适用性与科研效率。 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!
import networkx as nx from neo4j import GraphDatabase from torch_geometric.data import Data # Connect to Neo4j database driver = GraphDatabase.driver(uri, auth=(username, password)) # Define a Cypher query to retrieve nodes and relationships from Neo4j query = """ MATCH (n)-[r]->(m) RETURN id(n) AS source, id(m) AS target, type(r) AS edge_type, labels(n) AS source_labels, labels(m) AS target_labels, properties(n) AS source_props, properties(m) AS target_props """ # Execute the query and retrieve the results with driver.session() as session: results = session.run(query) # Convert the query results to a NetworkX graph graph = nx.MultiDiGraph() for record in results: graph.add_edge(record['source'], record['target'], key=record['edge_type'], source_labels=record['source_labels'], target_labels=record['target_labels'], source_props=record['source_props'], target_props=record['target_props']) # Convert the NetworkX graph to a PyTorch Geometric Data object x = [] edge_index = [] edge_attr = [] for node in graph.nodes(): node_attrs = [] for label in graph.nodes[node]['labels']: node_attrs.append(label) for prop in graph.nodes[node]['source_props']: node_attrs.append(prop) x.append(node_attrs) for source, target, data in graph.edges(keys=True, data=True): edge_index.append([source, target]) edge_attrs = [] for label in data['source_labels']: edge_attrs.append(label) for prop in data['properties']: edge_attrs.append(prop) edge_attr.append(edge_attrs) data = Data(x=torch.tensor(x), edge_index=torch.tensor(edge_index).t().contiguous(), edge_attr=torch.tensor(edge_attr))详细注释
06-06
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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