c# for foreach执行效率比较

别再只仿真原理图了!用ADS做微带功分器,版图仿真这一步才是关键 本文深入探讨了使用ADS进行微带功分器设计时版图仿真的重要性,指出原理图仿真与版图仿真的本质差异及其对性能的影响。通过详细分析版图效应、关键设置和优化策略,帮助工程师避免常见陷阱,提升设计效率和准确性。文章特别强调了版图仿真在确保微波电路性能中的关键作用。 阅读详情

一直不了解for foreach执行效率 特写了以下一段代码进行测试。

代码如下:

DateTime dt5 = DateTime.Now;
            ArrayList a = new ArrayList();
            Random r = new Random();
            for (int i = 0; i < 10000000; i++)
            {
                a.Add("string" + r.Next().ToString());
            }
            DateTime dt6 = DateTime.Now;
            TimeSpan ts3 = dt6 - dt5;
            label9.Text = ts3.TotalMilliseconds.ToString();
            int iCount = a.Count;

            DateTime dt1 = DateTime.Now;
            foreach (string s in a)
            {
            }
            DateTime dt2 = DateTime.Now;
            TimeSpan ts1 = dt2 - dt1;
            label2.Text = ts1.TotalMilliseconds.ToString();

            dt1 = DateTime.Now;
            foreach (string s in a)
            {
            }
            dt2 = DateTime.Now;
            ts1 = dt2 - dt1;
            label3.Text = ts1.TotalMilliseconds.ToString();

            dt1 = DateTime.Now;
            foreach (string s in a)
            {
            }
            dt2 = DateTime.Now;
            ts1 = dt2 - dt1;
            label4.Text = ts1.TotalMilliseconds.ToString();

            
            StringBuilder sb2 = new StringBuilder();
            DateTime dt3 = DateTime.Now;
            for (int i = 0; i < iCount; i++)
            {
                string s = a[i] as string;
            }
            DateTime dt4 = DateTime.Now;
            TimeSpan ts2 = dt4 - dt3;
            label6.Text = ts2.TotalMilliseconds.ToString();

            sb2 = new StringBuilder();
            dt3 = DateTime.Now;
            for (int i = 0; i < iCount; i++)
            {
                string s = a[i] as string;
            }
            dt4 = DateTime.Now;
            ts2 = dt4 - dt3;
            label7.Text = ts2.TotalMilliseconds.ToString();

            sb2 = new StringBuilder();
            dt3 = DateTime.Now;
            for (int i = 0; i < iCount; i++)
            {
                string s = a[i] as string;
            }
            dt4 = DateTime.Now;
            ts2 = dt4 - dt3;
            label8.Text = ts2.TotalMilliseconds.ToString();

代码可以从下载地址http://download.youkuaiyun.com/detail/devgis/6987203

for foreach对同一arraylist对象进行1000万次操作进行比较 结果如下


通过比较发现for循环的效率高 如有异议 欢迎讨论。

LVGL 组件对齐方式说明 本文说明 LVGL(以 v8 为例)中常用的 lv_align_t对齐选项的含义与用法,对应界面设计工具里下拉列表中的以及等命名。 阅读详情

相关推荐

嵌入式人工智能(18-基于树莓派4B的继电器JQC-3FF-S-Z)

本次实验的输出端控制不会接强电,就用LED灯来模拟即可,由于我那个流水灯模块是低电平点亮,所以接线稍有不同,同学们注意。只有继电器吸合,输出端的NO与COM就导通,给LED低电平然后就亮,否则继电器断开,NO与COM不导通,LED不亮。原理都一样,控制电流的接通与断开,这个模块看起来还简单点,毕竟还有2个指示灯,下端IN如接上电源红灯亮,继电器动作有电流通过绿灯亮。在实际应用中,可以通过编程控制继电器的通断状态,例如在Python编程中设置继电器模块的通断时间,从而实现自动化控制。

u010152658的博客 2533

集合遍历优化----(for和foreach)

package java_suanfa; import java.util.ArrayList; import java.util.LinkedList; import java.util.List; public class Main { public static void main(String[] args) { // 实例化arrayList List&lt;Integ...

GP0000968523的专栏 1227

深入剖析QWEN 2.5模型架构:从GQA到RoPE的技术实现

本文深入解析了QWEN 2.5模型架构,重点介绍了其创新的GQA(分组查询注意力)和RoPE(旋转位置编码)技术实现。通过详细代码解读,展示了这些技术如何提升模型的计算效率和长文本处理能力,适用于代码生成和数学推理等任务。文章还提供了实践部署建议和调优经验,帮助开发者更好地应用这一先进模型。

weixin_42548816的博客 390

C# for,foreach 异步多线程问题

Parallel.ForEach 和 ForEach 与 Parallel.For 和 For 一样,一个是异步执行,开辟多个线程。一个是同步执行,开辟一个线程。2.上面的代码,运行For时,你可能会发现数字是有顺序的打印出来,给人一种串行执行的错觉,你可以断点调试你的代码,会发现确实有多个线程在运行代码。1.Parallel.For效率高于Parallel.Foreach,所以当For与Foreach都可以时,推荐使用For。简单的循环 直接同步即可 要是循环读取或者写入数据库则 异步会更高效。

weixin_56831647的博客 853

PSIM仿真实战:反激电源从设计到调试的完整流程(附短路保护配置)

本文详细介绍了使用PSIM仿真工具进行反激电源从设计到调试的完整流程,包括变压器参数设计、功率器件选型、动态特性调试以及短路保护配置。通过实战案例和仿真技巧,帮助工程师提前暴露并解决设计中的常见问题,如负载突变、输入电压波动和短路保护失效等,显著降低硬件试错成本。

weixin_29216353的博客 244

Multisim的探针(Probe)及数字电路的一些调试技巧的应用

Multisim的探针(Probe)及数字电路的一些调试技巧的应用 --EE Bang   By  WRS 上图为555方波发生器,根据R1,R2,C2参数的配置可产生频率为46.3KHZ,占空比50%的方波信号,如果用示波器查看波形参数的话需要用两个坐标轴做差,操作不便,另外如果要修改电路将上述电阻换成滑动变阻器的话,使其产生可变频率

Agent Christmas的博客 3万+

c# Parallel.For/ForEach 循环内多线程并行操作

c# Parallel.For 简单使用

qq_39788123的博客 3401

西门子PLC1200与CB1241模块的Modbus RTU从站配置全流程(附串口调试技巧)

本文详细介绍了西门子S7-1200 PLC与CB1241通信模块实现Modbus RTU从站配置的全流程,包括硬件接线规范、TIA Portal工程组态、通信指令编程及串口调试技巧。通过实战案例和常见错误处理方案,帮助工程师快速搭建稳定的工业通信系统,提升自动化设备的互联互通能力。

weixin_29165725的博客 331

C#基础教程(九)容器foreach和多线程安全问题

闲话少说。 在单线程操作List,Dictionary等集合的时候一点问题都没有,但是在多线程情况下,问题就出来了,经常会报错。我们可以看看源码,List的Add方法是线程不安全的,List的源码中的Add方法,使用了每次当当前的元素达到上限,通过创建一个新的数组实例,并给长度翻倍的操作。如果单线程操作不会有问题,直接扩容,然后继续往里面加值。下面是List的Add方法和核心逻辑: 也就是说,当多个线程同时添加元素,且刚好它们都执行到了扩容这个阶段,当一个线程扩大了这个数组的长度,且进行了+1操作后

鱼骨头科技 2303

网络攻防技术——MD5碰撞试验

一、题目 本次实验主要是加深大家对MD5碰撞及其原理的理解,使用SEED实验环境中的工具及编程语言,完成以下任务: a)使用md5collgen生成两个MD5值相同的文件,并利用bless十六进制编辑器查看输出的两个文件,描述你观察到的情况; b)参考Lab3_task2.c的代码,生成两个MD5值相同但输出不同的两个可执行文件。 c)参考Lab3_task3.c的代码,生成两个MD5值相同但代码行为不相同的可执行文件。 d)回答问题:通过上面的实验,请解释为什么可以做到不同行为的两个可执行文件具有相同的M

学习记录 3623

使用 Simulink + Simscape Electrical 搭建一个电力系统模型,并通过改变负荷参数来模拟负荷波动

摘要:本文介绍了使用Simulink进行电力系统稳态分析的方法,重点研究负荷波动对系统的影响。通过构建包含同步发电机、变压器、输电线路和负荷模块的三节点系统模型,详细演示了建模过程,包括添加模块、搭建主电路拓扑和设置仿真参数。文章提供了两种负荷波动模拟方法,并分析关键指标如频率稳定性、电压水平和功率平衡。最后给出优化建议如引入储能系统、优化调度策略等,为电力系统规划、运行管理提供实用参考。

amy_mhd的博客 259

for和foreach性能比较

for和foreach性能比较 在很多情况下for和foreach具有同样的功能,选择for还是foreach很多人可能都是看自己的喜好,本测试试图通过 来真是测试数据来比较他们的执行效率。希望能给大家对他们的时候带来一些帮助。 测试环境:      硬件环境:   PIII800 + CPU456    软件环境:   VisualStudio.Net  + C#测试用例:   

stableboy的Blog 1253

Dify 第 19 篇 手把手教你开发 Dify 插件:从零实现一个时间工具

本文介绍了Dify平台的插件开发机制和流程。Dify支持多种插件类型,包括模型、工具、数据源等,可通过CLI工具快速开发插件。文章详细讲解了如何安装Dify CLI工具,并演示了从零开发一个获取系统时间插件的完整过程,包括项目初始化、文件解读和打包部署。通过该教程,开发者可以快速掌握Dify插件开发的核心要点,实现自定义功能扩展。

甘蓝的专栏 2452

并行

  using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Threading; namespace MoreThread { internal class Program { private st...

weixin_34377065的博客 79

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

C#中 for与foreach的效率比较

在很多情况下for和foreach具有同样的功能,选择for还是foreach很多人可能都是看自己的喜好,本测试试图通过 来真是测试数据来比较他们的执行效率。希望能给大家对他们的时候带来一些帮助。 测试环境:      硬件环境:   PIII800 + CPU456     软件环境:   VisualStudio.Net  + C# 测试用例:     利用结果集来存放记录,初

吴正清的专栏 1万+

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

C#并行编程-Parallel

C#并行编程-Parallel 原文:C#并行编程-Parallel菜鸟学习并行编程,参考《C#并行编程高级教程.PDF》,如有错误,欢迎指正。 TPL中引入了一个新命名空间System.Threading.Tasks,在该命名空间下Task是主类,表示一个类的异步的并发的操作,创建并行代码的时候不一定要直接使用Task类,在某些情况下...

weixin_30625691的博客 238

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

c# foreach 和for循环比较

循环语句是编程的基本语句,在C#中除了沿用C语言的循环语句外,还提供了foreach语句来实现循环。那么我要说的就是,在循环操作中尽量使用foreach语句来实现。   为了来更好地说明为什么要提倡使用foreach,用如下三种不同方式来编写循环语句。         int[] nArray = new int[100];           // Use "for

keep innocent 6532

for与foreach循环效率比较

然后在第二个循环中,我们直接使用预计算的值,避免了在每次迭代中重复执行昂贵的计算。如果你需要访问元素的索引,或者对迭代有特定的控制需求,使用。在实际开发中,除非在性能关键的代码中遇到性能瓶颈,并且已经通过性能分析工具确定了循环是瓶颈所在,否则通常不需要过分担心。循环的效率通常取决于多个因素,包括你正在迭代的集合类型、集合的大小、以及循环体内的操作。如果循环中的某些计算是重复的或可以预先计算的,考虑使用缓存来存储结果,避免重复计算。将不依赖于循环变量的计算移到循环外部,避免在每次迭代时重复执行相同的计算。

weixin_38225763的博客 925

[测试分析] for与foreach 执行效率测试结果

 在很多情况下for和foreach具有同样的功能,选择for还是foreach很多人可能都是看自己的喜好,本测试试图通过来真是测试数据来比较他们的执行效率。希望能给大家对他们的时候带来一些帮助。测试环境:      硬件环境:   PIII800 + CPU456    软件环境:   VisualStudio.Net  + C#测试用例:    利用结果集来存放记录,初始化对结果集添加

xjtufb的专栏 1285

C# 中 for和foreach 性能比较,提高编程性能 (转贴)

在很多情况下for和foreach具有同样的功能,选择for还是foreach很多人可能都是看自己的喜好,本测试试图通过 来真是测试数据来比较他们的执行效率。希望能给大家对他们的时候带来一些帮助。 测试环境:      硬件环境:   PIII800 + CPU456    软件环境:   VisualStudio.Net  + C#测试用例:    利用结果集来存放记录,初始化对结果集添

赛跑的专栏 1482

C# for和foreach两种循环的效率问题

所谓的效率就是哪个运行的比较快, 用来循环数组类的一般使用for或者foreath 下面通过代码测试他们的效率: 创建一个int类型数组使用3种循环查看效率: for int[] a = new int[1000000000]; Stopwatch b = new Stopwatch(); b.Start(); for (int i = 0; i <= a.Length; i++) { } b.Stop(); C

生产队的驴 3216

for循环与foreach性能比较

在很多情况下for和foreach具有同样的功能,选择for还是foreach很多人可能都是看自己的喜好,本测试试图通过来真是测试数据来比较他们的执行效率。希望能给大家对他们的时候带来一些帮助。测试环境: 硬件环境: PIII800 + 1024MB 软件环境: Windows 2000 Advance Server, VisualStudio 2003/C#, Framework 1.1 测

dahaizhiliang的专栏 5728

C#中For循环和Foreach循环的区别

相信大家都知道在我们写程序的时候会用到很多的循环语句,比如说whlie、do...whlie、for和foreach。这些循环语句使我们的工作效率得到了提高。接下来让我给大家分享一下for和foreach的不同之处。 For语句 用于应用任何形式的重复行为,在方法体中可以执行任何操作,遍历的速度比较慢,执行的效率比较低。 代码格式: for(表达式1;循环条件;表达式2) { 循环体 } for循环先要把表达式1执行完之后在执行循环条件最后执行表达式2,表达式1只需...

Wzill 2540

C#中的For与Foreach循环:一场性能对话与实战解析

然而,对于实现了高效迭代器接口(如IEnumerator)的集合,如List,foreach循环的实际性能可能与for循环相当甚至更好,因为它避免了手动管理索引的开销。然而,在处理非连续内存结构如LinkedList时,for循环需要显式遍历链接节点,此时性能可能不如foreach,因为foreach可以利用集合自身提供的迭代器接口进行高效遍历。对于大多数内置或第三方集合类,尤其是那些已经优化了迭代器的类,foreach循环提供了更好的代码可读性和维护性,同时性能损失极小,优先推荐使用。

chujian_a的博客 3164

C# 中 for和foreach 性能比较,提高编程性能

在很多情况下for和foreach具有同样的功能,选择for还是foreach很多人可能都是看自己的喜好,本测试试图通过 来真是测试数据来比较他们的执行效率。希望能给大家对他们的时候带来一些帮助。 测试环境: 硬件环境: PIII800 + CPU456 软件环境: VisualStudio.Net + C# 测试用例: 利用结果集来存放记录,初始化对结果集添加记录 分别对记录数

c135205的专栏 1861

C# foreach和迭代器

是什么让类成为集合,IEnumerable<T> .NET中的几何本质上是一个类,它实现了IEnumerable<T>或非泛型类型IEnumerable;任何一个集合如果想支持对集合执行遍历操作,就必须要实现该接口; foreach遍历数组 “运行时”不是直接支持foreach语句来遍历数组,C#编译器会对代码进行必要的转换; C#编译器会用CIL来创建一个等价的for循环,注意foreach要依赖于数组的Length属性和数组索引操作符的支持,知道Length属性的值后,C

mozhi 1446
上一篇: 实现一个只能输入某范围内整数的文本框
下一篇: arcgis,mapinfo(mapxtreme),openlayers专业GIS系统开发
devgis
博客等级 码龄16年 52粉丝 60原创
评论 1
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