TeaFramework——ORM框架的实现(三)

本文介绍了一种将SQL查询结果(List<CaseInsensitiveMap<String,Object>>)转换为特定类型的Java对象的方法,包括基本数据类型、Map及实体对象等。

    上一篇博客详细描述了SQL占位符的替换以及SQL的执行过程,对于查询语句返回的是一个List<CaseInsensitiveMap<String, Object>>,List里的泛型是一个CaseInsensitiveMap<String, Object>,这是一个Key不区分大小写的Map,那么是怎么把这个list转化为具体类型的呢?这篇将详细讲到。

    就大部分业务而言,查询的返回值有两种,List和单个对象,不管对于List的泛型,还是单个对象,我们限定可能的类型有三种:Map、8大基本数据类型+String和Date、实体对象,这样基本满足大部分的业务了。话不多说,看代码:

public static Object createQueryResult(List<CaseInsensitiveMap<String, Object>> list, Method method)
			throws Exception {
		if (list.size() == 0) {
			return null;
		}
		Type returnType = method.getGenericReturnType();// 返回类型
		Class returnClass = method.getReturnType();
		if (List.class.isAssignableFrom(returnClass)) {
			if (returnType instanceof ParameterizedType) {
				Type[] types = ((ParameterizedType) returnType).getActualTypeArguments();// 泛型类型列表
				Class clazz = (Class) types[0];
				if (Map.class.isAssignableFrom(clazz)) {
					return list;
				} else if (isPrimitive(clazz)) {
					return createPrimitiveList(list, clazz);
				} else {
					return createEntityList(list, clazz);
				}
			}
			return list;
		} else {
			if (list.size() > 1) {
				throw new TeaOrmException("查询值过多");
			}
			if (isPrimitive(returnClass)) {
				List result = createPrimitiveList(list, returnClass);
				return result == null ? null : result.get(0);
			} else if (Map.class.isAssignableFrom(returnClass)) {
				return list.get(0);
			} else {
				List result = createEntityList(list, returnClass);
				return result == null ? null : result.get(0);
			}
		}

	}

        对于实体对象属性的反射填充、基本类型数据的转化,请在码云中查看源代码:https://gitee.com/lxkm/teaframework/blob/master/TeaFramework/src/main/java/org/teaframework/orm/databind/util/QueryResultProcesser.java

 

    项目地址:https://git.oschina.net/lxkm/teaframework
    博客:https://blog.youkuaiyun.com/dong_lxkm

【EI复现】基于深度强化学习的微能源网能量管理与优化策略研究(Python代码实现)内容概要:本文围绕“基于深度强化学习的微能源网能量管理与优化策略”展开研究,重点利用深度Q网络(DQN)等深度强化学习算法对微能源网中的能量调度进行建模与优化,旨在应对可再生能源出力波动、负荷变化及运行成本等问题。文中结合Python代码实现,构建了包含光伏、储能、负荷等元素的微能源网模型,通过强化学习智能体动态决策能量分配策略,实现经济性、稳定性和能效的多重优化目标,并可能与其他优化算法进行对比分析以验证有效性。研究属于电力系统与人工智能交叉领域,具有较强的工程应用背景和学术参考价值。; 适合人群:具备一定Python编程基础和机器学习基础知识,从事电力系统、能源互联网、智能优化等相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①学习如何将深度强化学习应用于微能源网的能量管理;②掌握DQN等算法在实际能源系统调度中的建模与实现方法;③为相关课题研究或项目开发提供代码参考和技术思路。; 阅读建议:建议读者结合提供的Python代码进行实践操作,理解环境建模、状态空间、动作空间及奖励函数的设计逻辑,同时可扩展学习其他强化学习算法在能源系统中的应用。
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