Day【012】一维数组

JavaSE进阶基础这一篇就够了,你值得拥有! 本Java视频教程适合有一定编程语言基础的学员观看,在本Java视频教程中讲解了Java开发环境搭建、Java基础语法、面向对象、异常、数组、常用类、集合、IO流、线程、反射机制。该Java视频教程为讲师上课实录,共60个课时(1小时为1个课时),讲师语言表达流利,思路清晰。如果您是有一门编程语言基础的,或者您现在是一名Java程序员且想巩固一下JavaSE的,请打开Java视频教程观看吧!... 阅读详情

数组的格式:

        例:int[] arr = new int[数组长度];

赋值:(有多种赋值方式,怎么喜欢怎么来)

1、

        int[] arr = new int[]{1,2,3,4,5,6};

2、

        int[] arr;

        arr=new int[]{1,2,3,4,5,6};

3、

        int arr={1,2,3,4,5,6}

4、

//通过循环给数组赋值
//也可以用Math.random随机赋值
//arr[i] = (int)(Math.random()*(随机数范围(大数-小数)+小数)
Scanner sc = new Scanner(System.in);
int[] arr = new int[6];

for(int i=1;i<arr.length;i++){
    System.out.println("请输入第"+i+"个数");
    arr[i]=sc.nextInt();
}

数组的遍历:

package ArrayDemo1;

public class ArrayText1 {

    public static void main(String[] args) {
    
//        定义数组
        
        int[] arr1 = new int[6];
        for(int i=0;i<arr.length;i++){
//            随机数赋值给数组
            arr1[i]=(int)(Math.random()*(50-10)+10);

        }
 //       简写的for循环遍历
//            i为arr1的下标,直接输出值,(int 变量:数组名)
        for(int i : arr1){
            System.out.print(i+"\t");
        }
        
        System.out.println();

    }

}
 

在Proteus中用80C51模拟4线SPI点亮OLED屏幕 在Proteus里用80C51模拟4线SPI控制OLED屏幕使其显示图案(汇编实现)。 阅读详情

相关推荐

Windows平台COLMAP实战:从零到三维重建的避坑指南

本文详细介绍了在Windows平台上使用COLMAP进行三维重建的完整流程,包括安装指南、数据准备技巧、图形界面操作及常见问题解决方案。特别针对Windows用户提供了CUDA版本与非CUDA版本的性能对比,帮助用户高效完成从照片到三维模型的重建过程。

weixin_29090677的博客 190

Day012 一维数组的应用

/5)从插入位置及之后的元素依次往后移动一位(注意移动的时候,从后往前移动;//2)将原来数组里面的元素按照顺序存储到新的数组中。2)将原来数组里面的元素按照顺序存储到新的数组中。//3)使用Scanner获取增加学员的成绩。//4)通过循环比较获取插入元素要插入的位置。4)通过循环比较获取插入元素要插入的位置。//1)新建一个比原来数组长度大1的数组。1)新建一个比原来数组长度大1的数组。5)从插入位置开始及之后的元素依次。//6)将插入的元素放到相应的位置中。...

csc2856891204的博客 142

在 Eclipse 里快速用上 SAP Joule:ABAP 开发者的 AI 助手上手指南

本文介绍了SAP Joule for developers如何集成在ABAP开发工具中,为开发者提供AI辅助能力。主要内容包括: Joule作为ADT的增强层,直接嵌入开发流程,支持在项目资源管理器、代码编辑器等场景下通过上下文菜单调用AI功能。 核心使用方式:打开Joule视图后,可在开发对象、代码片段等上下文中使用自然语言交互,请求解释、生成测试或获取示例代码。 重点功能: Explain:解释现有代码逻辑,降低理解成本 ABAP Unit测试生成:快速创建与上下文相关的测试用例 支持在传输管理器等完整

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 397

JAVA学习-Day07

一维数组,数组的遍历,折半查找,数组的内存分配

qq_59099003的博客 188

DeepFashion 服装识别:基于 YOLOv10 的深度学习实现与 UI 界面开发

随着深度学习的发展,目标检测算法在服装识别任务中表现出色,特别是 YOLO(You Only Look Once)系列模型。服装识别(Fashion Recognition)是计算机视觉领域的重要任务,广泛应用于。已提供,可用于服装分类、款式识别、虚拟试衣等应用。训练服装识别模型,并开发。

YOLO 803

数据分析案例-汽车客户信息数据可视化分析

本数据集来源于kaggle,原始数据集共有8068条,11个特征变量,各变量含义解释如下:ID:客户IDGender:客户性别Ever_Married:客户婚姻状况Age:客户年龄Graduated:客户是毕业生吗?Profession:客户的职业Work_Experience:多年工作经验Spending_Score:客户的消费评分Family_Size:客户家庭成员人数(含客户)Var_1:客户的匿名类别Segmentation:(目标)客户的客户群。

m0_64336780的博客 1万+

C编程基础day06

char buf[10], a[10];scanf (“%s \n”,buf);  scanf 函数碰到空格停止,只取第一个空格前的内容,第一个空格后边若有内容会被下一个scanf自动取走, 另外scanf不做越界检查(所以微软不让用)char buf[10];gets(buf);   gets函数碰到换行符或文件结束符停止,允许有空格, 另外gets也不做越界检查,现在都不用这个函数了。最安全的...

Shayne_Li的专栏 218

【数据集3】高分辨率统计降尺度日值数据集NEX-GDDP的介绍与下载方法

对NEX-GDDP数据集进行介绍和下载说明

WW、forever的博客 2394

day19学习numpy库和matplotlib库

今天主要有numpy数组的增删改查和去重方法、矩阵相乘、加权平均值、方差、标准差等;还讲了matplotlib库的基本使用,如何修改中文乱码和一个画布分区画多个图等。

zhuyixiangyyds的博客 1119

【Unity Shader】Special Effects(十二)Glow 外发光(UI)

Properties_GlowColor ("外发光颜色", Color) = (0, 0, 0, 1)_GlowIntensity("外发光强度", Range(0, 1)) = 1参数详解:_GlowColor:外发光颜色,指定外发光的显示颜色。_GlowIntensity:外发光强度,指定外发光的显示强度,0为不可见,1为最强强度。

神码编程 936

【8】mctp & pldm

异步会check seq,保证不丢包,虽然发一条req,不用等,但是不能发下一条req,等上条response回来后才能发下一条。TO(tag owner)=1是request,TO=0是response,但是异步通信response由0改为1。如下还有kcs,i3c,serial等。

持续更新ing... 1083

day018:二维数组

一、二维数组 1.什么是二维数组? 二维数组也是一种容器,该容器存储的都是一维数组。 格式:数据类型 [ ] [ ] 变量名; 范例: int [ ][ ] arr; 2.二维数组的动态初始化 格式:数据类型 [ ] [ ] 变量名 = new 数据类型[m] [n]; m代表这个二维数组,可以存放多少个一维数组。 n代表每一个一维数组,可以存放多少个元素。 范例:int [ ] [ ] arr=new int [2] [3]; 表示该int型二维数组可以存放两个一维数组,每个一维数组里

ZuoQi的博客 1079

华为OD机试新系统真题【终端设备档位差异统计】

华为OD机试 新系统真题【终端设备档位差异统计】,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【终端设备档位差异统计】多语言题解。

qq_45776114的博客 790

day04

数组 是多个相同类型数据按一定顺序排列的集合,并使用一个名字命名,并通过编号的方式对这些数据进行统一管理。 数组的常见概念: 数组名 下标 元素 数组的长度 数组本身是引用数据类型,而数组中的元素可以是任何数据类型,包括基本数据类型和引用数据类型。 创建数组对象会在内存中开辟一整块连续的空间,而数组名中引用的是这块连续空间的首地址。 数组的长度一旦确定,就不能修改。 我们可以直接通过下标(或索...

yan-xiao-liu的博客 172

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Day8 记录

此外:无参函数是有参函数的特殊情况。1.类型名:函数最终运行的结果是什么类型。可能有些函数最后没有什么返回的结果,可定义为void(空);函数名需满足标识符定义原则,参形是函数在调用时需要提供的线索。2.函数名最好可以是一个动作。这样不行,两个变量的类型必须独立给出。调用add()结果ret会返还给调用者。调用add(),括号内填实参。实参类型与形参类型和个数都要相同。例:实现加法注意:1.只要形参与实参类型匹配或能做隐式的转换为int型就可以,没有强制要求为左值。

ccscno的博客 605

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

JAVA学习-Day08

二维数组,多维数组

qq_59099003的博客 301

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")

剑指offer--day01

1.1题目:二维数组中的查找:在一个二维数组中(每个一维数组的长度相同),每一行都按照从左到右递增的顺序排序,每一列都按照从上到下递增的顺序排序。请完成一个函数,输入这样的一个二维数组和一个整数,判断数组中是否含有该整数。 1.2思路:首先选取数组中右上角的数字。如果该数字等于要查找的数字,查找过程结束;如果该数字大于要查找的数组,剔除这个数字所在的列;如果该数字小于要查找的数字,剔除...

banzycr285163的博客 104

[学习笔记]c++基础-day01

目录 1、面向对象程序设计: 1.1概述:对象、类、消息传递、方法 1.2基本特征: 1.3语言:c#、java、c++ 2、c++基本语法 2.1编写一个hello world程序 2.2单行注释和多行注释 2.3变量(c++中所有数据都存放在内存中) 2.4常量:用于记录程序中不可更改的数据 2.5关键字: 2.6标识符命名规则 3、数据类型 3.1整型: 3.2浮点型(表示小数) 3.3转义字符: 3.4字符型:单个字符 ’’,只占用一个字符 3.5字符串型:一串字符

x_0711的博客 326

python_机器学习—数据科学库_DAY03

numpy1. numpy基础(1). numpy创建数组(矩阵)(2). 轴(axis)(3). numpy(读取数据)(4). numpy读取和存储数据(5). numpy中的转置(6). numpy索引和切片(7). numpy中数值的修改(8). numpy中布尔索引(9). numpy中三元运算符(10). numpy中的clip(裁剪)(11). numpy中的nan和inf(12). numpy中常用统计函数(13). 解决问题(14). 数组的拼接(15). numpy更多好用的方法(16)

dongdZss的博客 269

我的水题生活

水题而已

qq_32765617的博客 1532

Python数据处理工具-Pandas

1 序列与数据框的构造 1.1 构造序列 构造一个序列可以使用如下方式实现: - 通过列表或元祖构建 - 通过字典构建

我们的征途是星辰大海 621

种子C语言学习笔记——数组

数组学习笔记: 数组 float candy[365]; /*内含365个float类型元素的数组*/ char code[22]; /*内含22个char类型元素的数组*/ int states[50]; /*内含50个int类型元素的数组*/ [ ]表示candy,code,states都是数组,数字表明数组中的元素个...

种子播放者__学习笔记 311

江苏科技大学c语言程序设计考试,C语言程序设计样卷.doc

C语言程序设计样卷江 苏 科 技 大 学C语言程序设计 课程试卷(A)班级 学号 姓名题号一二三四五得分说明:一、判断对错(分,每题1分)1.C语言中,可以用typedef定义一种新的类型。(  )2.C语言中基本数据类型包括( )3.不同的函数中可以使用相同的变量名4.形式参数是局部变量。(    )5.若有定义int *p[4]则标识符...

weixin_36487107的博客 285

2015初三计算机考试题答案,2015计算机考试二级笔试真题[附答案]

2015计算机考试二级笔试真题[附答案]fun(int k){ if(k==0) return w;return(fun(k-1)*k); }A)360 B)3600 C)1080 D)1200(47) 要求函数的功能是交换x和y中的值,且通过正确调用返回交换结果。能正确招待此功能的函数是A)funa(int *x,int *y) B) funb(int x,int y){int *p; {int...

weixin_39900676的博客 434

输入四个球质量分两组 称重C语言,《套题4---C语言程序设计---答案》(13页)-原创力文档...

班级: 学号: 姓名:PAGE 9第1页(共6页)试 题 四参考答案与评分标准判断对错(6分,每题1分,对:√,错:×)1.在C语言中,可以用typedef定义一种新的类型。(  )2.C语言中基本数据类型包括整型、实型、字符型。( )3.不同的函数中可以使用相同的变量名。()4.形式参数是局部变量。(    )5.若有定义int *p[4];则标识...

weixin_39517546的博客 198

【个人笔记】英雄哥-《LeetCode零基础指南》(第八讲) 二维数组

Day 7 二维数组 概念定义 矩阵的定义 矩阵的水平翻转 对于每一行元素进行逆序,比如001变成100,120变成012 矩阵的垂直翻转 对于每一列元素进行逆序,比如 0 → 1 0 → 1 1 → 0 1 → 0 矩阵的顺时针旋转 按照视觉方向,顺时针转90度 矩阵的逆时针旋转 按照视觉方向,顺时针转270度 矩阵的转置 对矩阵的主对角线对称的元素进行交换 主对角线:左上角到右下角这一斜线方向上的n 个元素所在的对角线 二维数组 在C中,通过描述矩阵来形成二维数组 int a[3][4];

qq_40179149的博客 455
上一篇: 杨辉三角和回形数相关代码
下一篇: 在数组中插入数据,冒泡排序
「已注销」
博客等级 码龄4年 169粉丝 58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

打赏作者

「已注销」

老板大气,I am happy

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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