JAVA学习笔记08——数组

【Java学习笔记】数组的定义与使用 简要介绍了Java中的数组的基本概念,什么是数组,数组创建和初始化(动态和静态),数组的使用(访问元素和遍历)。并介绍了引用类型(存储和空指针)。后面描述了数组的应用场景(保存数据,当参数和返回值),并附带了一些常见操作的代码。最后简要介绍了二维数组(特殊的一维数组,deepToString)。 阅读详情

JAVA学习笔记08——数组

数组是相同类型的有序集合

每一个数据称作一个数组元素,可通过下标来访问

数组的声明创建

先声明数组变量

        int[] nums1;
        int nums2[];

数组类型[] 数组名

数组类型 数组名[]

声明数组

int [] array = null;

创建数组

array = new int[10]

数组初始化

  • 静态初始化

int [] a={1, 2, 3}

Man[] mans = {new Man (1,1),new Man(2,2)};

  • 动态初始化

int[] a = new int[2];

a[0]=1;

a[1]=2;

数组的四个基本特点

长度确定,一旦创建大小不可以改变

元素是相同类型

元素可以是任何类型

数组对象本身在堆中

数组边界,下标的合法区间[0,length-1]

ArrayIndexOutOfBoundsException:数组下标越界异常

int[] a = new int[2]数组的初始化

数组的使用

  • For-Each循环

打印数组

    //打印数组元素
    public static void printArray(int[] arrays){
        for (int i = 0; i < arrays.length; i++) {
            System.out.println(arrays[i]+"");
        }
    }

反转数组

    // 反转数组
    public static int[] reverse(int[] arrays){
        int[] result = new int[arrays.length];
        for (int i = 0, j = result.length - 1; i < arrays.length; i++, j--) {
            result[j] = arrays[i];
        }
        return result;
    }

多维数组

int[][]array = {{1,2},{2,3},{3,4}}

Arrays类

需要import包导入

        //Arrays类
        int[] aaa = {1, 2, 3, 4, 567, 3234, 1123};
        System.out.println(aaa);
        System.out.println(Arrays.toString(aaa));

冒泡排序

两层循环

1、比较数组中两个相邻的元素,如果第一个数比第二个大,就交换位置

2、每一次比较,都会产生出一个最大,或者最小的数字

3、下一轮则,可以少一次排序

4、依次循环直到结束

输出数组

Arrays.toString(sort)

冒泡排序从大到小

import java.util.Arrays;

public class j08maopao {
    public static void main(String[] args) {
        int[] a={1,4,5,2,9,3,7};
        int[] sort = sort(a);
        System.out.println(Arrays.toString(sort));
    }
    public static int[] sort(int[] array){
        int temp = 0;//临时变量
        //外层防止溢出
        for (int i = 0; i < array.length-1; i++) {
            for (int j = 0; j < array.length-1-i; j++) {
                if(array[j+1]>array[j]){
                    temp = array[j];
                    array[j]=array[j+1];
                    array[j+1]=temp;
                }
            }
        }
        return array;
    }
}

稀疏数组

是一种数据结构

当一个数组中大部分都是0或者大部分都是同一数值时候

记录数组一个又几行几列,把具有不同值的元素和行列及值记录在一个小规模的数组中,从而缩小程序的规模

public class j09XiShuArray {
    public static void main(String[] args) {
        //1、创建二维数组11*11,0:没有棋子,1:黑子,2:白字
        int[][] array1 = new int[11][11];
        array1[1][2]=1;
        array1[2][3]=1;
        for(int[] ints : array1){
            for(int anInt : ints){
                System.out.print(anInt+"\t");
            }
            System.out.println();
        }
        //转换为稀疏数组
        int sum = 0;
        for (int i = 0; i < 11; i++) {
            for (int j = 0; j <11 ; j++) {
                if(array1[i][j]!=0){
                    sum++;
                }
            }
        }
        int[][] array2 = new int[sum+1][3];
        array2[0][0]=11;
        array2[0][1]=11;
        array2[0][2]=sum;
        int count = 0;
        for (int i = 0; i < array1.length; i++) {
            for (int j = 0; j < array1[i].length; j++) {
                if(array1[i][j]!=0){
                    count++;
                    array2[count][0] = i;
                    array2[count][1] = j;
                    array2[count][1] = array1[i][j];
                }
            }
        }
        for (int i = 0; i < array2.length; i++) {
            System.out.println(array2[i][0]+"\t"
            +array2[i][1]+"\t"
            +array2[i][2]+"\t");
        }
    }
}

java学习笔记——数组和二维数组 ​​。 阅读详情

相关推荐

Java讲课笔记08:数组

1. 掌握一维数组的定义和使用(遍历、最值、排序) 2. 掌握二维数组的定义和使用(遍历、均值、最值)

howard2005的专栏 3689

Java学习笔记-Day08 Java二维数组

Java学习笔记-Day07 Java二维数组一、二维数组的概念二、二维数组的声明三、二维数组的初始化1、动态初始化2、静态初始化3、一维和二维的长度3.1、一维和二维的长度都确定3.2、只有一维的长度确定4、二维数组的内存四、二维数组的遍历五、杨辉三角     一、二维数组的概念   二维数组是以 一维数组 为数组元素。   二、二维数组的声明   二维数组的声明形式 语法1(常用): 数组元素类型[ ][ ] 变量名称;  例如:int[ ][ ] a; 或 String[ ][ ] s; 语法

qq_42141141的博客 793

Halcon 3D点云匹配实战:从预处理到模板创建的完整流程(附代码)

本文详细介绍了Halcon在3D点云匹配中的实战应用,涵盖从预处理到模板创建的完整流程。通过代码示例和实用技巧,帮助开发者掌握点云采样、降噪、三角化等关键技术,并优化匹配参数以提高精度和效率。适用于工业检测、机器人引导等领域。

weixin_33670786的博客 433

JAVA学习笔记08:数组

【代码】JAVA学习笔记08:数组。

qq_25732411的博客 221

Nginx反向代理HTTPS服务报错排查:The plain HTTP request was sent to HTTPS port

在Web服务架构中,反向代理是连接客户端与后端应用的关键组件,它通过转发请求实现负载均衡和安全隔离。其工作原理涉及监听端口、解析协议头部,并根据配置将请求路由至上游服务器。这一机制的技术价值在于提升系统可扩展性、简化部署,并增强安全性。在HTTPS场景下,代理服务器需正确处理SSL/TLS终止与传递,若配置不当,常引发协议不匹配问题。例如,当Nginx将解密后的HTTP请求转发至期待HTTPS的后端,或客户端直接向SSL端口发送明文请求时,便会出现经典报错“The plain HTTP request wa

weixin_33391446的博客 402

Zemax操作41--公差分析(一)

zemax公差

lzy750750的博客 5973

Java学习笔记part08-数组和内存分析

数组 文章目录数组什么是数组?数组的类型8大基本数据类型Java5大引用数据类型数组的声明,创建,初始化赋值声明创建数组数组初始化内存分析堆栈图示数组静态初始化与动态初始化的区别?总结数组的四个基本特点 什么是数组? 数组是相同数据类型的有序集合(有序) 数组描述的是相同类型的若干个数据,按照一定的先后顺序进行排列 每一个数据是一个数组元素,每一个元素通过下标进行访问 下标从【0】开始,如arr[10] 下标就是0----9 数组的类型 数组不是基本的八大类型,以及5大引用类型数据类型

weixin_40874449的博客 206

Windows 10下用VS2022编译AFSIM 2.9.0的完整避坑指南

本文提供了在Windows 10系统下,使用Visual Studio 2022编译AFSIM 2.9.0仿真框架的详细指南。文章系统梳理了从环境准备、CMake配置、编译链接到安装打包的全流程,并重点针对编译过程中常见的文件编码、命名空间冲突等高频错误提供了具体解决方案,旨在帮助开发者高效避坑,顺利完成AFSIM在Windows平台上的构建。

weixin_28839549的博客 549

JAVA学习笔记08方法和数组(方法的重载、数组的定义、数组的常见操作、多维数组)

1、方法 假设有一个游戏程序,程序在运行过程中,要不断地发射炮弹。发射炮弹的动作需要编写100行的代码,在每次实现发射炮弹的地方都需要重复地编写这100行代码,这样程序会变得很臃肿,可读性也非常差。 为了解决代码重复编写的问题,可以将发射炮弹的代码提取出来放在一个{}中,并为这段代码起个名字,这样在每次发射炮弹的地方通过这个名字来调用发射炮弹的代码就可以了。 上述过程中,所提取出来的代码可以被看作...

让学习成为一种习惯 320

高通Camera HAL3调试实战:如何用camxoverridesettings.txt高效抓取日志与dump图像数据

本文深入探讨了高通Camera HAL3调试中camxoverridesettings.txt文件的高效应用,重点介绍了如何通过该文件精准控制日志输出级别与dump图像数据,帮助开发者快速定位移动影像系统中的问题。文章详细解析了日志分级配置、图像数据捕获技巧及典型问题排查流程,为高通Camera HAL3项目开发提供了实用技术点。

weixin_30315905的博客 863

硬方案——几种实用的恒流源电路设计方案,敬请收藏(运放、三极管在手,让你玩出多种花样)

0 引言 我们在信号测量、供电等应用场景时常会涉及到使用恒流源,以前觉得恒流源挺神奇的,研究了下实现方案,其实也没有多么高深(这里讨论的仅限于用在信号测量中的小电流恒流源设计),这里给出几个实用的恒流源电路设计方案。 1 恒流源电路设计 (1)使用三极管搭建的恒流源 (2)使用运放搭建的恒流源 (3)使用恒流二极管搭建的恒流源 pt100恒流源测温电路图_电子技术_电工之家 ...

数字世界 万物互联 9524

狂神JAVA学习笔记 JAVA数组08 冒泡排序

冒泡算法 package ShuZu; import java.util.Arrays; public class MaoPao { public static void main(String[] args) { int[] a = {92,41,25,31,52,53,63,72,82,87,15,93}; int[] sort = sort(a);//调用我们的排序方法以后,返回一个排序后的数组。 System.out.printl...

qq_58278890的博客 243

在时间轴上联动多张内表:ABAP 的 PROVIDE ... ENDPROVIDE 区间联动迭代实战

PROVIDE 是 ABAP 中处理有效期区间数据的强大工具,它能自动将多张内表按时间维度切片并联合处理。其核心功能包括:指定区间边界字段(BOUNDS),定义外部总区间(BETWEEN),并通过工作区和标志位(VALID)标识每张表在当前子区间是否生效。该语法特别适合 HR 信息类型等有效期数据,能避免手动处理区间重叠、排序和空档等问题。使用时需注意字段投影(FIELDS)限制、工作区只读原则,以及异常处理(如区间重叠或未排序)。典型应用场景包括员工调岗记录、价格有效期管理等需要时间轴联动的业务逻辑。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1672

day08 java数组

数组是相同类型数据的有序集合,比如:{10,20,3,4}数组描述的是相同类型的若干个数据数组内的每个数据即为一个数组元素,可以用下标进行访问。

m0_65376383的博客 1045

AI 实战篇 |基于 AI开放平台实现 人脸识别对比 功能,超详细教程【附带源码】

本篇文章来学习一下怎样使用 Unity实现简单地人脸识别 功能。 关于人脸识别,我们可以选择很多平台的SDK接入Unity来实现人脸识别的功能。

努力前行,总会成为自己心中的那道光 5万+

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")

Java 学习笔记 - 数组类型互转

测试数据 字符串数组 to (Integer、Long、Double)列表 传统方式 1.【String数组】转成【Long数组】 2.【Long数组】 转 【ArrayList】 Java8 Stream方式 数组 to 数组 字符串数组 to (int、long、double )数组 int[]、long[]、double[] 数组互相转换 int[]、long[]、double[] 数组再转回 String[] 基础类型数组 to 列表 int数组 to 列表 long数组 to 列表 d

灵台方寸山斜月三星洞 2万+

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Java学习笔记

1.2.1 首先找到此电脑,右键点击属性,可以按照下面的界面;点击【高级系统设置】,再点击【环境变量】 1.2.2 找到JDK的bin目录,复制一下 1.2.3 将JDK的bin目录粘贴在Path环境变量后面 1.2.4.在CMD输入javac -version 看提示信息是否显示你安装JDK的版本号​ 1、java 基础(Java SE)标准版 2、就业方向:①JavaEE软件工程师②大数据③android开发 3、运行原理示意图 4、Java 开发注意事项和细节说明 5、如何快速掌握技术或知识点 代

stange1的博客 5842

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Java Day 08 数组

数组数组概念及特点数组的两种初始化数组简单化Java的内存分为五个部分数组举例内存变化数组的常见错误例子 数组概念及特点 数组的特点: 1:数组是一种引用数据类型 2:数组当中的多个数据,类型必须统一????‍ 3:数组的长度在程序运行期间不可以更改 数组的两种初始化 两种常见的初始化方式: 1:动态初始化(指定长度) 2:静态初始化(指定内容) 动态数组初始化数组的格式; 数据类型[ ] 数组名称 = new 数据类型 [ 数组长度] ; //动态数组创建 int[] arrayA = new i

softwarelizixuan的博客 191

java学习笔记4——数组

定义了一个基准值pivot,有两个指针,一个从数组的从前往后指,另外一个从后往前指,从前往后走,找到的第一个low比pivot大的,就停下来,high从后往前走,找到第一个比pivot小的就停下来,交换low与high,按照当前的索引,继续执行上述操作。定义数组:int[] arr2 = new int[]{2,4,5,8,12,15,19,26,37,49,51,66,89,100};定义数组:int[] arr =new int[]{34,54,3,2,65,7,34,5,76,34,67};

qq_58956810的博客 1217

java中数组08怎么解决_08--Java--java数组

java数组声明语法格式数据类型[ ] 数组名称 = new 数据类型[ 数组长度 ];1 int[] arr = new int[5];//声明一个长度为5的int型一维数组23 int arr[] = new int[5];//不推荐使用这种格式数据类型[ ][ ] 数组名称 = new 数据类型[ 行数 ][ 列数 ];1 int[][] arr = new int[3][4];//声明了...

weixin_33700809的博客 210

08.Java的数组的定义与使用

1. 数组的基本概念1.1 数组数组:可以看成是相同类型元素的一个集合。在内存中是一段连续的空间。在java中,包含6个整形类型元素的数组,就相当于上图中连在一起的6个车位,从上图中可以看到:1. 数组中存放的元素其类型相同2. 数组的空间是连在一起的3. 每个空间有自己的编号,其实位置的编号为0,即数组的下标1.2 数组的创建及初始化1.2.1 数组的创建T:表示数组中存放元素的类型T[]:表示数组的类型N:表示数组的长度1.3.2 数组的初始化数组的初始化主要分为。

m0_47017197的博客 1500

【Java笔记】08 数组

【Java笔记】08数组 文章目录【Java笔记】08数组一、介绍二、数组赋值机制三、应用排序查找 一、介绍 数组存放多个同一类型的数据,是引用类型 数组的定义 数据类型[] 数组名 = new 数据类型[大小] int[] a = new int[5]; 先声明,再创建 声明:数据类型 数组名[];或 数据类型[] 数组名;此时为null 创建:数组名=new 数据类型[大小]; 静态初始化 数据类型 数组名[]={元素值,元素值,…} 注意 1.数组创建后,如果没有赋值,有默认值 int 0,s

weixin_43391538的博客 308

Java菜鸟学习笔记--数组篇(三):二维数组

定义 //1.二维数组的定义 //2.二维数组的内存空间 //3.不规则数组 package me.array; public class Array2Demo{ public static void main(String[] args){ //定义二维数组 int[ ] [ ] arr={{1,2,3},{4,5,6}}; //静态初始化

Gian.Yang 6万+

08、数组

Object 类中的一个本地方法,这里虽然返回 Object,看着需要强制类型转换,但 Object 子类重写了这个方法,会返回相应的类型。如:int[][] twoDimensionalArr = {{1,2,3},{4,5,6},{7,8,9}};如:int[][] twoDimensionalArr = {{1,2,3},{4,5},{6,7,8,9}};为了避免 d,e,f,g,h 这几个数据会被搬移三次,我们可以先记录下已经删除的数据。是一个本地方法,方法对应的实现不在当前文件里,而是在。

butingdejiaobu的专栏 779

JAVA基础08多维数组

8.多维数组 表格或矩阵中的数据可以表示为二维数组。 8.1 二维数组的基础知识 二维数组中的元素通过行和列的下标来访问。 8.1.1 声明二维数组变置并创建二维数组 下面是声明二维数组的语法: 数据类型[][]数组名 : 或者 数据类型数组名[][]; // 允许这种方式 ,但并不推荐使用它 作为例子,下面演示如何声明 int 型的二维数组变量 matrix: int[...

Fallen__down的博客 565

【狂神说Java】Java零基础学习笔记-Java数组

【狂神说Java】Java零基础学习笔记-Java数组

ঞ黎明の微笑的博客 281
上一篇: JAVA学习笔记07——方法
下一篇: python学习笔记06——字典&集合
好好敲代码呀
博客等级 码龄7年 1粉丝 17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