object-C 之 foundation--NSDictionary

本文详细介绍Objective-C中字典的创建、初始化、查询及遍历等操作,并演示了如何进行键值对的管理和文件存储。
转自:http://simman.cc/article/2243/
//1.dictionary  创建一个空字典
NSDictionary * dic = [NSDictionary dictionary];

//2. 创建并初始化
//  dictionaryWithObject:(id)forkey:(id)<nscopying>
NSDictionary * dic1 = [NSDictionary dictionaryWithObject:@"Apple" forKey:@"Android"];
NSLog(@"%@", dic1);

//3.创建并返回一个字典。
// dictionaryWithObjects:forkeys
NSArray * keys = [NSArray arrayWithObjects:@"name", @"sex", @"age", nil];
NSArray * values = [NSArray arrayWithObjects:@"Apple", @"女", [NSNumber numberWithInt:25], nil];
NSDictionary * dic3 = [NSDictionary dictionaryWithObjects:values forKeys:keys];
NSLog(@"%@", dic3);

//4.使用键-对象对{key1,obj1}、{key2,obj2}...创建词典
//  dictionaryWithObjectsAndKeys
NSDictionary * dic4 = [NSDictionary dictionaryWithObjectsAndKeys:
                       @"apple", @"name",
                       @25,      @"age", nil];
NSLog(@"%@", dic4);

//5. @ 自面量
NSDictionary * dic5 = @{@"name": @"Apple", @"age": @25, @"sex": @"女"};
NSLog(@"@ = %@", dic5);

// allkeys 返回一个数组包含词典中所有的键
NSLog(@"allkeys:%@", [dic5 allKeys]);

//allkeysForObject: 返回一个数组,包含所有对应到给定对象的关键字。
NSArray * aa = @[@"name",@"apple",@"winphone",@"apple"];
NSLog(@"aaaaaaa%@", [dic5 allKeysForObject:aa]);


//allValues:返回一个数组包含词典中所有的值
NSLog(@"allValues:%@", [dic5 allValues]);

//objectForKey:返回指定 key 的 value,若没有这个 key 返回 nil.
NSLog(@"%@", [dic5 objectForKey:@"name"]);

//valueForKey 同样是返回指定 key 的 value。
NSLog(@"%@", [dic5 valueForKey:@"name"]);

//objectsForKeys:< #(NSArray *)#> notFoundMarker:< #(id)#>
// 根据给定的键值数组返回对应的值,如果找不到则返回 notFoundMarker
NSLog(@"%@", [dic5 objectsForKeys:@[@"Name", @"Age", @"Sex"] notFoundMarker:@"NOT"]);


//count:返回字典中的记录数
NSLog(@"count:%zi", [dic5 count]);

//遍历字典中的key
NSLog(@"遍历字典\n\n");
//迭代器遍历
NSEnumerator * keyEnum = [dic5 keyEnumerator];
id key = nil;
while (key = [keyEnum nextObject]) {
    NSLog(@"%@", key);
}

//快速遍历
for (id key in dic5) {
    NSLog(@"%@", key);
}
//遍历字典中的value
for (id key in dic5) {
    NSLog(@"%@", [dic5 valueForKey:key]);
}

//block遍历
[dic5 enumerateKeysAndObjectsUsingBlock:
 ^(id key, id obj, BOOL *stop) {
     NSLog(@"%@ = %@", key, values);
 }];


//可变字典
NSMutableDictionary * dic2 = [NSMutableDictionary dictionary];

//setObject: forKey: 添加value与key,如果key存在则替换该值
[dic2 setValue:@"HH" forKey:@"100"];
[dic2 setValue:@"kj" forKey:@"哈哈"];
NSLog(@"%@", dic2);

//removeObjectForKey 删除词典中指定key对应的记录
[dic2 removeObjectForKey:@"100"];
NSLog(@"%@", dic2);

//removeAllObjects 删除词典中的所有记录
[dic2 removeAllObjects];
NSLog(@"%@", dic2);

NSDictionary * diction1 = [NSDictionary dictionaryWithObjectsAndKeys:
                           @"Apple", @"Name",
                           @15, @"Age",nil];
NSDictionary * diction2 = [NSDictionary dictionaryWithObjectsAndKeys:
                           @"Android", @"Name",
                           @28, @"Age",nil];

//isEqualToDictionary 比较两个字典
if([diction1 isEqualToDictionary:diction2]){
    NSLog(@"diction1 equal diction2");
}else{
    NSLog(@"diction1 not equal diction2");
}


// writeToFile 把字典写入文件(xml格式)
NSString * path = @"/Users/simman/diction1.xml";
[diction1 writeToFile:path atomically:YES];

//dictionaryWithContentsOfFile 读取一个文件返回给新的字典对象
NSDictionary *newDic = [NSDictionary dictionaryWithContentsOfFile:path];
</nscopying>

下载方式:https://pan.quark.cn/s/a4b39357ea24 在纺织制造领域中,纱线的品质水平对最终制成品的整体质量具有决定性作用。 鉴于消费者对于产品规格和样式要求的不断变化,纺织制造工艺的执行过程日益呈现为一种更为复杂的操作体系,进而导致对纱线质量进行预测的任务变得更加困难。 在众多预测技术中,传统的预测手段在面对多变量间相互交织的复杂关系时,往往显得力不从心。 因此,智能计算技术在预测纱线质量的应用场景中逐渐占据核心地位,其中人工神经网络凭借其卓越的非线性映射特性以及自适应学习机制,成为了众多预测方法中的一种重要选择。 在智能计算技术的范畴内,粒子群优化算法(PSO)和反向传播神经网络(BP神经网络)是两种被广泛采用的技术方案。 粒子群优化算法是一种基于群体智能理念的优化技术,它通过模拟鸟类的群体觅食行为来寻求最优解,该算法因其操作简便、执行高效以及具备优秀的全局搜索性能,在函数优化、神经网络训练等多个领域得到了普遍应用。 反向传播神经网络则是一种由多层节点构成的前馈神经网络,它通过误差反向传播的机制来实现网络权重和阈值的动态调整,从而达成学习与预测的目标。 在实际操作层面,反向传播神经网络因其架构设计简洁、实现过程便捷,因此被广泛部署于各类预测和分类任务之中。 然而,该方法也存在一些固有的局限性,例如容易陷入局部最优状态、网络收敛过程缓慢等问题。 而粒子群优化算法在参与神经网络优化时,能够显著增强神经网络的全局搜索性能并提升收敛速度,有效规避神经网络陷入局部最优的困境。 将粒子群优化算法与反向传播神经网络相结合形成的PSO-BP神经网络,通过运用粒子群优化算法对反向传播神经网络的权值和阈值进行精细化调整,能够在预测纱线断裂强度方面,显著提升预测结果的...
植物实例分割数据集 一、基础信息 数据集名称:植物实例分割数据集 图片数量: - 训练集:9,600张图片 - 验证集:913张图片 - 测试集:455张图片 总计:10,968张图片 分类类别:59个类别,对应数字标签0至58,涵盖多种植物状态或特征。 标注格式:YOLO格式,适用于实例分割任务,包含多边形标注点。 数据格式:图像文件,来源于植物图像数据库,适用于计算机视觉任务。 二、适用场景 • 农业植物监测AI系统开发:数据集支持实例分割任务,帮助构建能够自动识别植物特定区域并分类的AI模型,辅助农业专家进行精准监测和分析。 • 智能农业应用研发:集成至农业管理平台,提供实时植物状态识别功能,为作物健康管理和优化种植提供数据支持。 • 学术研究与农业创新:支持植物科学与人工智能交叉领域的研究,助力发表高水平农业AI论文。 • 农业教育与培训:数据集可用于农业院校或培训机构,作为学生学习植物图像分析和实例分割技术的重要资源。 三、数据集优势 • 精准标注与多样性:标注采用YOLO格式,确保分割区域定位精确;包含59个类别,覆盖多种植物状态,具有高度多样性。 • 数据量丰富:拥有超过10,000张图像,大规模数据支持模型充分学习和泛化。 • 任务适配性强:标注兼容主流深度学习框架(如YOLO、Mask R-CNN等),可直接用于实例分割任务,并可能扩展到目标检测或分类等任务。
室内物体实例分割数据集 一、基础信息 • 数据集名称:室内物体实例分割数据集 • 图片数量: 训练集:4923张图片 验证集:3926张图片 测试集:985张图片 总计:9834张图片 • 训练集:4923张图片 • 验证集:3926张图片 • 测试集:985张图片 • 总计:9834张图片 • 分类类别: 床 椅子 沙发 灭火器 人 盆栽植物 冰箱 桌子 垃圾桶 电视 • 床 • 椅子 • 沙发 • 灭火器 • 人 • 盆栽植物 • 冰箱 • 桌子 • 垃圾桶 • 电视 • 标注格式:YOLO格式,包含实例分割的多边形标注,适用于实例分割任务。 • 数据格式:图片为常见格式如JPEG或PNG。 二、适用场景 • 实例分割模型开发:适用于训练和评估实例分割AI模型,用于精确识别和分割室内环境中的物体,如家具、电器和人物。 • 智能家居与物联网:可集成到智能家居系统中,实现自动物体检测和场景理解,提升家居自动化水平。 • 机器人导航与交互:支持机器人在室内环境中的物体识别、避障和交互任务,增强机器人智能化应用。 • 学术研究与教育:用于计算机视觉领域实例分割算法的研究与教学,助力AI模型创新与验证。 三、数据集优势 • 类别多样性:涵盖10个常见室内物体类别,包括家具、电器、人物和日常物品,提升模型在多样化场景中的泛化能力。 • 精确标注质量:采用YOLO格式的多边形标注,确保实例分割边界的准确性,适用于精细的物体识别任务。 • 数据规模充足:提供近万张标注图片,满足模型训练、验证和测试的需求,支持稳健的AI开发。 • 任务适配性强:标注格式兼容主流深度学习框架(如YOLO系列),便于快速集成到实例分割项目中,提高开发效率。
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