html() test() val()的区别

本文深入解析jQuery中的.html(), .text(), 和.val()方法的区别及应用。通过实例展示如何使用这些方法来获取或设置HTML元素的内容、文本和表单组件的值,帮助开发者更熟练地掌握jQuery的DOM操作技巧。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 在项目开发中,写jQuery代码有时候会搞混淆一下东西,现在写一下demo来列出jQuery的.html(),.text(),.val()的区别。

 

  1. html()取得第一个匹配元素的内容,简单来说就是所取得的标签所包含的所有东西。

      假如括号中有带val的话,最简单的理解就是将上一步取得的内容全部替换成括号中val,下面看demo

 

1     <div id="divTest" value='2'>
2         这是div的内容!
3         <label id="lblText">
4             这是label的内容!
5         </label>
6         <div id="divTest2">
7             第二个div内容!
8         </div>
9     </div>

 

1  $("#divTest").html()  //所取得内容:这是div的内容!<label id="lblText">这是label的内容!</label> <div id="divTest2">第二个div内容!</div>
1  $("#divTest").html("我要修改了!")  //执行修改

    上面修改之后,我们接着获取一下

 1 $("#divTest").html() //所取得内容:我要修改了! 

 

  注:html()方法可以用于XHTML文档,但不能用于XML文档!

 

  2.text():取得所有匹配元素的内容,结果是由所有匹配元素包含的文本内容组合起来的文本,同理,text(val)是设置所有匹配元素的文本内容

  

1 $("#divTest").text() //所取得内容:这是div的内容!这是label的内容!第二个div内容!
2                             //可见所取得是标签内的东西,但不会取标签

  注:这个方法对HTML和XML文档都有效

 

  3.val()常用来操作标准的表单组件对象,如button,text,hidden

  例如添加了一个select元素以及一个hidden的元素

 

1     <select id="selectVal">
2         <option value="1" selected="selected">1</option>
3         <option value="2" >2</option>
4     </select>
5     <input type="hidden" id="hidVal" value="1"/>

 

  现在我们来取一下他们的值

1 $("#selectVal").val()  //取得值为:1  同理这个也是 $("#hidVal").val()

  

  有时候开发的时候会在一个div内设置一个value的属性,那么我们在取值的时候可以用这样

  

首先jquery的attr()方法允许两个参数,如果值给一个参数则返回的是元素的属性的值,两个参数可以设置一个元素属性的值为第二个参数。

2、给div元素属性赋值的代码如下:

    <script type="text/javascript">

        $('#div1').attr('class','baidu');

  $('#div2').attr('value','2');

 

    </script>

 

 

 

效果


 

<div id="div1" class="baidu"></div>


 
<div id="div2" value="2"></div>

 


 

 

 

 

html()可以覆盖原内容

text() 获取元素下所有内容,包括html,直到元素结束

val()获取元素value的值

# 加载数据 data3 = pd.read_excel(r'C:\Users\14576\Desktop\计算机资料\石波-乳腺癌\Testtest.xlsx') X_val = data3.drop(['HER2_G'],axis=1) y_val = data3['HER2_G'] X_test_final=X_val y_test_final=y_val # 对测试集进行相同的特征工程 X_test_final['Menopause_Age_Interaction'] = X_test_final['绝经状态'] * X_test_final['Age'] X_test_final['Age_Bins'] = discretizer.transform(X_test_final[['Age']]).ravel() X_test_final['Age_S1_LF_HF_Ratio'] = X_test_final['Age'] * (X_test_final['S1_LFpow_FFT (n.u.)'] / X_test_final['S1_HFpow_FFT (n.u.)']) X_test_final['BMI_S1_RMSSD_S1_SD1'] = X_test_final['BMI'] * X_test_final['S1_RMSSD (ms)'] * X_test_final['S1_SD1 (ms)'] X_test_final['S1_Mean_HR_ApEn'] = X_test_final['S1_Mean HR (bpm)'] * X_test_final['S1_ApEn'] X_test_final['S1_SDNN_S1_LFpow_FFT_ln_S1_TOTpow_FFT'] = (X_test_final['S1_SDNN (ms)'] / X_test_final['S1_LFpow_FFT (ms2)']) * np.log(X_test_final['S1_TOTpow_FFT (ms2)']) X_test_final['S1_VLFpow_FFT_S1_DFA1_S1_DFA2'] = X_test_final['S1_VLFpow_FFT (%)'] * X_test_final['S1_DFA1'] * X_test_final['S1_DFA2'] X_test_final['S1_SampEn_Sqrt_S1_SD2_S1_SD1'] = X_test_final['S1_SampEn'] * np.sqrt(X_test_final['S1_SD2 (ms)'] / X_test_final['S1_SD1 (ms)']) X_test_final['S1_MSE_1_S1_MSE_5'] = X_test_final['S1_MSE_1'] * X_test_final['S1_MSE_5'] X_test_final['S1_RESP_S1_HFpow_FFT_S1_TOTpow_FFT'] = X_test_final['S1_RESP (Hz)'] * (X_test_final['S1_HFpow_FFT (ms2)'] / X_test_final['S1_TOTpow_FFT (ms2)']) X_test_final['Risk_Score'] = (X_test_final['Age'] * X_test_final['BMI'] / X_test_final['S1_RMSSD (ms)']) + np.log(X_test_final['S1_LF_HF_ratio_FFT']) for feature in interaction_features: X_test_final[feature] = X_test_final[feature] - X_[feature].mean() X_test_final = X_test_final.dropna() y_test_final = y_test_final[X_test_final.index] # 异常值清理 for col in columns: Q1 = X_[col].quantile(0.25) Q3 = X_[col].quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 - 1.5 * IQR upper_bound = Q3 + 1.5 * IQR # 明确转换数据类型 new_col_values = np.where(X_val[col] < lower_bound, lower_bound, X_val[col]) new_col_values = np.where(new_col_values > upper_bound, upper_bound, new_col_values) X_val.loc[:, col] = new_col_values.astype(X_val[col].dtype) print(X_val.shape) # 填补空缺值KNN X_val = imputer.transform(X_val) # 缩放 X_val = scaler.transform(X_val) X_val = pd.DataFrame(X_val) # 方差 data_feature2 = pd.concat([X_val,y_val],axis=1) X_val = data_feature2.drop(cols_to_drop, axis=1) print(X_val.shape) X_val.columns = X_val.columns.astype(str) # PCA X_val = Pca.transform(X_val) print(X_val.shape) # 特征选择 X_val = rfe.transform(X_val) print(X_val.shape) # PCA X_val = pca.transform(X_val) X_val = pd.DataFrame(X_val) y_pred = svm_classifier.predict(X_val) # 画出预测与真实标签对比 plt.figure(figsize=(4, 3)) plt.plot(y_val, label='True Values (Testing Set)') plt.plot(y_pred, label='Predicted Values (Testing Set)') plt.xlabel('Sample') plt.ylabel('HER_2') plt.title('True vs. Predicted Values (Testing Set)') plt.legend() plt.tight_layout() plt.show() # 评价模型 accuracy_rf = accuracy_score(y_val, y_pred) precision_rf = precision_score(y_val, y_pred) recall_rf = recall_score(y_val, y_pred) f1_rf = f1_score(y_val, y_pred) auc_rf = roc_auc_score(y_val, y_pred) print(f"DNN accuracy: {accuracy_rf:.2f}") print(f"DNN precision: {precision_rf:.2f}") print(f"DNN recall: {recall_rf:.2f}") print(f"DNN F1 score: {f1_rf:.2f}") print(f"DNN AUC score: {auc_rf:.2f}")由此程序建立其shap图像
最新发布
03-08
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