istream_iterator、ostream_iterator 用法

ADS AEL脚本进阶:参数化电感与变压器的自动化设计 本文深入探讨了如何利用ADS AEL脚本实现电感与变压器的参数化与自动化设计。通过构建可复用的函数库、封装高级设计流程、集成DRC检查与性能预估,将繁琐的手动绘制升级为高效的智能设计引擎,并最终通过创建GUI工具降低使用门槛,大幅提升射频/微波电路设计效率。 阅读详情

       标准程序库定义有供输入及输出用的iostream iterator类,称为istream_iterator和ostream_iterator,分别支持单一型别的元素读取和写入。使用这两个iterator classes之前,先得含入iterator头文件:
       #include <iterator>


       现在让我们看看如何利用istream_iterator从标准输人装置中读取字符串。就像所有的iterators一样我们需要一对iterators:first和last,用来标示元素范围。以下定义式:
       istream_iterator<string>  is( cin ) ;
       为我们提供了一个first iterator,它将is定义为一个“连结至标准输人装置”的istream_iterator。我们还需要一个last iterator,表示“欲读取之最后元素的下一位置”。

       对标准输入装置而言,end-of-file即代表last。这该如何表示呢?噢,只要在定义istream iterator时不为它指定istream对象,它便代表了end-of-file。例如,
        istream_iterator<string> eof ; //即eof就表示last iterator,没有指定istream对象


       我们应该如何使用这对iterators呢?下面的例子中,我将它们,以及存储字符串元素的vector一起传给泛型算法。copy()由于不知道要为vector保留多少空间,所以选用back_inserter:
       copy( is, eof, back_inserter( text ) );
       现在我还需要一个ostream_iterator表示字符串元素的输出位置。一旦不再有任何元素需要输出,我就停止输出操作。以下程序代码将os定义为一个“连结至标准输出设备”的ostream_iterator,此标准输出设备供我们输出型别为string的元素。
       ostream_iterator<string> os( cout, " " );
      上述第二个参数可以是C-Sty1e字符串,也可以是字符串常量。它用来表示各个元素被输出时的分隔符,默认情形下输出的各个元素并无任何分隔符。本例我选择在各输出字符串之间以空白加以分隔。以下便是可能的运用方式:
       copy( text.begin(), text.end(), os );
       copy()会将存储在text中的每个元素一一写到由os所表示的ostream上头,每个元素皆以空格符分隔开来。
#include <iostream>
#include <iterator>
#include <algorithm>
#include <vector>
#include <string>
using namespace std;

int main()
{
istream_iterator< string > is( cin );
istream_iterator< string > eof;
vector< string > text;
copy( is, eof, back_inserter(text) );
sort( text.beqin(), text.end() );
ostream_iterator< string > os( cout, " " );
copy( text.begin(), text.end(), os );
return 0;
}


       然而,常常,我们并不是要从标准输人设备中读数据,也不是要写到标准输出设备中去,而是希望从文件中读取,写到文件中去。这该如何办到?只需将istream_iterator绑定至ifstream object,将ostream_iterator绑定至ofstream object即可:


#include <iostream>
#include <fstream>
#include <iterator>
#include <algorithm>
#include <vector>
#include <string>
using namespace std;

int main()
{
ifstream in_file( "input_file.txt" );
ofstream out_file( "output_file.txt" );
if( !in_file || !out_file )
{
cout << "files open failed!\n" ;
return -1;
}
istream_iterator< string > is( in_file );
istream_iterator< string > eof ; //同样的eof也表示last iterator
vector< string > text;

copy( is, eof, back_inserter(text) );
sort( text.beqin(), text.end() );

ostream_iterator< string > os( out_file, " " );
copy( text.begin(), text.end(), os );
return 0;
}

例子当中copy 函数的介绍如下:

如果要把一个序列(sequence)拷贝到一个容器(container)中去,通常用std::copy算法,代码如下:

std::copy(start, end, std::back_inserter(container));

这里,start和end是输入序列(假设有N各元素)的迭代器(iterator),container是一个容器,该容器的接口包含函数push_back。

详见:http://blog.sina.com.cn/s/blog_a9303fd90101adx3.html

              http://blog.sina.com.cn/s/blog_4cd2484f010099vt.html

硬件笔记——HDMI接口 HDMI可以同时传输视频信号、音频信号和控制信号。其中高速信号有四组:从Data TX到Data RX有3组差分数据信号(TMDS_DATA0~2)和一组差分时钟信号(TMDS_CLOCK)。以及若干低速线。脚编号信号名称信号类型功能说明1热插拔检测连接状态检测。接收端通过此引脚向源端发送高电平信号,通知其已连接并可以开始读取EDID。2UTILITY车载用途悬空3TMDS数据通道2差分信号正极,用于传输视频像素、音频和数据包。4TMDS数据2屏蔽。 阅读详情

相关推荐

DevEco Studio在初始化时出现Installing pnpm@8.13.1...npm ERR! code ETIMEDOUTnpm ERR! syscall connectnpm E

npm的仓库源设置的有问题,下载不了鸿蒙相关组件,所以你的启动依赖都没有,或者以前下载过npm,使用的源改的乱七八糟了。以前安装过前端相关的node.js的话,启动的时候记得使用管理远权限。(DevEco Studio)就出错,npm显示超时。

qq_56392862的博客 2628

C++ STL stream_iterator流迭代器(深入了解,一文学会)

流迭代器也是一种迭代器适配器,不过和之前讲的迭代器适配器有所差别,它的操作对象不再是某个容器,而是流对象。即通过流迭代器,我们可以读取指定流对象中的数据,也可以将数据写入到流对象中。 介于流对象又可细分为输入流对象(istream)和输出流对象(ostream),C++ STL 标准库中,也对应的提供了 2 类流迭代器: 将绑定到输入流对象的迭代器称为输入流迭代器(istream_iterator),其可以用来读取输入流中的数据; 将绑定到输出流对象的迭代器称为输出流迭...

断点 3635

一文读懂水利无人机AI识别算法,概念、需求、解决方案

复亚智能的水利无人机AI识别算法通过先进的技术手段,为水利管理提供了高效、精准的解决方案。随着技术的不断进步和应用的深入,复亚智能的解决方案将在更多水利场景中发挥重要作用,助力智慧水利管理的全面升级。该系统通过搭载在无人机上的传感器和摄像头,结合先进的AI识别算法,实现对河道淤积、漂浮物、船只和水质污染等问题的自动检测和监控。基于大量实飞采集的数据,复亚智能的算法经过严格的训练,能够准确识别各种水利问题。复亚智能的系统具有高度的开放性和兼容性,能够与第三方平台和算法无缝对接,满足不同客户的多样化需求。

foiadrone的博客 1197

C++ istream_iterator的源码与使用方法分析

最近在看C++ STL的源码,看的主要是gnu2.9版本的源码。 其中看到了istream_iterator的实现源码,源码如下: template <class T, class Distance = ptrdiff_t> class istream_iterator { friend bool operator== __STL_NULL_TMPL_ARGS (const istream_iterator<T, Distance>& x,

Dylan的博客 1237

避开CPU瓶颈:手把手教你用RK3588的DMA-BUF实现V4L2到NPU的零拷贝数据流

本文详细介绍了如何在RK3588平台上利用DMA-BUF实现V4L2到NPU的零拷贝数据流,显著提升异构计算性能。通过实战指南展示了如何配置摄像头采集、RGA图像预处理和NPU推理优化,最终实现CPU占用率降低60%、延迟减少60%的效果,特别适合YOLOv5等AI推理应用的高效部署。

weixin_30374009的博客 571

别再手动算频谱了!用这个在线FFT工具,5分钟搞定JSON/CSV数据分析

本文介绍了一款高效的在线FFT工具,帮助用户快速分析JSON/CSV格式的时域数据,5分钟内完成频谱分析。通过傅里叶变换(FFT)算法,大幅提升计算效率,解决传统手动计算的痛点,适用于工业振动分析、设备故障诊断等场景。

weixin_29172201的博客 258

Android studio报错解决:Unable to load class: org.gradle.api.plugins.MavenPlugin(二十九)

本篇目的:Androidstudio报错解决:Unabletoloadclass:org.gradle.api.plugins.MavenPlugin。

Android系统攻城狮 3823

【数据挖掘】心跳信号分类预测 之 特征工程 —— 学习笔记(三)

三、特征工程 3.1 看书 常言道,“巧妇难为无米之炊”。在 ML 中,数据和特征将作“米”,模型和算法则为“妇”。若无数量充足的数据、良好表示的特征,再强大的模型也难以得到满意的结果 (garbage in,garbage out)。对于 ML 问题,数据和特征往往决定了结果的上限,而模型、算法的选择及优化则是在逐步接近该上限。 特征工程,顾名思义,是对原始数据进行一系列工程处理,将其提炼为特征,作为输入供算法和模型使用。在本质上,特征工程是一个表示和展现数据的过程。在实际中,特征工程旨在去除...

闻韶 3358

C++标准模板(STL)- 迭代器库 - 流迭代器- 从 std::basic_istream 读取的输入迭代器 (一)

std::istream_iterator 是单趟输入迭代器,从为之创建迭代器的 std::basic_istream 对象读取 T 类型的相继对象,通过调用适当的 operator>> 。实际读取操作在自增,而非解引用迭代器时进行。在构造迭代器时读取首个对象。解引用只返回最近读取的对象的副本。

qq_40788199的博客 1998

手把手教你写上位机软件(c#、winform)

上位机软件模板

qq_34059233的博客 7万+

YOLOv11改进策略【SPPF】| AIFI : 基于Transformer的尺度内特征交互,在降低计算成本的同时提高模型的性能

本文记录的是基于AIFI模块的YOLOv11目标检测改进方法研究。AIFI是RT-DETR中高效混合编码器的一部分,利用其改进YOLOv11模型,

Limiiiing的博客 2240

C++ istream_iterator

From: https://stackoverflow.com/questions/16727125/how-does-stdcopy-work-with-stream-iterators First, note that in this case, there’s no real need to use std::copy at all. You can just initialize the v

Huntinux 1169

【BUG已解决】pip install 出现 error: Microsoft Visual C++ 14.0 or greater is required 解决方案

方案磁盘占用适用场景推荐指数安装Build Tools3-6GB长期Windows Python开发⭐⭐⭐⭐⭐寻找预编译wheel无额外占用只是想快速装上某个包⭐⭐⭐⭐⭐用conda安装视包而定已经在用conda环境⭐⭐⭐⭐⭐升级到新版本无额外占用库本身有更新的预编译版本⭐⭐⭐⭐使用WSL2需要额外配置Linux子系统频繁遇到Windows编译问题⭐⭐⭐⭐的核心是Windows 缺少本地 C/C++ 编译器,而目标包需要在本机编译。先看是否有捷径。

博客 1万+

C++中istream_iterator和ostream_iterator的用法

写在前面 今天在看《STL源码剖析》的时候,看到了配接器中的ostream iterator,其中包含istream_iterator以及ostream_iterator以及更多,感觉这两个都十分重要,所以在这里介绍一下 istream_iterator 源码: template &lt;class T, class Distance = ptrdiff_t&gt; class ist...

A_Bo的博客 1万+

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

STL中istream_iterator和ostream_iterator的基本用法

https://www.cnblogs.com/VIPler/p/4367308.html

折腾怪的博客 315

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")

C++ STL中istream_iterator和ostream_iterator的用法

C++ STL中定义了提供输入及输出用的iostream iterator类,称为istream_iterator和ostream_iterator,分别支持单一型别的元素读取和写入: (1)头文件:#include &lt;iterator&gt; (2)定义:           1)定义输入流迭代器:istream_iterator&lt;std::string&gt; is( std...

JIWilliams 1293

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

istream_iterator与ostream_iterator

注意点: istream_iterator // 执行此句时会等待一个输入 istream_iterator<int> iptr(cin), eof; // 执行此句后,相当于再等待一个新的输入 iptr++; ostream_iterator // 执行此句时不会产生输出 // 需要一个输出的类型转换 // int → char 等 ostream_ite...

pix_csdn的博客 411

istream_iterator 与ostream_iterator的用法

标准程序库有供输入和输出用的iostream iterator,称为istream_iterator和ostream_iterator类,分别支持单一型别的元素读取和写入。它们包含在头文件#include 中! 例1:从标准设备中输入一些内容,然后排序后输出! [html] view plaincopy    [cpp] view

Daemon技术小屋,逆水行舟,不进则退 559

c++ istream_iterator、ostream_iterator 用法

本文转自 :http://blog.youkuaiyun.com/laixingjun/article/details/8913799      标准程序库定义有供输入及输出用的iostream iterator类,称为istream_iterator和ostream_iterator,分别支持单一型别的元素读取和写入。使用这两个iterator classes之前,先得含入iterator

607

istream_iterator 与 ostream_iterator 简单的用法

#include#include#include#include#includeusing namespace std;int main(){ string from,to;  cin>>from>>to; ifstream ifs(from.c_str()); istream_iteratorii(ifs); istream_iteratoreos; vectorv; c

stevenzhou的专栏 4839

C++ istream_iterator ostream_iterator 用法(Essential C++)

/ 将输入流的内容复制到 text 向量中,is相当于text的first迭代器,而eof相当于last迭代器,//相当于 vector<string> text(is , eof)//输出绑定,并且输出间隔符号是 " "(空格)//os作为对象接收输出的开始迭代器和结束迭代器。

Tikiuuuu的博客 277

istream_iterator ostream_iterator 迭代器和IO

头文件:#include <iterator>istream_iteratorostream_iterator成员函数:如同使用其他iterator一样来使用member function: operator* operator++ operator=示范:istream_iterator#include <iterator> #include <iostream>int main() {

uestcjerry 564

经常忘记iterator的使用,贴上源码方便回忆

// iterator standard header #pragma once #ifndef _ITERATOR_ #define _ITERATOR_ #ifndef RC_INVOKED #include #include  #pragma pack(push,_CRT_PACKING)  #pragma warning(push,3) _STD_BEGIN   /

享受开发技术,享受计算机科学 1049

C++学习笔记----迭代器(iterator、back_inserter、fron_inserter、istream_iterator等)

文章目录1.插入迭代器2.iostream迭代器3.反向迭代器 迭代器是的作用类似于指针,最常用于STL中用于遍历容器,其定义于头文件 iterator 中。 使用方式: auto li = initializer_list<string>({ "this ","is ","test" }); for (auto it = li.begin(); it != li.end(); it++) { o_word << *it; } 1.插入迭代器 back_inserter 用于创

qq_44664843的博客 699

如何使用istream_iterator将cin转到vector? (C/C++) (STL)

本范例使用istream_iterator及copy(),将cin转到vector,只需一行的程序,vector经过sort(),再使用ostream_iterator将vector转到cout,也只需一行程序就可完成。 1/**//*  2(C) OOMusou 2006 http://oomusou.cnblogs.com 3 4Filename    : StreamIterator

记录我即将到来的一年 1014
上一篇: string类中的size()函数和length()函数
下一篇: 关联数组map和关联容器set的用法和二者的区别
Web客栈
博客等级 码龄18年 23粉丝 111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
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