从头开始学java--数组

LTspice introduction - 2 LTspice的界面 LTspice的界面主要有两个:Schematic Capture和Waveform Viewer Schematic Capture 它主要是用来画电路图的,画完电路图之后,添加一些dot 命令同时选择一些仿真的参数,点击执行(Run)Waveform Viewer 如果你的仿真不是op point的话,一个都会打开它,在它里面你可以画图相应的图形。 有两种方式可以在Viewer 阅读详情




一.数组的定义

本来数组在C++中已经写了好多,但是一直没把数组当成个对象。在java中,数组也是个对象!所以还是用引用型变量,定义一个数组。与之前C风格的数组在定义的时候不大一样,所以还是记录一下。
一个例子:
public class ArrayTest {
	public static void main(String[] args)
	{
		//定义一个长度为3的数组
		int[] x = new int[3];
		for (int i = 0; i < 3; i++)
			System.out.println(x[i]);//输出为 0 0 0
		for (int i = 0; i < 3; i++)
			x[i] = i;
		for (int i = 0; i < 3; i++)
			System.out.println(x[i]);//输出为 0 1 2
	}
}


要点:
1.定义一个数组的格式:  数组保存的数据类型[]  数组名  =   new   数组保存的数据类型[数组的长度]    eg:int[] array = new int[3];
2.堆内存中的数据有默认的值,int默认值为0,double为0.0 boolean为false。
3.左边是在栈内存中定义一个array的引用型变量,右边new出一个int型的对象。用array引用该对象。对于数组,即array保存数组在堆内存中的首地址。
4.数组的操作注意不要引发NullPointerException异常和ArrayIndexOutOfBoundsException异常

数组的一种简单定义及赋初值方式:
public class ArrayTest {
	public static void main(String[] args)
	{
		//定义一个数组,并赋初值
		int[] x = {1, 2, 3};
		
		for (int i = 0; i < x.length; i++)
			System.out.println(x[i]);//输出为 1 2 3
	}
}
要点:
1.定义方式:   数据类型[]  数组名  = {数组内容, 数组内容.......};
2.数组的长度可以用   数组名.length获得。


二.引用类型数组(对象数组)

class ArrayDemo
{
	public int value = 100;
}


public class ArrayTest {
	public static void main(String[] args)
	{
		ArrayDemo[] array = new ArrayDemo[3];
		System.out.println(array[0].value);
	}
}
结果如图:

结果是空指针异常。原因是数组是引用数据类型,但是仅仅是创建了一个数组,并没有创建对象。

改正:
class ArrayDemo
{
	public int value = 100;
}


public class ArrayTest {
	public static void main(String[] args)
	{
		ArrayDemo[] array = new ArrayDemo[3];
		//为数组的每个元素创建一个对象来引用
		for (int i = 0; i < array.length; i++)
			array[i] = new ArrayDemo();
		for (int i = 0; i < array.length; i++)
		System.out.println(array[0].value);
	}
}
结果如下:


要点:
虽然数组是引用类型,但是数组元素如果也是引用类型,不是原始数据类型,仍需要创建对象后再使用,否则会出现空指针异常。

三.数组的遍历

用惯了C的for循环,发现java还有一个更为简单的遍历方式,foreach循环
public class ArrayTest2 {
	
	public static void main(String[] args)
	{
		int[] array = {1, 2, 3, 4, 5};
		//foreach遍历
		for(int x : array)
			System.out.println(x);
	}

}
foreach字面理解就是每个都,事实也是如此,遍历数组中的每个元素。
要点:
1.foreach其实就是for循环的简化版,任何foreach循环都可以化成for循环,反过来不成立。
2.在for()中定义一个迭代变量,与数组元素相同。注意格式for(数据类型 数据名 :数组名)     调用数据名


四.数组作为参数传递

public class ArrayTest3 {
	public static void main(String[] args)
	{
		int[] array = {1, 2, 3, 4};
		printArray(array);
	}
	
	public static void printArray(int[] arr)
	{
		for(int x : arr)
			System.out.println(x);
	}
}
要点:
数组作为引用类型传参,传递数组名即可,传递之后,数组有可能会被修改。


五.多维数组


public class ArrayTest4 {
	public static void main(String[] args)
	{
		//直接定义二维数组
		int arr[][] = new int[2][3];
		//分开定义二维数组
		int arr2[][];
		//定义行
		arr2 = new int[2][];
		//分别定义每一行,每一行的个数可以不一样
		arr2[0] = new int[2];
		arr2[1] = new int[4];
		
		for(int i = 0; i < 2; i++)
			for(int j = 0; j < 2; j++)
				System.out.println(arr2[i][j]);
	}
}
java中也可以定义多维数组,多维数组可以看做一维数组。
要点:
两种定义方式,第一种直接定义,与C差不多。 第二种是先定义行数,再分开定义每一行,这样可以让数组不“对称”,即每行元素个数可以不同。但是访问时需要注意下标不要越界。




鸿蒙子系统解读-分布式软总线子系统初步研究(下) 鸿蒙子系统解读-分布式软总线子系统初步研究(下) 本文作者:江苏润和软件股份有限公司 郎建中 3.2. 数据传输 上一节我们看了PublishService()函数的代码实现过程。被发现端发布服务后,软总线回调发布成功的函数中,被发现端需要使用CreateSessionServer()来创建会话的服务器等待发现端的连接创建会话。下面我们就来分析CreateSessionServer()函数的实现过程。 数据传输部分的代码位于foundation/communication/services/softbus 阅读详情

相关推荐

保姆级教程:5分钟搞定微信小程序live-player组件接入监控视频流

本文提供了一份详细的微信小程序接入实时监控视频流的实战指南。文章对比了live-player与video组件的核心差异,重点解析了如何申请并开通live-player组件的严格权限,并提供了播放RTMP流(低延迟)的完整配置、状态监听与错误处理代码。同时,也介绍了使用video组件播放HLS流的备选方案,帮助开发者根据项目需求快速选择并实现稳定可靠的监控视频播放功能。

open4的博客 297

《从头开始学java,一天一个知识点》之:数组入门:一维数组的定义与遍历

🚀 这个系列就是为你打造的Java「速效救心丸」!✅ 每天1分钟:地铁通勤、午休间隙即可完成学习✅ 直击痛点:只讲高频考点和实际开发中的「坑位」✅ 拒绝臃肿:没有冗长概念堆砌,每篇都有可运行的代码标本:《多维数组与常见操作》

z1ztai的博客 754

西门子S7-200 SMART与施耐德ATV变频器Modbus通讯实战:从接线到稳定运行的完整指南

本文详细介绍了西门子S7-200 SMART PLC与施耐德ATV变频器之间实现稳定Modbus通讯的完整实战指南。内容涵盖从硬件接线、参数配置、PLC程序编写到触摸屏设计的全流程,并分享了提升通讯稳定性的关键技巧和常见故障排查方法,助力工业自动化系统可靠运行。

kkk56的博客 1108

从头开始学Java(数组浅拷贝与深拷贝)

重新学Java

weixin_44503925的博客 94

常用的串口通信工具MobaXterm、Bus Hound、SScom等

本文介绍了四种PC端串口通信工具的功能和使用方法:MobaXterm支持SSH、FTP、串口等多种协议;Bus Hound用于监控CAN和串口数据;SScom专为串口和网口通信设计;ScriptCommunicator可进行串口通信并绘制波形图。每种工具都有详细的操作步骤图示,包括参数设置、数据监控等关键功能,并提供了官方和个人下载地址。这些工具各有特点,适用于不同的串口通信和数据分析场景。

sanqima的专栏 2511

Python气象雷达数据处理实战:用PyCINRAD从基数据到PPI图的完整流程

本文详细介绍了使用PyCINRAD库处理气象雷达基数据并生成PPI图的完整流程,涵盖环境配置、数据读取、反射率与速度数据提取、可视化优化等关键步骤。通过实战案例演示如何从原始雷达数据到专业级PPI图像生成,为气象研究和业务应用提供高效解决方案。

yog99的博客 758

java \t怎么从头开始_从头开始用Java编写数组

java \t怎么从头开始 在上一篇JS中的Arrays中 ,我们了解了什么是数组,如何在其中存储数据以及可以在数组上使用以获得某些结果的一些方法。 在这篇文章中,我们将通过从头开始构建我们自己的数组来更深入地了解数组,老实说,我认为在某些情况下您不需要弄清楚如何构建自己的数组因为当今大多数(如果不是全部)语言都预先内置了数组。 但是,真正深入地了解某些方法在幕后的工作方式绝不是一个坏主...

编程故事的地方 210

智能车竞赛模糊PID代码与使用方法

本文给出了模糊PID的代码,以及模糊PID的程序使用方法、参数调整方法

piginthesouth的博客 9123

java从头开始-数组

数组 数组是一组数据元素相同的元素集合。 数组是引用数据类型即对象,数组中可以存储基本数据类型,也可以存储引用数据类型。 Java在创建数组是必须先给定数组的长度,长度一旦给定,不可变。 一维数组 数组的声明的两种方式 例如: int a[];//数据类型 数组的名字 [] int[] b;//数据类型 [] 数组名字 推荐使用第二种,避免混淆a的数据类型。 例如: // c为数组,d为变量 // e,f均为数组 int c[], d; int

crraxx的博客 312

【开发必备插件】iframe嵌套报“拒绝连接请求”的本地解决方法

关键词:iframe 拒绝连接、X-Frame-Options、Chrome 插件、前端调试、Allow X-Frame-Options前几天我在本地项目里调试一个第三方网站的嵌入页面时,遇到了一个非常经典的报错:xxx.com 拒绝了我们的连接请求。熟悉的老前端们一眼就知道——这是。但对于日常开发来说,我们经常需要在本地测试 iframe 嵌套外部页面(比如嵌第三方登录页、支付页、可视化报表系统等)。而线上站点配置了或DENY时,就会直接导致 iframe 加载失败。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 1545

【第1章>第9节】基于FPGA的图像开运算处理算法的Verilog实现

本文介绍了基于FPGA的开运算图像处理实现方法。主要内容包括:1)输入图像二值化处理,通过阈值将灰度图像转换为二值图像;2)数据缓存与窗口提取,使用寄存器数组缓存5行图像数据并构建5×5处理窗口;3)腐蚀运算逻辑,判断窗口内是否全为白色像素;4)膨胀运算逻辑,检测窗口内是否存在白色像素。最后给出了Verilog实现方案,通过级联腐蚀和膨胀模块完成开运算处理。该方法可用于FPGA图像处理算法开发。

MATLAB,verilog,python,opencv,tensorflow,caffe,C,C++ 315

LeetCode刷题顺序(从头开始学JAVA)

前言: 一直以来对JAVA了解甚少,基本都是拿来主义,看懂能改就万事大吉 连JAVA最基本的代码编写框架都muji 因此打算从头练起,从结构算法再次用JAVA重温一次,希望能够为以后面试打好基础吧(流下不学无术的眼泪 偷来的刷题顺序: from:https://zhuanlan.zhihu.com/p/113397119 按着下面的顺序打LeetCode:先做新手任务;出了新手村以后,也别忘了每天刷刷任务;对于学有余力的同学,还可以尝试更进阶的副本任务 新手村任务 数据结构 队列&

一只菜鸟夹 6304

EndNote X9 参考文献附录列表 格式调整

EndNote X9 插入参考文献常见问题总结

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 2570

从头开始用Java编写数组

在上一篇JS中的Arrays中 ,我们了解了什么是数组,如何在其中存储数据以及可以在数组上使用以获得某些结果的一些方法。 在这篇文章中,我们将通过从头开始构建我们自己的数组来更深入地了解数组,老实说,我认为在某些情况下您不需要弄清楚如何构建自己的数组因为当今大多数语言(如果不是全部)都预先内置了数组。 但是,真正,深入地了解某些方法在幕后的工作方式绝不是一个坏主意,它可以使您对数组有更多的了...

编程故事的地方 476

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")

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

从头开始学SpringBoot—01入门&基础配置

SpringBoot系列01部分——从0创建boot工程和基础配置的使用

青春无问西东 岁月自成芳华 1012

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

【Java】从头开始学习-数组

【Java】从头开始学习-数组

二两清酒.的博客 408

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

多层数组如何遍历_带你从零学大数据系列之Java篇---第五章:数组

温馨提示:如果想学扎实,一定要从头开始看凯哥的一系列文章(凯哥带你从零学大数据系列),千万不要从中间的某个部分开始看,知识前后是有很大关联,否则学习效果会打折扣.系列文章第一篇是拥抱大数据:凯哥带你从零学大数据系列-学习大数据前奏(必读)(点我)!上一篇:拥抱大数据:凯哥带你从零学大数据系列之Java篇---第四章:方法课程重点:数组的声明与实例化数组的引用数组的元素访问数组的排序数组的查询Arr...

weixin_27224119的博客 561

java \t怎么从头开始_从头开始学习Java

java \t怎么从头开始 那么,您想用Java编程吗? 太好了,您来对地方了。 Java 101系列提供了Java编程的自指导性入门,从基础知识开始,涵盖了成为生产型Java开发人员需要了解的所有核心概念。 本系列是技术性的,其中包含大量代码示例,可帮助您在进行过程中掌握概念。 我将假定您已经具有一些编程经验,只是没有Java经验。 第一篇文章介绍Java平台,并解释其三个版本之间的区别:...

cxu0262的博客 391

从头开始学Java——Java类型和类

文章目录

No_Game_No_Life_的博客 724

js 数组从头添加到数组_编码练习:从头开始构建JavaScript数组方法

js 数组从头添加到数组 There's no better way to ensure that you understand how something works than building you're own version from scratch. In this article we are going to do just that by creating our own v...

culiu9261的博客 945

从头开始学java--集合(一)

java-对象集合--List

puppet_master的专栏 818

java数组之二维数值数组之多科成绩统计_凯哥带你从零学大数据系列之Java篇---第五章:数组

温馨提示:如果想学扎实,一定要从头开始看凯哥的一系列文章(凯哥带你从零学大数据系列),千万不要从中间的某个部分开始看,知识前后是有很大关联,否则学习效果会打折扣.系列文章第一篇是拥抱大数据:凯哥带你从零学大数据系列-学习大数据前奏(必读)(点我)!上一篇:拥抱大数据:凯哥带你从零学大数据系列之Java篇---第四章:方法课程重点:数组的声明与实例化数组的引用数组的元素访问数组的排序数组的查询Arr...

weixin_39989949的博客 774

【从头开始】Java基础Day04

方法参数和数组

李的博客 843

简述java实现数组的逆序

爱你所爱 求你所求 得你所得

爱德苏的博客 4855

【从头开始学JAVA】冒泡排序

冒泡排序 冒泡排序(Bubble Sort) 原理:重复地走访需要进行排序的元素,依次比较两个相邻的元素,如果元素的顺序(如从大到小、首字母从A到Z)错误就把元素的位置互换。 走访元素是重复进行的,直到没有任何相邻位置上的元素需要交换位置,排序完成。 package cn.tedu.array; import java.util.Arrays; /**本类用来完成冒泡排序*/ public class BubbleSort { public static void main(String[] a

Memory_314的博客 122

【从头开始学JAVA】 IO流 API

IO流 特点 1.流只能单方向流动 2.输入流用来读取 → in 3.输出流用来写出 → out 4.数据只能从头到尾顺序的读写一次

Memory_314的博客 200
上一篇: 从头开始学Java--类和对象
下一篇: 从头开始学java--String类&包装类
puppet_master
puppet_master 领域专家: C/C++技术领域 领域专家: C/C++技术领域
博客等级 码龄12年 2695粉丝 161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