关于类的赋值、构造、析构的一些启发

本文探讨了C++中Datalist类的构造与析构过程,特别是在Sort类中的应用。通过标记Address,作者详细记录了不同情况下构造函数与析构函数的调用流程,揭示了拷贝构造与赋值操作的区别。
前情提要

在做数据结构课程设计第十题排列的时候,创建了一个Datalist的类,在Sort类中调用以保存一个随机序列。
但,每一次排序要保证不在Datalist的实例datalist上直接操作,因此每次进行不同的排列都要创建一个新的Datalist实例。
在这其中包括Sort类初始化的时候都遇见了一些情况是我没有想象到的,通过给Datalist类的构造函数和析构函数添加了Address标记,勉强能看出他们的流程。在这里记录一下。

运行结果

运行结果

Address=0019FD48无参数构建
Sort::Sort()
{
	instruct();
	int i;
	cout << "请输入要产生的随机数的个数:";
	cin >> i;
	datalist = Datalist(i);
	datalist.showDatalist();	//debug
	//……
}

我估摸着,应该是Sort类初始化在调用构造Sort()函数之前,就已经把其中的一些成员变量实例化了。否则应该先出现instruct()的指导内容,然后才是datalist的直接带参数的构建。

Address=0019FB58有参数构建
datalist = Datalist(i);

这一语句相当于创建了一个新的没有名字的Datalist实例,让datalist的值等于它(重载了operator=()的函数,否则两个Datalist变量会指向同一地址),然后Datalist析构。

Address=0019FAF4无参数构建
Datalist Sort::insertionSort(const Datalist& List)
{
	Datalist list;
	list = List;
	//Sorting
	return list;
}
//**1**
Datalist list = List
//**2**
Datalist list;
list = List;

这两种方式不一样。
第1种的list和List指向同一个对象,只调用一次构造函数。且这个构造函数既不是我们设置的已知的默认无参数构造函数,也不是我们设置的有参数的构造函数。
第2种的list先调用了一个无参数的构造函数,然后被参数List赋值。
值得注意的是return的机制,return先用不知名的构造函数构造了一个没有名字的Datalist实例,然后用不知名的复制(赋值?)函数把list的数据传给这个实例。但是在这个函数结束之前,这个实例又被析构掉了。是先析构,再RETURN。 这样可以说明为什么我在~Datalist()中delete了动态数组data后,调用函数返回一个Datalist,使用时会报错。
第1种方式的运行结果

参考网站:
1.C++:类中的赋值函数
2.从一个例子讲解拷贝构造函数与return

纯属个人理解,有错误请批评指正。

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架、开发技术等。2.1系统架设计理论介绍系统架设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4络安全与数据保护理论讨论络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结,确定字段型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分对系统进行性能测试,分测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分任务的线性模型,特别适用于二问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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