Java日期加减

已于 2023-12-18 16:24:41 修改
阅读量80 收藏
点赞数
文章标签： java 经验分享 后端 开发语言
于 2023-11-21 09:52:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qwerty147532/article/details/134501484
版权
文章介绍了如何在Java中使用LocalDateTime类进行日期和时间的操作，包括获取当前时间和添加/减去年、月、日、小时和分钟，以及对应的输出结果示例。

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

以下操作都可以用于LocalDateTime，LocalDate，LocalTime等方法
本次只用了LocalDateTime测试

目录

1、获取日历对象的年、月、日

public void shwo(){
        LocalDateTime time=LocalDateTime.now();//获取现在时间
        //2023年4月10日10时54分
        LocalDateTime time1=LocalDateTime.of(2023,4,10,10,54);
        time1=time1.plusYears(1);//年
        time1=time1.plusMonths(2);//月
        time1=time1.plusDays(10);//天
        time1=time1.plusHours(10);//小时
        time1=time1.plusMinutes(10);//分
        System.out.println(time1);
    }

输出结果如下 :
在这里插入图片描述

2、减法

public void shwo(){
        LocalDateTime time=LocalDateTime.now();//获取现在时间
        //2023年4月10日10时54分
        LocalDateTime time1=LocalDateTime.of(2023,4,10,10,54);
        time1=time1.plusYears(-1);//年
        time1=time1.plusMonths(-2);//月
        time1=time1.plusDays(-10);//天
        time1=time1.plusHours(-10);//小时
        time1=time1.plusMinutes(-10);//分
        System.out.println(time1);
    }

输出结果如下 :
在这里插入图片描述
感谢大佬们的观看！！！

蓝幽凡
关注
【人工智能数学基础篇】——深入详解矩阵分解：奇异值分解（SVD）与主成分分析（PCA）在数据降维与特征提取中的应用
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
12-17 6051
深入详解矩阵分解：奇异值分解（SVD）与主成分分析（PCA）在数据降维与特征提取中的应用
主成分分析PCA和矩阵的奇异值分解SVD
hahaxq的博客
04-21 1067
PCA和SVD   引言：在机器学习中，PCA主要是用于数据的降维，将高维的样本数据降维到低维保存，因为其在降维的过程中，综合了样本中各个特征的属性数据，所以降维后的样本数据仍然很好的保存了原始样本数据的信息，同时维度降低了（可以理解为，样本的属性减少，新的维度属性综合了之前所有样本的属性），且有利于数据的保存。另一方面，与PCA紧密相关的另一个算法叫做SVD，它不仅能够用于数据的降维还可以用于...
奇异值分解（SVD）与 主成分分析（PCA）
weixin_44885334的博客
04-26 1108
线性映射 线性映射同构于矩阵乘。线性空间的一组基α=(α1,⋯ ,αn)\alpha=(\alpha_1, \cdots, \alpha_n)α=(α1​,⋯,αn​)，一个点的坐标为x=(x1,⋯ ,xn)x=(x_1,\cdots,x_n)x=(x1​,⋯,xn​)，那么点可以记做两者内积α⋅x=∑i=1nxiαi\alpha \cdot x = \sum_{i=1}^{n} x_i\alpha_iα⋅x=∑i=1n​xi​αi​。注意，基不一定是向量，可以是任何线性无关的对象（比如，三角函数）。 线性
奇异值分解 VS 主成分分析
诚朴求食
05-04 1211
主成分分析（PCA）的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。一般我们会用特征值分解去解释PCA。特征值和奇异值在大部分人的印象中，往往是停留在纯粹的数学计算中。而且线性代数或者矩阵论里面，也很少讲任何跟特征值与奇异值有关的应用背景。奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵...
主成分分析PCA与奇异值分解SVD
最新发布
lty1392309506的博客
03-22 685
奇异值分解（Singular Value Decomposition，简称 SVD）是线性代数中的一种基本工具，它将任意一个 (m * n) 矩阵 (A) 分解成三个简单矩阵的乘积，即(U) 的列向量称为，它们构成了（或）的一个正交基。对角线上的元素称为，且都是非负数。奇异值通常按从大到小排列，反映了矩阵 (A) 在各个方向上的拉伸或压缩程度。(V) 的列向量称为，它们构成了（或）的一个正交基。(V^T) 表示 (V) 的转置（或共轭转置）。
奇异值分解(SVD)与PCA(主成分分析)
weixin_43972621的博客
09-10 7733
奇异值分解(Singular Value Decomposition，以下简称SVD)是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统(稍后讲解)，以及自然语言处理等领域，是很多机器学习算法的基石。下面将从SVD的原理、SVD的推导、分析SVD与PCA之间的关系等进行讲解，一步步到最后的推荐系统。 一、SVD原理 1.1 SVD定义 若A是一个m*n的矩...
【机器学习】 奇异值分解 （SVD） 和主成分分析 （PCA）
gongdiwudu的专栏
07-27 5602
在机器学习 （ML） 中，一些最重要的线性代数概念是奇异值分解 （SVD） 和主成分分析 （PCA）。收集到所有原始数据后，我们如何发现结构？
奇异值分解（SVD）和主成分分析（PCA）
热门推荐
芦金宇的专栏
10-29 1万+
矩阵的奇异值是一个数学意义上的概念，一般是由奇异值分解（Singular Value Decomposition，简称SVD分解）得到。如果要问奇异值表示什么物理意义，那么就必须考虑在不同的实际工程应用中奇异值所对应的含义。 奇异值往往对应着矩阵中隐含的重要信息，且重要性和奇异值大小正相关。每个矩阵都可以表示为一系列秩为1的“小矩阵”之和，而奇异值则衡量了这些“小矩阵”对于的权重。奇异值
主成分分析PCA与奇异值分解SVD1
08-04
PCA（主成分分析）和SVD（奇异值分解）是两种常见的降维技术，它们在数据分析和机器学习中扮演着重要角色。降维是将高维数据转换为低维表示的过程，以减少计算复杂性、提高模型解释性和可视化能力。 1. 维度的理解...
R语言手工实现主成分分析 PCA | 奇异值分解(svd) 与PCA | PCA的疑问和解答
生物信息学专栏(BioMooc)
10-12 1130
PCA的若干变种和代码实现：用svd代替特征值分解，用相关系数矩阵代替协方差矩阵。
PCA(主成分分析) 和 SVD（奇异值分解）
羊老羊
11-01 2068
2021.10.31 强烈推荐： PCA：https://www.bilibili.com/video/BV1E5411E71z SVD: https://www.bilibili.com/video/BV16A411T7zX 本文大多数图均出自这个UP主：同济小旭学长，希望关注一下 参考文章： 方差：https://blog.youkuaiyun.com/wistonty11/article/details/121058645 用
奇异值分解与主成分分析：两种降维方法的比较
AI天才研究院
12-26 888
1.背景介绍 随着数据量的不断增加，高维数据的处理和分析变得越来越困难。降维技术成为了处理高维数据的重要方法之一，它可以将高维数据映射到低维空间，从而减少数据的维度并保留其主要特征。奇异值分解(Singular Value Decomposition, SVD)和主成分分析(Principal Component Analysis, PCA)是两种常用的降维方法，它们都具有较强的降维能力，但在应...
主成分分析与奇异值分解
hector_aries的博客
05-29 3220
主成分分析（Principal component analysis，PCA）由英国统计学家卡尔•皮尔逊于1901年提出。PCA是最经典和应用最广泛的以特征向量分析为基础的多元统计方法，在不同的应用领域中，又被称为奇异值分解、特征值分解、谱分解、Hotelling变换和离散Karhunen-Loeve变换等。 主成分分析通过正交相似性变换，将一组符合多元正态分布的具有多重共线性（图12-15）的变量转换为被称为主成分（PCs）的一组线性非相关的新变量的线性组合，从而起到揭示数据内部结构，以及简化数据维数的
Spark分布式机器学习源码分析：奇异值分解（SVD）与主成分分析（PCA）
大数据之眸
03-29 1233
原理 Spark是一个极为优秀的大数据框架，在大数据批处理上基本无人能敌，流处理上也有一席之地，机器学习则是当前正火热AI人工智能的驱动引擎，在大...
SVD与PCA的问题
SCUT_Sam
03-06 2194
摘要： 继上一篇文章对PCA分析后，这篇文章将介绍一个每提及PCA时，都会提到的名字SVD。 SVD是什么？ SVD，奇异值分解。是属于矩阵分解里面的一种方法。 在谈论SVD之前，其实有必要回忆另外的一种很常用的矩阵分解。 可以看到，对于任意的n×n的对称矩阵A，都存在A=VDVTA=VDVTA=VDV^T。 那么假如矩阵A不是方针那么是否存在类似的分解呢？没错，这个就是SVD...
SVD分解和PCA
Jiajie Y
12-28 621
SVD分解和PCA
降维算法PCA和SVD
m0_50572604的博客
10-30 3724
文章目录前言PCA和SVD1. 降维算法的实现1.1 降维的步骤表格2. PCA,SVD简单概述总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 PCA和SVD 在降维过程中，我们会减少特征的数量，这意味着删除数据，数据量变少则表示模型可以获取的信息会变少，模型的表现可能会因此受影响。同时，在高维数据中，必然有一些特征是不带有有效的信息的（比如噪音），或者有一些特征带有的信息和.
奇异值分解与主成分分析
john_bee的博客
03-13 672
奇异值分解与主成分分析的关联
"主成分分析PCA与奇异值分解SVD的降维算法及可视化
主成分分析（PCA）和奇异值分解（SVD）是常用的降维算法，用于处理高维数据的特征提取和数据压缩。维度在数学和计算机领域中通常指的是数据的特征数量或维度数量，可以理解为数据的属性个数或数据集的列数。降维的...
评论
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