arcims开发经验总结(1) (aimsLayers.js 文件变量含义)

本文详细介绍了地图图层配置的各项参数及其用途,包括图层数量、类型、可见性、显示范围、比例尺限制等,并解释了如何设置图层字段信息。

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

var layerCount = 0;//图层数量

var LayerName = new Array();//图层名称
var LayerID = new Array();      //ID
var LayerVisible = new Array(); //是否可见
var LayerType = new Array();    //图层类型    
var LayerIsFeature = new Array();//是否为矢量图层 
var LayerExtent = new Array();   //图层显示范围    以|分界的字符串
var LayerMinScale = new Array();  //最小比例
var LayerMaxScale = new Array();  //最大比例
var LayerRenderString = new Array(); //没用

var LayerShapeField = new Array();   //SHAPE字段的名称  为  #SHAPE#
var LayerIDField = new Array();      //主键 字段名称   MAPUSER.  .OBJECTID
var LayerFieldList = new Array();          //字段名称 以 , 隔开的字符串
var LayerFieldTypeList = new Array();        //字段类型 以 , 隔开的字符串
var LayerFieldSizeList = new Array();        //字段长度 以 , 隔开的字符串
var LayerFieldPrecisionList = new Array();   //精确度   以 , 隔开的字符串

var LayerFields = new Array();         //活动图层的字段名称
var LayerFieldType = new Array();      //活动图层的字段类型
var LayerFieldCount=0;                 //活动图层的字段数量
var ActiveLayer="";                    //活动图层的ID
var ActiveLayerType="";                //活动图层的类型

var layerLeft = 0;                     //没用
var layerRight = 0;                    //没用
var layerTop = 0;                      //没用
var layerBottom = 0;                   //没用

var fieldIndex = 0;                    //没用
var FeatureLayerCount = 0;             // 矢量层的数量

// field aliases arrays
var AliasFieldName = new Array();      //没用 
var AliasFieldAlias = new Array();     //没用 
var LayerListOpen=false;
var queryOpen = false;
var displayLayerInfoButton=false;
var setLayerVisible = new Array();

基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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