简述Python中"_"的使用常识

彼得林奇的“常识投资“在复杂金融产品中的应用 彼得林奇作为投资界的传奇人物,他所倡导的“常识投资”理念以其简单易懂、贴近生活的特点,受到了广大投资者的喜爱。然而,随着金融市场的不断发展,各种复杂金融产品层出不穷,如结构化金融产品、衍生品等。这些产品往往具有较高的复杂性和风险性,普通投资者在面对它们时常常感到困惑。本文的目的就是探讨如何将彼得林奇的“常识投资”理念应用到复杂金融产品的投资中,帮助投资者更好地理解和应对这些产品,降低投资风险,提高投资收益。本文的范围主要涵盖了常见的复杂金融产品,包括但不限于结构化债券、期权、期货等。 阅读详情

0. 背景

Python里面的下划线“_”使用频率明显比其他主流语言要多的多,而且在Python中,它也有自己独到的用处。本文主要简述:下划线在python中的使用常识。

1. 单下划线-将名称封装到类中

如果想将类中的“私有”数据封装到类的实例上,但是又需要考虑到Python缺乏对属性的访问控制问题。与其依赖语言特性来封装数据,Python程序员们更期望通过特定的命名规则来表达出对数据和方法的用途。

第一个规则是任何以单下划线(_)开头的名字应该总是被认为只属于内部实现。

比如:

class A:
    def __init__(self):
        self._internal = 0  # 前缀加入"_",是类中的一个“内部(internal)”属性
        self.public = 1     # 类中一个“公开(public)”属性

    def public_method(slef):
        '''
        一个public方法
        '''
        pass

    def _internal_method(self):
        '''
        一个内部(internal)方法
        '''
        pass

Python本身并不会阻止其他人访问内部名称。但是如果有人这么做了,则被认为是粗鲁的,而且可能导致产生出脆弱不堪的代码。应该要提到的是,以下划线为前缀的标识也可用于模块名称和模块级的函数。比如,如果见到有模块名以下划线前缀(例如,_socket),那么它就属于内部实现。同样的,模块级函数比如sys._getframe()使用起来也要格外小心。

2. 双下划线-名称重整(name mangling)

我们应该在类定义中也见到过以双下滑线(__)为前缀的名称。例如:

class B:
    def __init__(self):
        self.__private = 0  # 名称重整后为:_B__private

    def __private_method(self):
        '''
        名称重整后为:_B__private_method
        '''
        pass

    def public_method(self):
        self.__private_method()

以双下划线为前缀的名称会导致出现名称重整(name mangling)的行为。这样的属性不能通过继承而覆盖。

具体来说就是上面这个类中的私有属性会被分别重命名为_B__private和_B__private_method。其实类似这样的名称重整的目的就是为了继承——这样的属性不能通过继承而覆盖。

class C(B):

    def __init(self):
        super().__init()
        self.__private = 1 # 此语句不会覆盖B.__private

    ''' 此方法不会覆盖 B.__private_method(),
    因为名称重整后会成名称重整后为:_B__private_method,
    而此函数重整后为: _C__private_method
    '''
    def __private_method(self):
        pass

这里,私有名称__private和__private_method会被重命名为_C__ptvate和_C_private_method,这和基类B中的重整名称不同。

“私有”属性存在两种不同的命名规则(单下划线和双下划线),这一事实引出了一个显而易见的问题:应该使用那种风格?

对于大部分代码而言,我们应该让非公有名称以单下划线开头。但是,如果我们知道代码中会涉及子类化处理,而且有些内部属性应该对子类进行隐藏,那么此时就应该使用双下划线开头。

3. 后缀单下划线-避免关键字冲突

此外还应该指出的是,有时候可能想定义一个变量,但是名称可能会和保留字产生冲突。基于此,应该在名称最后加上一个单下划线以示区别。比如:

lambda_ = 2.0 # 添加后缀下划线_ ,以避免与关键字"lambda"冲突

这里不采用以下划线前缀的原因是避免在使用意图上发生混淆,如果采用下划线开头的形式,那么可能会被解释为私有变量,而不是被认为是避免关键冲突。

彼得林奇的“常识投资“在量化交易时代的价值 在当今金融市场中,量化交易凭借其高效性、精准性和系统性的特点,逐渐成为投资领域的主流方式之一。然而,彼得林奇的“常识投资”理念作为一种基于日常生活经验和直观判断的投资方法,曾经在传统投资领域取得了巨大的成功。本文的目的在于深入分析“常识投资”在量化交易时代的价值,探讨其是否依然具有适用性以及如何与量化交易相结合。研究范围涵盖了“常识投资”的基本原理、量化交易的特点、两者之间的相互关系,以及“常识投资”在实际投资场景中的应用案例等方面。 阅读详情

相关推荐

彼得林奇的“常识投资“在复杂衍生品市场中的应用

在当今金融市场中,复杂衍生品市场日益繁荣且充满挑战。彼得林奇以其卓越的“常识投资”理念在股票市场取得了巨大成功。本研究的目的在于探索将彼得林奇的“常识投资”理念应用于复杂衍生品市场的可行性和有效性。范围涵盖了对“常识投资”理念的深入剖析,复杂衍生品市场的特点和规律,以及如何将两者结合形成有效的投资策略。通过理论分析、算法推导、项目实战和案例研究等方法,全面评估“常识投资”在复杂衍生品市场中的应用价值。

2502_91592937的博客 773

python中“_“用法

python下划线用法

HBT036017的博客 2834

AI Agent Harness Engineering 的“常识”问题:我们离真正的理解还有多远

本文的核心目的,不是简单地吐槽AI Agent的“笨”,而是通过逻辑化、结构化、可视化的分析什么是AI Agent的“常识”?它和我们人类的“生活常识”“物理常识”“社会常识”到底有什么不一样?为什么当前主流的Agent Harness Engineering(也就是给大模型“套上工具链、任务链、世界模型的缰绳”的技术)解决不了真正的常识问题?核心瓶颈在哪里?我们离真正“懂常识”的AI Agent还有多远?有哪些技术路线正在尝试破局?这些路线靠谱吗?本文的研究范围,主要聚焦于。

AI智能探索者的博客 327

Python中的下划线(_)的五种用法

前言 在Python中,下划线(_)是特殊的。如果您是python程序员,对于for _ in range(10),以及__init__(self)的语法可能比较熟悉。 这篇文章将解释什么时候以及如何使用下划线(_),并帮助你理解它。 在Python中有5种使用下划线的情况: 1、用于在解释器中存储最后一个表达式的值。 2、忽略特定的值。 3、给变量名或函数名赋予特殊的意义和功能。 4、用作“国际化(i18n)”或“本地化(l10n)”。 5、将数字的值分开。 在解释器中使用时 python解释器将最后一个

qq_40907977的博客 1万+

python的文件常识

在Windows系统中,文件路径一般使用反斜杠(\)作为分隔符,在Linux和Mac OS X系统中,文件路径一般使用正斜杠(/)作为分隔符。其中,扩展名通常用来表示文件的类型和格式,例如.txt表示文本文件,.jpg表示图像文件,.mp3表示音频文件等。字节(Byte)是计算机存储和传输数据的基本单位之一,通常用来表示字符、数字等信息,也可用于存储图像、音频、视频等多种类型的数据。文件大小:文件大小通常以字节为单位进行计量,1KB等于1024字节,1MB等于1024KB,1GB等于1024MB。

2302_79986066的博客 436

【Ensp】FTP服务器设置和FTP解析

大部分的多媒体多媒体应用协议,如SIP,FTP,NetMeeting协议等,使用约定的固定端口来初始化一个控制连接,再动态地选择端口用于数据传输,并且这些端口选择是不可预测的。在防火墙设置时,可以通过ASPF(应用层报文过滤)中的Server Map表来满足多通道协议的正常工作,它正常检测应用层报文信息,并动态地根据报文内容创建和删除临时的Server Map表项,以允许其它非约定端口通过防火墙。(5)我们可以在路由器或能访问ftp服务器的设备上,通过cli命令行的方式来访问ftp服务器。

进击的小小白 1863

python中“_”的含义

Python中下划线含义

weixin_45896213的博客 1万+

【声纳技术】声呐时间反转镜技术:从被动聚焦到主动空间复用

时间反转镜技术以其独特的物理机制,为水声通信与声呐探测提供了一条绕过传统自适应均衡器的新路径。被动时间反转利用接收端的空间分集实现脉冲压缩,结构简洁、计算高效;主动时间反转则通过发射端预编码,将多径能量引导至目标位置,为多用户下行链路的空间复用奠定了物理基础。从Kuperman等人在海洋中首次验证声学时间反转镜,到TR-MIMO声呐的湖试验证,再到VTRM-CRK多用户通信系统的海试成功,该技术已从理论概念逐步走向工程实用。

u012133341的博客 55

深入理解Python中的“_,”:一个实用的语法特性

在Python编程中,你可能经常会看到一个特殊的标识符“_”。这个符号在Python中有多种用途,其具体含义依上下文而定。本文将探讨其中一种常见用法——作为一个临时性的占位符——并解释它在实际编程中的实用性和应用场景。

qlkaicx的博客 3453

⑤单细胞学习-cellchat组间通讯差异分析

参考:

hx2024的博客 1980

YOLOv8与UNetV2融合:一种面向目标检测与图像分割的混合方法【附核心代码】

我们提出了一种基于YOLOv8和UNetV2相结合的混合架构。该架构利用YOLOv8作为主干进行目标检测,同时在YOLOv8的特征提取过程中,引入UNetV2来进行图像分割任务的增强。在该架构中,YOLOv8负责大范围目标检测和位置预测,而UNetV2则在检测网络的特征图基础上,通过其高效的上下文信息提取和细节恢复能力,进一步优化分割任务。在本文中,我们提出了一种改进YOLOv8的方法,通过引入图像分割网络UNetV2来提高图像分割检测性能。

一键难忘的博客 3526

Python 中下划线的几种用法(_、_xx、xx_、__xx、__xx__)

Python有很多地方使用下划线。在不同场合下,有不同含义,本文就来介绍一下。

tecoes的博客 2058

汽车标定技术(五)--基于模型开发如何生成完整的A2L文件(1)

A2L文件的生成分为两章讲解:本文主要是讲模型开发,讲解如何把标定量、观测量放到链接文件中的指定位置。下一篇讲解如何使用matlab生成完整的A2L文件

认真搞搞汽车MCU 4619

记录学Python的过程中学到的“常识”

1.求偶数:可用判断语句if digital%2=0 2.注意input输出的是字符型,如果是数字就是用int转化:int(input("请输入数字:")) 3.不换行:print("阿巴阿巴",end=""),end后的“”里的内容表示“阿巴阿巴”后的内容 4.换行:print() 5.程序执行完不闪退:在最后定格打input() 未待完续....

m0_73548746的博客 302

多传感器标定:如何统一摄像头、雷达与IMU坐标?

多传感器标定:如何统一摄像头、雷达与IMU坐标?​ ,人工智能,计算机视觉,大模型,AI,本文详细阐述多传感器标定中统一摄像头、雷达与 IMU 坐标的方法。先介绍传感器坐标系统、坐标统一必要性及变换数学基础,再分述摄像头与雷达、IMU 与摄像头、IMU 与雷达的标定原理、步骤、参数计算及结果验证,还讲解了多传感器坐标统一的整体流程,分析了标定常见问题及解决办法,介绍了常用标定工具,结合实际案例说明应用,探讨了标定精度的影响因素、提升方法及发展趋势,为相关领域提供了全面的多传感器标定指导。​

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 12万+

Python 爬虫实战:微博自动化运营工具(点赞 / 转发 / 评论 + 反封号策略)

微博作为中国最大的社交媒体平台之一,拥有庞大的用户群体和丰富的数据资源。通过 Python 爬虫技术,我们可以实现微博的自动化运营,包括点赞、转发、评论等功能,同时采取有效的反封号策略,确保账号的安全和稳定运行。

u014481728的博客 1179

【冷门的Python常识】1. “class 类名(object)“ 的写法为何存在?

【冷门的Python常识】"class 类名(object)" 的写法为何存在?

学习者 2164

数字 IC 笔试面试必考点(1)FPGA 芯片架构

FPGA 芯片架构是非常重要的,如果你不了解 FPGA 芯片内部的详细架构,那么...

新芯设计的博客 2811

入门常识

编程 新手入门常识 对于编程语言的了解: 难学的C语言,非常流行的Java语言,适合初学者的Basic语言,适合网页编程的JavaScript语言等等。 目前接触了python,这是一种计算机程序设计语言,是比较高级的语言。例如完成同一个任务,C语言需要写1000行代码,JAVA需要写100行代码,而python仅仅需要10行代码,但代码量少运行速度慢。 Python是著名的“龟叔”Guido v...

wui0215的博客 287

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

python的基本常识

1. 字符串(string) 1.1 输入字符串 编写字符串时,既可以用单引号( ’ )也可以用双引号( ” ): 对于带有换行符的多行字符串,可以使用三重引号(即 ”’ 或 “”” ): 1.2 访问字符串中的值 Python访问子字符串,可以使用方括号来截取字符串,如下实例: 以上实例执行结果: 1.3 字符串的修改 Python中已存在的字符串本身不可以改变: ...

weixin_44495876的博客 477

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

【口碑】“常识”何时会自动传播

郑昀 20071204 Sologram写了篇《电源插座经济学》,很契合他的自我标识:职业程序员,架构师;业余设计师,经济学家。我恰巧也对经济学和社会心理学感兴趣,所以就此话题展开谈谈。Sologram的同事传递给他一个经验:笔记本的电源应该先插到墙上的插座,然后再连到计算机,不然电源会受到更大的冲击,更容易损坏。但Sologram稍加思索后,并不认同,类比于达尔文理论,这种易犯的错误会在岁月

软件开发资料汇总 588

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")

彼得林奇的“常识投资“在算法交易盛行时代的重要性

在算法交易日益普及的今天,市场环境发生了巨大变化。算法交易利用复杂的数学模型和计算机程序进行快速交易决策,能够在瞬间处理大量数据。然而,这种高度依赖技术和数据的交易方式可能会忽略一些基于人类生活经验和直观判断的信息。彼得林奇的“常识投资”理念强调从日常生活中发现投资机会,关注企业的基本面和实际经营情况。本文的目的在于探讨在算法交易盛行的背景下,“常识投资”理念的重要性和价值,分析其与算法交易的关系,并通过实际案例展示如何将“常识投资”应用于投资实践中。

项目管理的博客 511

McCarthy常识形式化:用Python实现默认推理与非单调逻辑

逻辑推理是人工智能的核心基础,经典逻辑强调结论的单调性——一旦推出便永久成立;然而人类常识推理却充满例外与默认假设。从数据库的封闭世界假设到知识图谱的构建,工程实践早已渗透非单调逻辑思想。John McCarthy提出的限定逻辑通过最小模型语义,为机器在信息不完整时提供可计算的知识表示方案。如今大模型虽擅长语言生成,但在多步推理与事实一致性上仍不稳定,符号推理、规则引擎因此回归混合架构的关键位置。本文从常识形式化原理出发,剖析默认推理与非单调逻辑的数学本质,展示如何用Python实现极简的常识知识库,演示从

weixin_33829657的博客 326

请简述一下Python中列表和集合的区别以及如何使用?

8. **适配器模式**:适配器模式是一种设计模式,用于将一个类的接口转换为另一个类的接口,以便于使用不同的客户端。另外,列表和集合的用法也会根据具体的需求而有所不同。3. **Set接口**:这是一个不允许重复元素的集合,它主要用于存储不重复的数据。6. **Iterator接口**:这是用于遍历集合的迭代器接口,它提供了遍历集合的方法,并允许在遍历过程中删除或修改元素。1. **Collection接口**:这是所有集合类的基类,它定义了集合中数据元素的一般行为,如添加、删除和查找元素等。

m0_58956056的博客 783
上一篇: Unity使用JsonFx进行JSON (反)序列
下一篇: Unity3D/Plugins实现IOS设备二维码扫描功能
tab_space
博客等级 码龄11年 91粉丝 29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