Android之Android Studio常用插件

本文介绍了Android Studio的一些常用插件,如Codota,它提供了丰富的代码实例。此外,文章还提到了解决模拟器运行问题的方法,包括安装和启用Intel HAXM。对于Android开发,还推荐了一个Parcelable生成器插件,简化了Parcelable接口的实现。同时,分享了Android Studio的个性化设置,包括字体、代码风格和快捷键的调整,旨在提升开发效率。

Android Studio常用插件


功能: 将光标停留在Activity中onCreate方法中setContentView方法的xml文件的名称上,按下Alt+Insert,就可以选择Generate ButterKnife Injections,能快速的生成 ViewHolder和视图注入
AS中Settings–>Plugins–>搜索关键字【ButterKnife】即可。



官网 https://www.codota.com/

该网站搜集了大量的代码,号称超过700W的代码实例。 
它提供了chrome插件和as插件


chrome插件安装成功之后,在浏览器新标签页的地址栏中 输入【cod】,然后TAB键 ,即可进行搜索。

按照同样的方式安装【codota】插件之后,重启AS。使用快捷键[ctrl + k],即可打开搜索界面,如果你的快捷键有冲突,随便打开一个界面,然后右键就可以看到【Search Cotoda】选项。

输入搜索内容之后,回车,在右侧会展开搜索结果的列表:

点击头像处即可登录。不过首次点击,会跳转到浏览器获取token,然后在AS里面授权即可。这样就可以把一些用得到的代码块保存到codota。

如果你没有真机测试的话,建议使用Genymotion,方便快捷。使用AS开发的时候需要安装genymotion插件。 
使用同样的方式安装此插件之后,在工具栏上会有一个图标。

运行之前需要先点击此图标选中你的模拟器运行起来。

相信不少人遇到模拟器运行不起来的问题。类似于这种问题: http://ask.youkuaiyun.com/questions/200695

大部分原因都是没有安装或者开启intel虚拟加速功能。

安装HAXM


进入cmd,输入命令【sc query intelhaxm】查看intelhaxm状态。没有开启的话,输入【sc start intelhaxm】即可进行开启。


此插件可以快速进行Log、Toast、isEmpty的代码书写。

移动端与服务器进行数据交互一般都是通过json数据格式。我们通常都是通过对照接口文档编写一个实体类。当遇到json数据字段较多或者结构比较复杂的时候,编写bean的时候也是比较麻烦。 
通过gsonformat这个工具,可以快速将一个json串转成实体类。
这是一款可以将JSON字符串转换成JavaBean实体类,用过FastJSON或GSON的都知道,JSON可以转换成对应的实体对象,非常方便。新建一个Class,在其中选择Alt+Insert,选择GsonFormat,在其中粘贴你的JSON字符串,即可生成对应JavaBean。



Android Parcelable code generate:

Parcelable生成器,使用方法:在类中按下Alt+insert,选择Parcelable即可。建议将属性private final,然后通过构造方法进行赋值,或者不final,提供set方法。get方法是必须要有的


SelectorChapek for Android:
为图片资源生成Selector,只要图片资源命名得当,右键存放图片的drawable文件夹,选择Generate Android Selector,即可在drawable文件夹下生成对应的drawable。
命名规则:
文件名称后缀  状态
_normal  默认,也就是不点击时的效果
_pressed  state_pressed
_focused  state_focused
_disabled  state_enabled (false)
_checked  state_checked
_selected  state_selected
_hovered  state_hovered
_checkable  state_checkable
_activated  state_activated
_windowfocusedstate_window_focused

android studio 安装完后,我的习惯是要做一些设置,Ctrl+Alt+S是打开设置的快捷键,也可以File+Settings。

(1)首先要修改的字体,在设置界面搜索Fonts,找到字体设置后,在Scheme选择Default,然后在此基础上Save As,保存自己的字体设置,然后就可以根据需要进行设置了。

(2)第二个要修改的是代码风格,有人喜欢Java的风格,有人喜欢C++的风格,可以在设置中搜索Code Style,选择Manage,在Default的基础上,Save As自己的风格,基本上代码风格都在Wrapping and Braces中设置就可以了,其他的选项页卡有兴趣的也可以看看。在左边修改,就能在右边看到修改后会发生什么,AS这点也很不错,你修改了什么,右边会自动定位到受影响的位置,很不错。

(3)第三个是快捷键,Eclipse中毒太深的小朋友有福了,因为AS提供了Eclipse的大部分快捷键,在设置中选择Keymap,就可以选择Eclipse copy这个选项,另外AS还提供了许多其他的IDE的快捷键供选择,非常的人性化。不过我发现就算选择了Eclipse copy,也只是能使用大部分的快捷键而已,比如关闭当前窗口,Eclipse是Ctrl+W,而AS选择了Eclipse的快捷键后,也还是Shift+鼠标左键单击,所以可以在Keymap中搜索:close,就可以找到Editor Tabs下的Close,双击即可修改。以此类推,其他的快捷键也可以通过这样的方式快捷修改。或者直接在搜索引擎中搜索对应的快捷键。

插件安装完成都需要重启AS。


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国内外研究现状分析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,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构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网络安全与数据保护理论讨论网络安全威胁、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构,确定字段类型、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系统性能测试与分析对系统进行性能测试,分析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,其结果对机构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。在信贷分析中,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、模型构建、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类任务的线性模型,特别适用于二类问题。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。在信用分析中,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、模型构建与验证 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。 资源来源于网络分享,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