JS函数,数组,日期

函数是JS的一个重点,函数就是代码复用的一种机制或是将代码封装成功能的代码段,函数一共有两种定义方式
函数声明的方式定义一个函数
function + 函数名:一般用单词的动词,例如getMax... +参数列表:此处一般是形参也可以是一个函数){
函数体:可执行的代码
函数后面可以有一个return;(return后面加上需要返回的值,如果没有写return或者return后面没有写返回值,那么函数最后返回undefined,当没有return的时候,函数只是为了执行代码,return语句下面不要加代码,因为不会执行)
}
推荐的做法是让函数始终返回一个值,要么就不要返回,如果返回多个值,可以放在数组或对象里。
匿名函数:像赋值运算符后面的这种没有名字的函数叫做匿名函数。一般多用于绑定事件的时候。
var + 变量:例如a,b,c... =function(参数){
函数体;
return ...;
}
两种函数的共同点是:都可以执行调用
不同点是:函数声明的函数是用函数名来调用,JS有预解析的功能,预解析的时候函数声明的函数可以提升到作用域的最前面
而函数表达式没有名字,需要使用的时候用变量来调用,当JS预解析时,变量的声明(仅仅只是声明).函数的声明.参数会提示到作用域最前面,这样会造成函数表达式无法运行。
在JS中是没有块级作用域的,只有全局作用域和局部作用域,全局作用域就是同一个script标签之间的区域,所有变量都能在作用域任何一个地方使用,函数内没有用var 声明的变量也属于全局变量。而局部作用域就是指一个函数里的区域。

为了简写,有了一个自执行函数:
举例:var sum =function(a,b){
return a+b;
}
它的自执行函数就是
(Function(a,b){
Return a+b;
}( ));
或者(Function(a,b){
Return a+b;
})( );
此处函数最后面的;不能省略
还有一种回调函数,就是把函数写在参数里进行引用。
JS中的数据类型分为两种,一种是简单数据类型,比如number ,string ,boolean ,null ,undefined,其中boolean一共就两个数据类型,null和undefined是比较特殊的类型,只有一个。
第二种是复杂数据类型,就是指对象,现在接触到的有Array ,Date,function
开发者还开发一些比较特殊的函数,Math就是其中一个,Math的使用就是函数的提取,常用的有
Math.pow(x,y);x的y次幂
Math.round(四舍五入,小数);
Math.ceil(向上取整,小数);
Math.floor(向下取整,);
Math.max(x,y,z...);
Math.min(x,y,z...);
Math.random();生成一个[0,1)的随机数,1是取不到的
以上是函数的一些内容,下面还将介绍日期Date的使用,
Var date=new Date();命名和数组有点像
console.log(date);=console.log(date.toString);第一种写法内部默认调用了toString
Console.log(date.valueOf());会打印出一个13位的数字,指的是从1970年1月1日00时00分00秒000毫秒开始计算的毫秒,1000毫秒=1秒
外国人一般用date.toDateString表示日期,用toTimeString表示当天时间;像我们在中国也有另外一个方法,date.toLocalDateString表示日期,toLocalTimeString表示时间,这样打印出来的时间和日期更贴合中国人的审美
var date = new Date(2016,6,31); 外国人的计算方式,月份是从0开始
var date = new Date("2016-07-31");
var date = Date.parse("2016-07-32") ; // 解析

var date = Date.now(); //TTML5里有的方法,IE9之后的浏览器才支持
var date = +new Date(); // 用的最广泛的,各浏览器都支持的
console.log(date);
Var date=new Date(2016,8,1);
可以接受三种参数:
2016,8,1日期的每一部分 这个是外国人的计算方式,月份从0开始
“2016-8-1”字符串的日期格式
表示日期的毫秒形式 十三位数字
如果不是以上三种方式,那么返回NaN

日期格式化
getTime() 返回毫秒数和valueOf()结果一样
getMilliseconds()
getSeconds() 返回0-59
getMinutes() 返回0-59
getHours() 返回0-23
getDay() 返回星期几 0周日 6周6 0--6
getDate() 返回当前月的第几天,当月的几号
getMonth() 返回月份,从0开始
getFullYear() 返回4位的年份 如 2016

 

第三部分是Array,即数组
两种创建数组的方式:
Var arr=[ ];
Var arr=new Array[ ];
.length表示数组的长度,例:var arr=[“a”,”b”,”c”,”d”];
Length就是4,arr[0]=”a”,arr[1]=”b”
转换数组:把数组转换成字符串.toString
返回数组对象本身.valueOf()
操作数组:join() 括号里面可以写用什么隔开数组,例如:join(“*”)
Concat 例如:var arr=[12,23]; var arr1=[34,56];
Var arr2=arr.concat(arr1); console.log(arr2);
arr2=[12,23,34,56];arr和arr1不变

数组的追加删除前项后项
push() 添加到数组的
pop() 删除数组的最后一项
shift() 删除数组的最前一项
unshift() 添加到数组的最前面

转载于:https://www.cnblogs.com/sw1990/p/5727163.html

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