刷题手记

本文深入探讨了C++中的几个关键概念,包括前置与后置递增的区别、友元函数的正确使用方式、内存区域划分、拷贝构造函数的工作原理、重载与覆盖的区别以及指针类型的理解。通过具体的例子帮助读者更好地理解和掌握这些概念。

主要是牛客网上的题目,对于一直以来模棱两可的一些概念做个记录

1 x++ v.s. ++x

假定下列 x 和 y 均为 int 型变量,则不正确的赋值为( )。

++x=++y
x++=y++

常见考++的一般放等式右边,看到这个有点懵。不能赋值,等式左边应为非变量。从常规的自增自减前后缀区别来理解,后缀操作用到的值为改变之前的值,是一个中间变量,所以不能被当作左值;而前缀操作直接生效,返回值为变量本身。

++x 与 x++ 假定x的定义为 int x=0;,那么前者是 lvalue,后者是rvalue。前者修改自身值,并返回自身;后者先创建一个临时对像,为其赋值,而后修改x的值,最后返回临时对像。

关于表达式左右值 http://blog.youkuaiyun.com/dbzhang800/article/details/6663353

课堂上(只上过c语言)没有提到两种++操作各自返回什么值,但是c++中有运算符重载,而且对于两种++操作是不同的。

找了一个运算符重载的博客,定义前后缀自增自减如下:

Point operator++();//成员函数定义自增
const Point operator++(int x); //后缀可以返回一个const类型的值
friend Point operator--(Point& p);//友元函数定义--
friend const Point operator--(Point& p,int x);//后缀可以返回一个const类型的值

与普通类型的自增自减操作有些类似,前缀返回自身,但是后缀返回常量?
话说后缀表达式要多一个参数?

2 友元函数访问对象中的成员可以不通过对象名

错误。

友元函数里不含有this指针,所以要加对象名。

3 内存存放区域

1、栈区(stack)— 由编译器自动分配释放 ,存放为运行函数而分配的局部变量、函数参数、返回数据、返回地址等。
2、堆区(heap) — 一般由程序员分配释放, new, malloc之类的,若程序员不释放,程序结束时可能由OS回收 。
3、全局区(静态区)(static)— 存放全局变量、静态数据、常量。程序结束后由系统释放。
4、文字常量区 — 常量字符串就是放在这里的。程序结束后由系统释放。
5、程序代码区 — 存放函数体(类成员函数和全局函数)的二进制代码。

int a=0;
class someClass{
int b;
static int c;
};
int main(){
int d=0;
someClass *p=new someClass();
return 0;
}

4 拷贝构造函数

初始化列表形式

对象以值传递的方式作为函数的参数、返回值以及对象赋值时会调用拷贝函数。

默认拷贝构造函数没有处理静态数据成员。

如果类中有指针类型需要动态分配存储空间的需要重写构造函数,不然这些指针会指向同一块内存。

http://blog.youkuaiyun.com/lwbeyond/article/details/6202256/
初始化列表 http://www.cnblogs.com/graphics/archive/2010/07/04/1770900.html

(1)
class classA {…};
class classB
{
public:
classB(classA a) {mA = a;}
private:
classA mA;
};
(2)
class classA {…};
class classB
{
public:
classB(classA a): mA(a) {}
private:
classA mA;
};
两种实现的效率问题?
答案是2的效率更高,第一种先调用 a的默认构造函数,在调用operator=赋值函数,第二中直接调用复制构造函数。

(2)是以初始化列表的方式赋值的,

effective C++第二版的第12条指出,在调用构造函数中的操作之前,C++会先调用每个成员构造函数,如果不存在初始化列表,则会调用成员类型的默认构造函数,再调用operator=;初始化列表存在,则用初始化列表中的值调用成员类型对应的构造函数。

5 重载 覆盖 隐藏

a.成员函数被重载的特征:
(1)相同的范围(在同一个类中);
(2)函数名字相同;
(3)参数不同;
(4)virtual 关键字可有可无。
b.覆盖是指派生类函数覆盖基类函数,特征是:
(1)不同的范围(分别位于派生类与基类);
(2)函数名字相同;
(3)参数相同;
(4)基类函数必须有virtual 关键字。
c.“隐藏”是指派生类的函数屏蔽了与其同名的基类函数,规则如下:
(1)如果派生类的函数与基类的函数同名,但是参数不同。此时,不论有无virtual关键字,基类的函数将被隐藏(注意别与重载混淆)。
(2)如果派生类的函数与基类的函数同名,并且参数也相同,但是基类函数没有virtual 关键字。此时,基类的函数被隐藏(注意别与覆盖混淆)

6 原生指针

A. 原生指针
就是最普通的指针,定义类似: 类型 *变量名;
与之对比的是使用上有类似指针的功能 实际并不是指针。比如:迭代器
[一个类重载 *和->操作符 那么可以像指针一样使用 但是这种并不是原生的]
B. 泛型指针
第一种就是 void *指针 可以指向任意的数据结构 因此可以称为”泛型”。
第二种就是指具有指针特性的泛型数据结构 如:泛型迭代器和接下来要说的智能指针。
C. 智能指针
C++中没有自动回收内存的机制,因此出现了智能指针。
一般我们将一个指针封装到一个智能指针类中,该类中有一个引用计数器。
对指针的复制等操作会使引用计数+1,delete操作会使引用计数-1。
计数=0时,指针=NULL。

REF

SpringBoot智能在线预约挂号系统研究AI更换标第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。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