迭代器的描述和使用步骤

iterator接口:迭代器,继承自Collection接口。

主要用途是对集合进行遍历,用迭代器对集合进行遍历相比较于集合的get()方法的好处在于,对于不同的集合泛型不同,而迭代器的泛型会跟着集合的泛型进行变化,所以这一点我们可以不用刻意理会。
iterator接口的主要方法有:

         boolean hasNext()  如果仍有元素可以迭代,则返回 true。
         E next()      返回迭代的下一个元素。

由于iterator是一个接口,无法直接使用,所以要用他的实现类对象。

获取iterator实现类对象的方式比较特殊:
collection接口中有一个iterator方法,这个方法的返回值就是一个iterator对象
迭代器的使用方法:
1.使用collection接口中的iterator方法获取iterator实现类对象,使用iterator接口接收多态(多态)
2.使用iterator中的hasnext()方法判断是否还有下一个元素
3.使用iterator接口中的next()方法取出集合中的下一个元素

示例如下:

//创建一个集合对象
        Collection<String> coll = new ArrayList<String>();
        //往集合中添加元素
        coll.add("沃里克");
        coll.add("汤姆");
        coll.add("加菲猫");
        coll.add("提莫");
        coll.add("霞");
        //iterator迭代器也是有泛型的,泛型的类型跟着集合走
        //1.使用collection接口中的iterator方法获取iterator实现类对象,使用iterator接口接收多态(多态)
        Iterator<String> iterator = coll.iterator();//多态,获取一个迭代器
        //2.使用iterator中的hasnext()方法判断是否还有下一个元素
        boolean b = iterator.hasNext();
        System.out.println(b);//true
        // 3.使用iterator接口中的next()方法取出集合中的下一个元素
        // String next = iterator.next();
        // System.out.println(next);

迭代器的常见使用方法有   while()     循环和   for()    循环两种

1.while()  循环方式

while (iterator.hasNext()) {
            String e = iterator.next();
            System.out.println(e);
        }

当iterator接口的  hasnext() 方法返回值为true时,会执行Iterator接口的  next() 方法,取出集合中的下一个元素,并将集合中的下一个元素指定为next指向的下一个元素。

2.for()  循环方式

        for(Iterator<String> it=coll.iterator();it.hasNext();){
            String s = it.next();
            System.out.println(s);

需要理解的是,如果用 for() 循环实现迭代器,最后的条件时不需要写的,因为执行Iterator接口的  next() 方法后,取出集合中的下一个元素,并将集合中的下一个元素指定为next指向的下一个元素。

刚学完迭代器,第一次写文章,加深一下自己的记忆,也希望帮到大家,谢谢!

  • 5
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
更换数据的方法可以分为以下几个步骤: 1. 准备新的数据集 首先,你需要准备一个新的数据集,包括输入数据和标签。你可以使用 NumPy 数组、Pandas DataFrame 或其他 Python 数据结构来存储数据。确保输入数据和标签的形状和类型与原数据集相同。 2. 定义新的数据 接下来,你需要定义一个新的数据,用于从新的数据集中获取数据。你可以使用 Python 内置的 `zip` 函数将输入数据和标签组合在一起,然后使用 `yield` 语句生成每个样本。具体实现方法可以参考上面的代码示例。 在定义新的数据时,需要注意以下几点: - 需要返回一个生成对象,用于逐个生成每个样本。 - 为了保证模型的训练效果,每个小批量中的样本应该是随机的,即每个样本被选择的概率应该相等。 - 为了保证模型的训练效果,每个小批量中的样本数量应该与原数据集中的小批量数量相同。 3. 使用新的数据训练模型 最后,你需要使用新的数据来训练模型。在训练模型之前,你需要指定新的批量大小、训练轮数等超参数。 在训练模型时,你可以调用 `fit_generator` 方法,并将新的数据作为参数传递进去。具体实现方法可以参考上面的代码示例。 需要注意的是,如果新的数据中包含的样本数量与原数据集不同,可能会影响模型的训练效果。因此,你需要仔细检查新的数据是否符合要求,并在训练模型之前进行必要的数据预处理。 希望这个方法能够帮助你更换数据。如果还有其他问题,请在问题描述中提供更多的信息,我会尽力帮助你解决问题。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
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