20-04-数组去重、统计数组元素、数组交并差集

数组去重

indexof

判断元素是否在数组中,有就返回元素的索引,没有返回-1
新建一个空的结果数组,for循环元素组,判断结果数组是否存在该元素,存在跳过,不存在就push

<script>
    ;(function () {
        function unique(){
            let newArr = [];
            // this表示arr
            for(let i = 0; i<this.length; i++){
                // this[i]表示数组中的每一个元素
                if(newArr.indexOf(this[i]) != -1 ){

                }else{
                    newArr.push(this[i])
                }
            }
            return newArr;
        }
        Array.prototype.unique = unique;
    }())
    let arr = [1,2,3,3,2,1,1,2,5,1,9,10,10,3]; // => [1,2,3]
    let newArr = arr.unique();
    console.log(newArr) // => [1,2,3]
</script>

空对象添加属性

利用对象的属性不能重复的特点(可能有问题,不建议用)

<script>
    ; (function () {
        function unique() {
            let newArr = [];
            let o = {};
            for (let i = 0; i < this.length; i++) {
                var t = this[i]
                if (o[t]) { } 
                else {
                    newArr.push(t);
                    o[t] = true
                }
            }
            return newArr
        }
        Array.prototype.unique = unique
    }())
    let arr = [1, 2, 3, 3, 2, 1, 1, 2, 5, 1, 9, 10, 10, 3];
    let newArr = arr.unique()
    console.log(newArr);
</script>

双重for循环,配合splice去重

<script>
    ; (function () {
        function unique() {
            let newArr = this
            for (let i = 0; i < this.length; i++) {
                for(let j=i+1;j<this.length;j++){
                    if(this[i]==this[j]){
                        newArr.splice(j,1)
                        j--
                    }
                }
            }
            return newArr
        }
        Array.prototype.unique = unique
    }())

    let arr = [1, 2, 3, 3, 2, 1, 1, 2, 5, 1, 9, 10, 10, 3,7];
    let newArr = arr.unique()
    console.log(newArr);
</script>

sort排序

先使用sort() 方法进行排序,然后排序数组进行遍历,比较相邻元素。

<script>
    ; (function () {
        function unique() {
            let arr = this.sort();  // 排序后,把相同的元素放在一起
            let newArr = [arr[0]]
            for (let i = 1; i < arr.length; i++) {
                if (arr[i] !== arr[i - 1]) {
                    newArr.push(arr[i])
                }
            }
            return newArr;
        }
        Array.prototype.unique = unique;
    }())
    let arr = [1,2,3,3,2,1,5,4,2,1,2,4,8,4];
    let newArr = arr.unique();
    console.log(newArr)
</script>

ES6中的set

set学习:https://www.jianshu.com/p/80bf2e6139dc

<script>
    let arr = [1,2,3,3,2,1,1,2,5,1,9,10,10,3];
    let newArr = [...new Set(arr)]
    console.log(newArr)
</script>

let newArr = new […new Set(arr)]

统计数组元素

hasOwnProperty判断自身属性是否存在

<script>
    function fn(arr){
        let obj = {};
        for(let i =0;i<arr.length;i++){
            let t = arr[i];
            if(obj.hasOwnProperty(t)){
                obj[t] +=1;
            }else{
                obj[t]=1
            }
        }
        return obj;
    }
    let arr  = [1,2,3,4,3,2,6,7,3,9,5];
    let res = fn(arr);
    console.log(res);
</script>

数组的交并差集

交集

…展开数组,Set 去重
concat方法用于连接两个或多个数组

<script>
    let arr1 = [1,2,3,3]
    let arr2 = [4,5,6,3,2,4,9]
    function union(arr1,arr2){
        // let res = new Set([...arr1,...arr2])
        let res = new Set(arr1.concat(arr2))
        return res
    }
    console.log(union(arr1,arr2));   
</script>

并集

filter自带遍历 过滤器

<script>
    function  intersection(arr1,arr2) {
        let s1 = new Set(arr1); 
        let s2 = new Set(arr2); 
        let newArr = [...s1].filter(item=>{
            return s2.has(item)
        })
        return newArr;
    }
    let arr1 = [1,2,3]
    let arr2 = [3,4,5]
    console.log(intersection(arr1,arr2));
</script>

差集

<script>
    let arr1 = [1,2,3];
    let arr2 = [3,4,5];  // arr1 - arr2  arr2 - arr1  不一样
    function minus(arr1,arr2) {
        let s1 = new Set(arr1);
        let s2 = new Set(arr2);
        let newArr = [...s1].filter(item=>{
            return !s2.has(item)
        })
        return newArr
    }
    console.log(minus(arr1,arr2))  // [1,2]
    console.log(minus(arr2,arr1))  // [4,5]
</script>
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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