4.09学习笔记 原生js 实现淡入淡出效果

原生js 实现淡入淡出

淡出

/*
* 函数picOut 实现淡出功能
* 参数 ele 节点
*     spe 时间  默认 20ms
*     opac 透明度 默认值0
* 返回值:无
*
* */
function picOut(ele, spe, opac) {
	//透明度从100开始减
	var op = 100;
	// 改变的速度 默认值为20ms
	spe = spe || 20;
	// opac 最终元素的透明度值 默认为0
	opac = opac || 0;
	// 给元素添加样式
	ele.style.opacity = opac / 100;
	function changeOpacity() {
	// 给元素添加样式
		ele.style.opacity = op / 100;
		// 每次减少的值 可以根据需要调试
			op -= 5;
			if (op >= opac) {  // 判断值
				setTimeout(changeOpacity, spe);// 每隔spe ms调用一次函数
			} else if (op < 0) {  // 当小于0 的时候 元素隐藏
				ele.style.display = 'none'
			}
		}
	changeOpacity()
}

淡入

/*
* 函数picIn 实现淡入功能
* 参数 ele 节点
*     spe 时间  默认 20ms
*     opac 透明度 默认值0
* 返回值:无
*
* */
function picIn(ele, spe, opac) {
	//透明度从0开始加
	var op = 0;
	// 改变的速度 默认值为20ms
	spe = spe || 20;
	// opac 最终元素的透明度值 默认为 100
	opac = opac || 100;
	// 给元素添加样式
	ele.style.display = 'block';//让元素显示
	ele.style.opacity = opac / 100;
	function changeOpacity() {
	// 给元素添加样式
		ele.style.opacity = op/ 100;
		// 每次增加的值 可以根据需要调试
		op += 5;
		if (op <= opac) {  // 判断值
			setTimeout(changeOpacity, spe)// 每隔spe ms调用一次函数
		}
	}
	changeOpacity()
}


  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,以下是一份示例数据和相应的 R 代码,用于在二分类差异基因中筛选关键基因: 数据表格格式: | Gene | Sample1_Control | Sample1_Disease | Sample2_Control | Sample2_Disease | Sample3_Control | Sample3_Disease | Class | |-------|----------------|----------------|----------------|----------------|----------------|----------------|-------| | Gene1 | 3.56 | 4.18 | 2.78 | 2.91 | 3.15 | 3.97 | 0 | | Gene2 | 3.21 | 3.87 | 3.01 | 2.81 | 2.95 | 3.54 | 0 | | Gene3 | 4.03 | 4.19 | 3.83 | 3.98 | 4.09 | 4.16 | 1 | | Gene4 | 2.83 | 3.09 | 2.92 | 2.77 | 2.99 | 3.01 | 0 | | Gene5 | 4.18 | 4.05 | 3.78 | 3.93 | 4.08 | 4.01 | 1 | 其中,Gene 列是基因名称,Sample1_Control、Sample2_Control、Sample3_Control 列是对照组样本的基因表达值,Sample1_Disease、Sample2_Disease、Sample3_Disease 列是疾病组样本的基因表达值,Class 列是样本类别(0 或 1)。 以下是相应的 R 代码: ```R # 导入所需库 library(e1071) # 导入数据 data <- read.csv("data.csv") # 划分训练集和测试集 set.seed(123) trainIndex <- createDataPartition(data$Class, p=0.7, list=FALSE) trainData <- data[trainIndex,] testData <- data[-trainIndex,] # SVM 模型训练 svm_model <- svm(Class ~ ., data = trainData, kernel = "linear", cost = 1) # 获取关键基因 key_genes <- rownames(trainData)[svm_model$index] # SVM 模型预测 y_predict <- predict(svm_model, testData[,-ncol(testData)]) # 模型评估 table(testData$Class, y_predict) ``` 这段代码使用了 SVM 模型对示例数据进行了二分类,其中使用 `read.csv` 函数导入了数据,使用 `createDataPartition` 函数划分了训练集和测试集。使用 `svm` 函数训练了一个线性 SVM 模型,使用 `svm_model$index` 获取了支持向量的索引,从而获取了关键基因。使用 `predict` 函数预测了测试集的标签,最后使用 `table` 函数对预测结果进行了评估。在实际应用中,你可以根据具体的数据集和问题进行调整和优化。
评论 1
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