简单记录,多级列表的实现。

有时需要一个多级列表结构来显示内容,google只提供了listview 单级列表和ExpandableListView二级列表(我所知),基于这些自己修改,可以实现简单的多级列表。

 

刚写的小demo,还很不完善基于listview来实现多级列表(参考了网上的思路,也有用ExpandableListView)。

layout只是简单的listview的layout。

一个属性类

class Connection {
	boolean hasChild = false;// 是否有子节点
	int level = 0;// 级别,左缩进,0为最高级
	long id = -1;// 标识 -1为err
	boolean isExpansion = false;// 展开状态
}

每个item拥有如上属性来判断他的显示内容和ui状态。

根据此属性,在adapter中的getview方法中实现显示(没有添加view不为空时的判断,效率低)。

	public View getView(int position, View convertView, ViewGroup parent) {
		LayoutInflater inflater = LayoutInflater.from(mContext);
		View v = inflater.inflate(R.layout.company_list, null);
		Connection c = mConnections.get(position);
		v.setTag(R.id.company_list_image, c.level);
		v.setTag(R.id.company_list_text, position);
		v.setTag(R.id.companys_list, c);
		TextView text = (TextView) v.findViewById(R.id.company_list_text);
		text.setText(c.id + "");
		ImageView image = (ImageView) v.findViewById(R.id.company_list_image);
		v.setPadding(c.level * v.getPaddingLeft()*mLeftScan, 0, 0, 0);
		if (!c.hasChild) {
			image.setVisibility(View.INVISIBLE);
		} else {
			image.setVisibility(View.VISIBLE);
			if (c.isExpansion) {
				image.setImageResource(R.drawable.arrow_right);
			}else {
				image.setImageResource(R.drawable.arrow_bottom);
			}
		}
		return v;
	}
此时,如果已经预先设置了一些值,这个多级列表已经可以正确显示。最后还缺少监听控制。

OnItemClickListener itemClickListener = new OnItemClickListener() {

		@Override
		public void onItemClick(AdapterView<?> arg0, View arg1, int arg2,
				long arg3) {
			ArrayList<Connection> connections = mAdapter.getConnections();
			ArrayList<Connection> mConnections2 = new ArrayList<Connection>();
			Connection c = (Connection) arg1.getTag(R.id.companys_list);
			if (c == null) {
				return;
			}

			if (c.hasChild) {
				int level = c.level;
				int pos = connections.indexOf(c);
				boolean isCheck = true;
				if (c.isExpansion) {
					// 收缩
					c.isExpansion = false;

					for (int i = 0; i < connections.size(); i++) {
						if (isCheck) {
							if (i > pos && connections.get(i).level > level) {
								continue;
							}
						}
						if (i > pos) {
							isCheck = false;
						}
						mConnections2.add(connections.get(i));

					}

				} else {
					// 展开
					c.isExpansion = true;
					ArrayList<Connection> c2 = new ArrayList<Connection>();
					int pos2 = (mConnections.indexOf(c) + 1);
					int level2 = -1;
					for (int i = pos2; i < mConnections.size(); i++) {
						if (mConnections.get(i).level > level) {
							c2.add(mConnections.get(i));
							if (!mConnections.get(i).isExpansion) {
								level2 = mConnections.get(i).level;
								for (int j = (i + 1); j < mConnections.size(); j++) {
									if (mConnections.get(j).level > level2) {
										i++;
									} else {
										break;
									}
								}
							}

						} else {
							break;
						}
					}
					for (int j = 0; j < connections.size(); j++) {
						mConnections2.add(connections.get(j));
						if (j == pos) {

							for (int i = 0; i < c2.size(); i++) {
								mConnections2.add(c2.get(i));
							}
						}
					}
				}
				mAdapter.setConnections(mConnections2);
				mAdapter.notifyDataSetInvalidated();
			} else {
				
			}
		}
	};

计算部分很混乱,只是个小demo就先这样。

最好封装为一个view(监听和adapter都写里面)这样使用的时候直接把文件copy过来设值、调用就行了。

粗糙的效果图








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 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