Stream初步应用

一、什么是stream

  Stream(流)是一个来自数据源的元素队列并支持聚合操作,数据来源可以从inputstream,数组,集合中获取;聚合操作可以类似SQL语句一样的操作, 比如filter, map, reduce, find, match, sorted等。

二、stream基本方法的使用

public class StreamRefer {

    public List<String> names = new ArrayList<>();
    /**
     * 流获取方式
     */
    @Test
    public void testGetStream(){
        //流的获取
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        //方式一:通过集合的stream方法获取
        Stream stream1 = names.stream();
        System.out.println(stream1);

        //方式二:通过stream的of方法获取
        Stream stream2 = Stream.of(names);
        System.out.println(stream2);

        //方式三:通过parallelStream来创建并行流
        Stream stream = names.parallelStream();
        System.out.println(stream);

    }

    /**
     * 流的方法测试
     */
    @Test
    public void testStreamMethodForeach(){
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        Stream<String> nameStream = names.stream();
        //void forEach(Consumer action)对流进行循环操作,输入一个参数,无参数输出,无法流式编程
        nameStream.forEach(s-> System.out.println(s.toUpperCase()));
    }

    @Test
    public void testStreamMethodFilter(){
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        Stream<String> nameStream = names.stream();
        //filter(Predicate p) 返回一个与给定判断条件匹配的元素组成的流,接受一个输入参数,返回一个booleal值,可以流式编程
        nameStream.filter(s->s.length()>4).forEach(System.out::println);
    }

    @Test
    public void testStreamMethodCount(){
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        Stream<String> nameStream = names.stream();
        //count() 返回一个参数流的个数
        System.out.println(nameStream.count());
    }

    @Test
    public void testStreamMethodLimit(){
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        Stream<String> nameStream = names.stream();
       /*
        * Stream limit(long maxSize) 获得流中前 maxSize 个元素,将元素添加到另一个流中返回
        *如果 maxSize 大于等于当前流的元素个数,则所有元素都会获取到
        *如果 maxSize 等于 0,则会获得一个空流。
        *可以流式编程
        */
       //1.获取前面几个流,当为0是为空流但不会为null
        Stream<String> limitStream = nameStream.limit(0);
        System.out.println(limitStream);
        limitStream.forEach(System.out::println);
        //2.获取前面几个流,当为大于size返回整个流
        Stream<String> limitStreamWhole = nameStream.limit(5);
        limitStreamWhole.forEach(System.out::println);
        //3.获取前面几个流,当为小于于size大于0返回整个流
        Stream<String> limitStreamPart = nameStream.limit(2);
        limitStreamPart.forEach(System.out::println);
    }


    @Test
    public void testStreamMethodSkip(){
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        Stream<String> nameStream = names.stream();
        //跳过前面几个,可以流式编程
        nameStream.skip(1).forEach(System.out::println);
    }

    @Test
    public void testStreamMethodMap(){
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        List<String> values = new ArrayList<>();
        values.add("张三");
        values.add("李四");
        Stream<String> nameStream = names.stream();
        Stream<String> valueStream = values.stream();
        // Stream concat(Stream a,Stream b)两个流合并返回一个新的流
        Stream.concat(nameStream,valueStream).forEach(System.out::println);
    }

    @Test
    public void testStreamMethodConcat(){
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        Stream<String> nameStream = names.stream();
        //map(Function mapper) 该接口需要一个 Function 函数式接口参数,可以将当前流中的 T 类型数据转换为另一种 R 类型的流。
        nameStream.map(name -> name.length()).forEach(System.out::println);
    }

    @Test
    public void testStreamMethodSort(){
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        Stream<String> nameStream = names.stream();
        //sorted(Comparator<? super T> comparator)排序
        nameStream.map(name -> name.length()).sorted().forEach(System.out::println);
    }

    @Test
    public void testStreamMethodCollect(){
        names.add("zhangsan");
        names.add("lisi");
        names.add("wangwu");
        //collect(toList())将流转成集合
        List<Integer> convertCoinTypes = names.stream().map(coinType -> coinType.length()).collect(toList());
        convertCoinTypes.forEach(System.out::println);
    }
    
}

  

三、stream总结

  注意点:①在流式编程中一样需要符合lambda表达式对域的规范;

      ②流式编程可以简化我们的编码风格。

【6层】一字型框架办公楼(含建筑结构图、计算书) 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。
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。
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。
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