18、使用reduce进行时间累加

最新推荐文章于 2022-07-01 16:18:51 发布
最新推荐文章于 2022-07-01 16:18:51 发布
阅读量488 收藏
点赞数
分类专栏： 原生JavaScript练习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37152533/article/details/108792239
版权

目标

一个包含多个列表项的无序列表元素，每一个列表项均添加了data-time属性，该属性用分和秒表示了时间。要求将所有的时间累加在一起，并用时:分:秒来表示计算的结果。

代码

<!DOCTYPE html>
<html lang="en">

<head>
  <meta charset="UTF-8">
  <title>Videos</title>
</head>

<body>
  <div id="totaltime"></div>
  <ul class="videos">
    <li data-time="5:43">
      Video 1
    </li>
    <li data-time="2:33">
      Video 2
    </li>
    <li data-time="3:45">
      Video 3
    </li>
    <li data-time="0:47">
      Video 4
    </li>
    <li data-time="5:21">
      Video 5
    </li>
    <li data-time="6:56">
      Video 6
    </li>
    <li data-time="3:46">
      Video 7
    </li>
    <li data-time="5:25">
      Video 8
    </li>
    <li data-time="3:14">
      Video 9
    </li>
    <li data-time="3:31">
      Video 10
    </li>
    <li data-time="5:59">
      Video 11
    </li>
    <li data-time="3:07">
      Video 12
    </li>
    <li data-time="11:29">
      Video 13
    </li>
    <li data-time="8:57">
      Video 14
    </li>
    <li data-time="5:49">
      Video 15
    </li>
    <li data-time="5:52">
      Video 16
    </li>
    <li data-time="5:50">
      Video 17
    </li>
    <li data-time="9:13">
      Video 18
    </li>
    <li data-time="11:51">
      Video 19
    </li>
    <li data-time="7:58">
      Video 20
    </li>
    <li data-time="4:40">
      Video 21
    </li>
    <li data-time="4:45">
      Video 22
    </li>
    <li data-time="6:46">
      Video 23
    </li>
    <li data-time="7:24">
      Video 24
    </li>
    <li data-time="7:12">
      Video 25
    </li>
    <li data-time="5:23">
      Video 26
    </li>
    <li data-time="3:34">
      Video 27
    </li>
    <li data-time="8:22">
      Video 28
    </li>
    <li data-time="5:17">
      Video 29
    </li>
    <li data-time="3:10">
      Video 30
    </li>
    <li data-time="4:43">
      Video 31
    </li>
    <li data-time="19:43">
      Video 32
    </li>
    <li data-time="0:47">
      Video 33
    </li>
    <li data-time="0:47">
      Video 34
    </li>
    <li data-time="3:14">
      Video 35
    </li>
    <li data-time="3:59">
      Video 36
    </li>
    <li data-time="2:43">
      Video 37
    </li>
    <li data-time="4:17">
      Video 38
    </li>
    <li data-time="6:56">
      Video 39
    </li>
    <li data-time="3:05">
      Video 40
    </li>
    <li data-time="2:06">
      Video 41
    </li>
    <li data-time="1:59">
      Video 42
    </li>
    <li data-time="1:49">
      Video 43
    </li>
    <li data-time="3:36">
      Video 44
    </li>
    <li data-time="7:10">
      Video 45
    </li>
    <li data-time="3:44">
      Video 46
    </li>
    <li data-time="3:44">
      Video 47
    </li>
    <li data-time="4:36">
      Video 48
    </li>
    <li data-time="3:16">
      Video 49
    </li>
    <li data-time="1:10">
      Video 50
    </li>
    <li data-time="6:10">
      Video 51
    </li>
    <li data-time="2:14">
      Video 52
    </li>
    <li data-time="3:44">
      Video 53
    </li>
    <li data-time="5:05">
      Video 54
    </li>
    <li data-time="6:03">
      Video 55
    </li>
    <li data-time="12:39">
      Video 56
    </li>
    <li data-time="1:56">
      Video 57
    </li>
    <li data-time="4:04">
      Video 58
    </li>
  </ul>
 
  <script>
    var oLi = document.getElementsByTagName('li');
    var sum = Array.from(oLi).map(element => {
      var timeItem = element.dataset['time'].split(':');
      return parseInt(timeItem[0],10)*60+parseInt(timeItem[1],10);
    }).reduce(function (a, b) {
      return a + b;
    }, 0);
    let time  = new Date(sum*1000);
    // getHours() 方法根据本地时间，返回一个指定的日期对象的小时,这里自动加上了东八区的8个小时，故减去
    document.querySelector('#totaltime').innerHTML = `${time.getHours()-8}小时${time.getMinutes()}分${time.getSeconds()}秒`;

  </script>
</body>

</html>
弱鸡如我
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
es6中reduce的基本使用方法
10-16
主要给大家介绍了关于es6中reduce的基本使用方法，文中通过示例代码介绍的非常详细，对大家学习或者使用es6具有一定的参考学习价值，需要的朋友们下面来一起学习学习吧
数组的reduce()用于累加操作
qq_42894622的博客
05-16 1612
语法： arr.reduce(function(total,item){},initValue); //total是累加的初始值或者累加完成后返回的计算值 //item是数组元素 //initValue是初始值，即相当于给total赋值 eg: var array = [{ name:"a", check:true }, { name:"b", check:true }, { ...
数组累加方法 reduce
slient033的博客
07-01 2938
Js 数组累加方法reduce
用reduce实现数组的累加
月来better
04-24 1023
reduce() 方法接收一个函数作为累加器（accumulator），数组中的每个值（从左到右）开始缩减，最终为一个值。 let products = [ { name: "小米", stock: 18 }, { name: "华为", stock: 16 }, { name: "苹果", stock: 12 } ] let totle = products.reduce((pre, cur) => pre + cur.stock, 0); console.log(totl
数组的reduce实现累加功能——基础积累
yehaocheng520的博客
03-17 1292
数组的reduce实现累加功能——基础积累
实现累加求和_浅析reduce方法实现及场景
weixin_36462845的博客
01-06 811
缘起js中Array.prototype.reduce方法在业务编码中很少用到，但是面试题中经常被用到，比如实现一个reduce方法、数组去重、实现compose函数、数组扁平化等等。为了能够更好的了解reduce功能和使用场景，准备重新学习reduce的定义和实现。定义reduce 方法对数组中的每个元素执行一个reducer函数(回调函数), 最终汇总结果，返回一个值。reduce使...
JavaScript中reduce()方法的使用详解
10-24
主要介绍了JavaScript中reduce()方法的使用详解,是JS入门学习中的基础知识,需要的朋友可以参考下
python reduce 函数使用详解
09-21
reduce()函数也是Python内置的一个高阶函数。reduce()函数接收的参数和 map()类似，一个函数 f，一个list，但行为和 map()不同,今天我们就来详细探讨下
使用map、reduce求平均值
03-03
使用Spark算子map、reduce相结合求平均值
用reduce对对象数组指定属性进行累加
qq_15798421的博客
07-28 1466
遇到累加，第一个反应就是用reduce函数，以前没怎么用过，网上很多都是简单的数组进行累加，对象数组的没有看到，就专门记录下。 // body是个对象数组，需求是对对象上的itemsCount属性进行累加 let count = 0; count = body.reduce(function(body:any,value:any){ // 看需求而定，不同属性设置不同的值，这里的？可以去掉 return body?.itemsCount + value?.itemsCount }); 工作上
java操作hadoop之mapreduce计算整数的最大值和最小值实战源码
02-03
java操作hadoop之mapreduce计算整数的最大值和最小值实战源码，附带全部所需jar包，欢迎下载一起学习。
时间累加(简)
web_q的博客
09-25 478
script> var title ="24个月"; var reg=/[\u4E00-\u9FA5]/; var result=title.replace(reg,''); console.log(result); var d = new Date("2017/09/25 12:12:12");//括号里是到期时间 console.log(d+"到
根据时间进行累加
betty1121的博客
06-28 1036
group byFor the table QA, the query about the accumulation of the count of questions should be:Table: QADate          CountFeb              10March          20April             30select q1.date, sum(q...
Qt工具之时间累加器
首富•拖拉斯基的博客
02-16 1277
Qt工具之时间累加器   又到了一年年终总结的时候，虽然过往的一年依旧是被安排的满满当当的。但是想细分析过往一年所做的事情以及取得的成绩时，又总觉得缺少可以衡量业余时间绩效的数据。      新的一年里我想清楚的掌握时间的流向！      于是我就自己写了这么一个小工具，并将其命名为“时间都去哪了”。其主要功能就是非常方便的帮我累计一年内我花在不同事情上的时间。      目前支持的功能：   1、支持任意数量的自定义事件，即你想统计时间的事情；   2、切换不同的事件，自动显示当前事件的累计时间；   3
日期累加器(任意时间基础上加上天数，不包括节假日以及周六日)
weixin_45607513的博客
12-25 1521
最近工作中遇到个需求，大致的实现功能是，在某一天的基础上加上规定的天数，所加的这些天中不包括周六日以及节假日。 比如： 在2月7日的基础上加7天，这7天不包含节假日和周六日，所以最后的时间应该是2月22日。 分享一下代码： 由于我们把每一年的节假日以及周六日配置到数据库中了，所以下面有个是判断数据库中存不存在当前的日期。 如果不用数据库，可以把假日放到文本中，或者其他的方法。当然这些不重要，只是数据的处理。 如下：将21年的周六日以及节假日存到数据库中了。（当然这样数据准备会麻烦，后续会优化） 代码如下
JavaScript 30 Day -- 17 使用reduce进行时间累加
吃桑果的柯基
01-03 328
实现效果：计算video的总时间。 关键点：1.取得所有li中data-time属性的值，将时间换算为秒并累加求得总时间（单位：秒）; 2.手动计算将总时间转化为新的格式“XX小时XX分XX秒”; 3.将结果显示在页面上。 javascript console.info(parseInt(1.99)); var oli = document.querySelectorAll('li');
MapReduce 实现对时间的简单排序
FA的博客
04-13 895
MapReduce 实现对时间的简单排序 首先 MapReduce在处理数据的过程中会对数据排序(map输出的kv对传输到reduce之前会排序)，排序的依据是map输出的key。 因此如果要改变排序规则，就要将key位置的值进行修改，具体可以输入一个继承了writablecomparable接口的bean对象 下面为实例代码 MyValueWritable.java package mywo...
java steam reduce_Java 8新特性：Stream API与Date API
weixin_33331559的博客
02-25 677
除此之外，Java8 API中包含了很多内建的函数式接口，这些接口都增加了@FunctionalInterface注解以便能用在lambda表达式上。它还提供了很多全新的函数式接口来让工作更加方便，其中有很多是来自我们熟悉的第三方类库Guava。Steam APIStream API是Java8类库的核心，它能够应用在一组元素上一次执行的操作序列。Stream操作分为中间操作或者最终操作两种，最终...
spark-shell：对其进行SVD分解，对数据进行降维保留前5个奇异值信息，根据该用户已购买的商品分别与未购买的商品计算余弦相似度再进行累加求均值，将均值最大的5件商品id进行输出作为推荐使用
最新发布
05-30
好的，您的问题是如何在 spark-shell 中进行 SVD 分解、降维并进行商品推荐。下面是具体的实现步骤： 1. 加载数据集 首先，您需要加载包含用户购买记录的数据集。假设数据集中的每行表示一个用户和一个商品之间的购买记录，格式为：userID, itemID, rating。 您可以使用以下代码将数据集加载到 Spark 中： ``` val data = sc.textFile("path/to/dataset").map(line => { val fields = line.split(",") (fields(0).toInt, fields(1).toInt, fields(2).toDouble) }) ``` 其中，`sc` 是 SparkContext 的实例，`path/to/dataset` 是数据集文件的路径。 2. 对用户-商品矩阵进行 SVD 分解 接下来，您需要对用户-商品矩阵进行 SVD 分解。这里使用 Spark MLlib 中的 `ALS` 算法，它可以自动将用户-商品矩阵分解为三个矩阵：用户特征矩阵、商品特征矩阵和奇异值矩阵。 以下是对数据进行 SVD 分解的代码： ``` import org.apache.spark.ml.recommendation.ALS val rank = 5 val numIterations = 10 val als = new ALS() .setRank(rank) .setMaxIter(numIterations) .setRegParam(0.01) .setUserCol("user") .setItemCol("item") .setRatingCol("rating") val model = als.fit(data.toDF("user", "item", "rating")) val userFeatures = model.userFactors val itemFeatures = model.itemFactors ``` 其中，`rank` 是分解后的矩阵的秩（即保留的主题个数），`numIterations` 是 ALS 算法迭代的次数，`regParam` 是正则化参数，`user`、`item` 和 `rating` 分别是数据集中用户 ID、商品 ID 和评分的列名。 3. 对商品特征矩阵进行降维 接下来，您需要对商品特征矩阵进行降维，只保留前 5 个奇异值信息。这里使用 Spark MLlib 中的 `PCA` 算法，它可以对矩阵进行主成分分析并进行降维。 以下是对商品特征矩阵进行降维的代码： ``` import org.apache.spark.ml.feature.PCA val numComponents = 5 val pca = new PCA() .setInputCol("features") .setOutputCol("pcaFeatures") .setK(numComponents) val pcaModel = pca.fit(itemFeatures) val pcaFeatures = pcaModel.transform(itemFeatures) ``` 其中，`numComponents` 是保留的主成分个数，`features` 是商品特征矩阵的列名，`pcaFeatures` 是降维后的商品特征矩阵的列名。 4. 计算余弦相似度并进行推荐 最后，您需要使用降维后的商品特征矩阵计算用户购买商品与未购买商品之间的余弦相似度，并进行推荐。 以下是计算余弦相似度并进行推荐的代码： ``` import org.apache.spark.ml.feature.{VectorAssembler, Normalizer} val userItems = data.map { case(user, item, rating) => (user, item) }.distinct() val userItemFeatures = userItems.join(userFeatures, Seq("user")).join(pcaFeatures, Seq("item")) val assembler = new VectorAssembler() .setInputCols(Array("pcaFeatures")) .setOutputCol("features") val normalizer = new Normalizer() .setInputCol("features") .setOutputCol("normFeatures") val userItemNormFeatures = normalizer.transform(assembler.transform(userItemFeatures)) val userItemNormFeaturesBroadcast = sc.broadcast(userItemNormFeatures.collect()) val userRecommendations = userItemNormFeatures.map { case(userItem, features) => val userItemBroadcast = userItemNormFeaturesBroadcast.value.filter(_ != userItem) val similarities = userItemBroadcast.map { case(userItem2, features2) => val cosSim = features.dot(features2) (userItem2.getAs[Int]("item"), cosSim) } val topItems = similarities.sortBy(-_._2).take(5) (userItem.getAs[Int]("user"), topItems) }.reduceByKey(_ ++ _) val userTopItems = userRecommendations.map { case(user, items) => val itemsMap = items.toMap val userItems = userItems.filter(_._1 == user).map(_._2).toSet val nonUserItems = itemFeatures.filter(!userItems.contains(_.getAs[Int]("item"))).map { item => val itemID = item.getAs[Int]("item") val features = item.getAs[org.apache.spark.ml.linalg.DenseVector]("features") val cosSim = userItems.map { userItem => val itemFeatures = pcaFeatures.filter(s"item=${userItem}").select("features").head.getAs[org.apache.spark.ml.linalg.DenseVector](0) features.dot(itemFeatures) }.sum / userItems.size (itemID, cosSim) } val topItems = (items ++ nonUserItems).groupBy(_._1).mapValues(_.map(_._2).sum).toArray.sortBy(-_._2).take(5).map(_._1) (user, topItems) } userTopItems.foreach(println) ``` 其中，`userItems` 是数据集中的用户-商品记录，`userItemFeatures` 是用户-商品特征矩阵，`pcaFeatures` 是降维后的商品特征矩阵，`assembler` 和 `normalizer` 是用于将特征矩阵转换为向量并进行归一化的工具，`userItemNormFeaturesBroadcast` 是广播变量，用于将用户-商品特征矩阵广播到所有节点上，`userRecommendations` 是用户推荐列表，`userTopItems` 是最终的推荐结果。 注意，这里的推荐算法是基于余弦相似度的，它的计算复杂度较高，可能需要一定的计算资源和时间。如果数据集较大，可以考虑使用其他的推荐算法，例如基于矩阵分解的协同过滤算法。

“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
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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