Scala学习之Option类

今天特意学习一下Option类型

一般来说,对于每种语言都会有一个关键字来表示一个对象引用的“无”。比如在Java中使用的是null。

在Scala中是融合了函数式编程的风格,当预计到变量或者函数返回值可能不会引用任何值的时候,使用Option类型。

Option(选项)类型用来表示一个值。(有值或无值)。

Option[T] 是一个类型为 T 的一个可选值的容器。

Option类包含一个子类Some,当存在可以被引用的值的时候,也就是有值,就可以使用Some来包含这个值。比如Option(“CSDN”)

Option类还包含了一个子类None,没有值。Some和None都是它的子类,他们都是final类,所以不能再有派生子类了。

Option实例就是Some或者None对象实例。

可以通过代码来学习一下:

scala> val book = Map("hadoop" -> 10,"spark" -> 100,"hbase" -> 1000);//我们在scala shell中定义了一个Map
book: scala.collection.immutable.Map[String,Int] = Map(hadoop -> 10, spark -> 100, hbase -> 1000)
 
scala> book.get("hadoop")//然后我们从Map中获取键为hadoop的映射
res0: Option[Int] = Some(10) //我们取到的值的类型为Option[Int],值被包含在Some中返回,读取实际是对Some进行的操作<br>
scala> book.get("hive")//我们再从Map中获取键为hive的映射
res1: Option[Int] = None//这个值是不存在的,所以返回的值是None对象<br>

Option实际上是一个容器

我们可以把它看做成一个集合,这不过这个集合要么只包含一个包含在Some中的元素,要么不存在元素显示None

其实它并不是一个真正的集合类,因为它并没有有继承Traversable或Iterable。

但是它确实具有Iterable的所有操作,这意味着你完全可以把Option当成一个集合去使用。

Option类可以使用大部分的集合操作。例如 map、foreach、filter等

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是使用Scala进行机器学习的命令: 1. 导入需要的库和算法模型 ``` import org.apache.spark.ml.classification.LogisticRegression import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator import org.apache.spark.ml.feature.{IndexToString, StringIndexer, VectorAssembler} import org.apache.spark.ml.Pipeline ``` 2. 加载数据集 ``` val data = spark.read.format("csv") .option("header", "true") .option("inferSchema", "true") .load("path/to/dataset.csv") ``` 3. 数据预处理 ``` val labelIndexer = new StringIndexer() .setInputCol("label") .setOutputCol("indexedLabel") .fit(data) val assembler = new VectorAssembler() .setInputCols(Array("feature1", "feature2", "feature3")) .setOutputCol("features") val Array(trainingData, testData) = data.randomSplit(Array(0.7, 0.3)) ``` 4. 定义模型和评估器 ``` val lr = new LogisticRegression() .setMaxIter(10) .setRegParam(0.01) val labelConverter = new IndexToString() .setInputCol("prediction") .setOutputCol("predictedLabel") .setLabels(labelIndexer.labels) val evaluator = new MulticlassClassificationEvaluator() .setLabelCol("indexedLabel") .setPredictionCol("prediction") .setMetricName("accuracy") ``` 5. 构建管道并拟合模型 ``` val pipeline = new Pipeline() .setStages(Array(labelIndexer, assembler, lr, labelConverter)) val model = pipeline.fit(trainingData) ``` 6. 对测试数据进行预测并评估模型 ``` val predictions = model.transform(testData) val accuracy = evaluator.evaluate(predictions) println("Test Error = " + (1.0 - accuracy)) ```
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