4.18 go语法实践——operation运算器(打包实现两个float64型数据的加减乘除,多个数据的正在想)

1.想要实现的功能

定义一个运算器,能够实现两个或以上的数据的加减乘除预算以及整数求余、整数阶乘以及求绝对值

2.已经完成的效果

1.能实现两个数的加减乘除以及计算一个整数的阶乘

2.operation包

package operation

import (
	"fmt"
	"strconv"
)

func AlgebraOperation(operator string, n1 float64, n2 float64, args ...float64) float64 {
	var sum float64
	if operator == "+" { //实现任意多个浮点型数据加法
		sum = n1 + n2
		for i := 0; i < len(args); i++ {
			sum += args[i]
		}

	} else if operator == "-" { //实现任意多个浮点型数据减法
		sum = n1 - n2
		for i := 0; i < len(args); i++ {
			sum -= args[i]
		}
		sum, _ = strconv.ParseFloat(fmt.Sprintf("%.2f", sum), 64) //精度控制

	} else if operator == "*" { //实现任意多个浮点型数据乘法
		sum = n1 * n2
		for i := 0; i < len(args); i++ {
			sum *= args[i]
		}

	} else if operator == "/" { //实现任意多个浮点型数据除法
		sum = n1 / n2
		for i := 0; i < len(args); i++ {
			sum /= args[i]
		}
	} else {
		fmt.Println("输入的运算符有误") //自动返回float64类型的零值
	}
	return sum
}
func FacOperation(n int) int {
	num := 1
	for i := 1; i <= n; i++ {
		num = num * i
	}
	return num
}

3.主函数

package main

import (
	"GOProject/src/go_project/project_01/project_01_01/operation"
	"fmt"
)

func main() {
	var result float64
	var judge int
	fmt.Println("请选择你是否要打开计算器:")
	fmt.Println("1.表示打开加减乘除计算器\t2.打开阶乘计算\t3.表示退出程序")
	fmt.Scanln(&judge)
	if judge == 1 {
		var num [2]float64
		var operator string
		fmt.Println("请输入两个整数,并输入你想要进行的加减乘除符号")
		fmt.Println("如果你想要更多的数参与运算,你可以把其他的数写在运算符号后面")
		fmt.Println("比如(+,3,6,,7)表示3+6+7")
		fmt.Println("输入运算符")
		fmt.Scan(&operator)
		fmt.Println("输入第一个被操作数")
		fmt.Scan(&num[0])
		fmt.Println("输入第二个被操作数")
		fmt.Scan(&num[1])
		result = operation.AlgebraOperation(operator, num[0], num[1])
		fmt.Println(result)
	} else if judge == 2 {
		var x int
		fmt.Println("输入要求阶乘的数")
		fmt.Scan(&x)
		result2 := operation.FacOperation(x)
		fmt.Println(x, "的阶乘是", result2)
	}
}


3.发现的问题

1.byte类型使用不熟
2.不会使用链表进行操作

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
好的,以下是一份示例数据和相应的 R 代码,用于在二分类基因表达谱数据中筛选关键基因: 数据表格格式: | Gene | Sample1 | Sample2 | Sample3 | Sample4 | Sample5 | Sample6 | Sample7 | Sample8 | Sample9 | Sample10 | Class | |-------|---------|---------|---------|---------|---------|---------|---------|---------|---------|----------|--------| | Gene1 | 3.56 | 4.18 | 2.78 | 2.91 | 3.15 | 3.97 | 3.29 | 3.54 | 2.84 | 3.01 | 0 | | Gene2 | 3.21 | 3.87 | 3.01 | 2.81 | 2.95 | 3.54 | 3.27 | 3.15 | 2.93 | 2.89 | 0 | | Gene3 | 4.03 | 4.19 | 3.83 | 3.98 | 4.09 | 4.16 | 4.12 | 4.02 | 4.01 | 4.18 | 1 | | Gene4 | 2.83 | 3.09 | 2.92 | 2.77 | 2.99 | 3.01 | 2.89 | 2.91 | 3.02 | 3.11 | 0 | | Gene5 | 4.18 | 4.05 | 3.78 | 3.93 | 4.08 | 4.01 | 4.14 | 4.03 | 4.06 | 4.10 | 1 | 其中,Gene 列是基因名称,Sample1-Sample10 列是基因表达值,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$Class, p=0.7, list=FALSE) trainData <- data[trainIndex,] testData <- data[-trainIndex,] # SVM 模训练 svm_model <- svm(Class ~ ., data = trainData, kernel = "linear", cost = 1) # SVM 模预测 y_predict <- predict(svm_model, testData[,-ncol(testData)]) # 模评估 table(testData$Class, y_predict) ``` 这段代码使用了 SVM 模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,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
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

打赏作者

是一只土拨鼠呐

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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