in_array的效率

in_array函数是个糟糕的选择。应该尽量用isset函数或array_key_exists函数来替代 。in_array函数的复杂度是O(n),而isset函数的复杂度是O(1)

isset函数是检测变量是否设置。

返回值:

若变量不存在则返回FALSE

若变量存在且其值为NULL,也返回FALSE

若变量存在且值不为NULL,则返回TURE

同时检查多个变量时,每个单项都符号上一条要求时才返回TRUE,否则结果为FALSE

PHP的empty()函数 

格式:bool empty(mixed var)

功能:检查一个变量是否为空

返回值:

若变量不存在则返回TRUE

若变量存在且值为""、0、"0"、NULL、、FALSE、array()、var $var;以及没有任何属性的对象,则返回TURE

若变量存在且值不为""、0、"0"、NULL、、FALSE、array()、var $var;以及没有任何属性的对象,则返回FALSE

empty()只能用于变量,传递任何其它参数都将造成Paser error而终止运行

检测常量是否已设置可使用defined()函数。

empty() 与 isset() 的一个简单比较

复制代码
 1 <?php 
 2 $var = 0; 
 3 // 结果为 true,因为 $var 为空 
 4 if (empty($var)) { 
 5 echo '$var is either 0 or not set at all'; 
 6 } 
 7 // 结果为 false,因为 $var 已设置 
 8 if (!isset($var)) { 
 9 echo '$var is not set at all'; 
10 } 
11 ?> 
复制代码

当要判断一个变量是否已经声明的时候可以使用isset函数

当要判断一个变量是否已经赋予数据且补位空,可以用empty函数

当要判断一个变量存在且不为空,先isset函数,再用empty函数

转载于:https://www.cnblogs.com/cjjjj/p/9999989.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
优化代码import numpy as np from PIL import Image from sklearn import svm from sklearn.model_selection import train_test_split import os import matplotlib.pyplot as plt # 定义图像文件夹路径和类别 cat_path = "cats/" dog_path = "dogs/" cat_label = 0 dog_label = 1 # 定义图像预处理函数 def preprocess_image(file_path): # 读取图像并转换为灰度图像 img = Image.open(file_path).convert('L') # 调整图像尺寸 img = img.resize((100, 100)) # 将图像转换为 Numpy 数组 img_array = np.array(img) # 将二维数组展平为一维数组 img_array = img_array.reshape(-1) return img_array # 读取猫和狗的图像并转换成 Numpy 数组 X = [] y = [] for file_name in os.listdir(cat_path): file_path = os.path.join(cat_path, file_name) img_array = preprocess_image(file_path) X.append(img_array) y.append(cat_label) for file_name in os.listdir(dog_path): file_path = os.path.join(dog_path, file_name) img_array = preprocess_image(file_path) X.append(img_array) y.append(dog_label) X = np.array(X) y = np.array(y) # 将数据集划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3) # 训练 SVM 分类器 clf = svm.SVC(kernel='linear') clf.fit(X_train, y_train) # 在测试集上进行预测 y_pred = clf.predict(X_test) # 计算测试集上的准确率 accuracy = np.mean(y_pred == y_test) print("Accuracy:", accuracy) # 显示测试集中的前 16 张图像和它们的预测结果 fig, axes = plt.subplots(nrows=4, ncols=4, figsize=(8, 8)) for i, ax in enumerate(axes.flat): # 显示图像 ax.imshow(X_test[i].reshape(100, 100), cmap='gray') # 显示预测结果和标签 if y_pred[i] == 0: ax.set_xlabel("Cat") else: ax.set_xlabel("Dog") ax.set_xticks([]) ax.set_yticks([]) plt.show()
最新发布
06-12

“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

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