JS数组方法总结

1、 转换方法
toString():返回数组的字符串表示,每个值的字符串表示拼接成一个字符串,中间以逗号隔开。
toLocaleString()、valueOf()

	var colors = ["red","blue","yellow"];
	console.log(colors.toLocaleString());//red,blue,yellow
	console.log(colors.toString());//red,blue,yellow
	console.log(colors.valueOf());	//(3) ["red", "blue", "yellow"]
	console.log(colors);//(3) ["red", "blue", "yellow"]

2、join():接收一个参数,即用做分隔符,然后返回包含所有数组项的字符串。
var colors = [“red”,“blue”,“yellow”];
console.log(colors.join(","));//red,blue,yellow
console.log(colors.join("||"));//red||blue||yellow
3、栈方法
push():接收任意数量的参数,把它们逐个添加到数组末尾,并返回修改后的数组长度。
pop():数组末尾移除最后一项,减少数组的length,然后返回移除的项。
4、队列方法
push():向数组末尾添加项;
shift():移除数组中的第一项并返回该项;
unshift();能够在数组前端添加人一个项并返回新数组的长度;
5、重排序方法
reverse();反项数组项的顺序;
sort():默认升序(小-》大)
原理:sort()会调用每个数组项的toString()转型方法,然后比较得到的字符串,以确定如何排序。即使数组中的每一项都是数值,sort也比较的是字符串。所以存在问题,“10”会排在“5”的前面。故sort()接受一个比较函数作为参数,以方便我们指定哪个值位于哪个值的前面。

//升序--注释后是降序
function compare(v1,v2){
			if(v1<v2){
				return -1;//return 1;
			}esle if(v1 > v2){
				return 1;//return -1;				
			}esle{
				return 0;
			}
		}

6、操作方法
concat():基于当前数组中的所有项创建一个新数组。创建一个副本,把接收到的参数添加到副本末尾,返回新构建的数组。
slice():基于当前数组中的一个或多个项创建一个新数组。接受一个(到结束)或者两个参数,要返回的起始位置到结束位置。
splice():主要用于向数组中部插入项,返回一个数组,数组包含从原始数组中删除的项,(如果没有删除任何项,则返回一个空数组)
删除–splice(a,b):a删除的位置,b要删除的项数
插入–splice(a,0,c):a起始位置,0要删除的项数,要插入的项。可以插入多个项,再传几个参数进去。
替换–splice(a,b,c):a起始位置,b要删除的项数,要插入的项。
7、位置方法
indexOf(a[,b]):要查找的项和(可选)表示查找起点的位置的索引。从头部开始找,要全等。
lastIndexOf(a[,b]):要查找的项和(可选)表示查找起点的位置的索引。从尾部开始找,要全等。
均返回查找项在数组中的位置,没找到返回-1;
8、迭代方法
every(fn[,a]):对数组中的每一项运行给定函数,若每一项均满足,返回true,否则flase;
some(fn[,运行该函数的作用域对象]):对数组中的任意一项运行给定函数,若每一项均满足,返回true,否则flase;
filter(fn[,运行该函数的作用域对象]):对数组中的每一项运行给定函数,返回为true组成的数组。
map(fn[,运行该函数的作用域对象]):对数组中的任意一项运行给定函数,返回每次函数调用的结果组成的数组;
forEach(fn[,运行该函数的作用域对象]):对数组中的任意一项运行给定函数,无返回值;
fn:在每一项上调用的函数;fn接受三个参数fn(item,index,arr),item数组项的值,index该项在数组中的位置,arr数组对象本身。
a:可选运行该函数的作用域对象—影响this的值;
9、归并方法
reduce(fn[,a])、reduceRight(fn[,a]),迭代数组的所有项,然后构建一个最终返回值。
fn:在每一项上调用的函数,a可选归并基础的初始值。fn接受四个参数fn(before,current,index,arr)before前一个值,current当前值,index索引,arr数组本身。这个函数返回的任何值都会作为第一个参数自动传给下一项。第一次迭代发生在数组的第二项上,因此第一个参数是数组的第一项,第二个参数是数组的第二项。
reduceRight(fn[,a])作用类似,方向相反。

//数组求和
var values = [1,2,4,8]
var sum = values.reduce(function(pre,cur,index,array){
	return pre+cur;
});
console.log(sum);
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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