代码实现selector

虽然在res/drawable/下添加一个xml去实现某个button或者grid的selecto非常简单省事,如:

<selector xmlns:android="http://schemas.android.com/apk/res/android">
    <item android:state_pressed="true" android:drawable="@drawable/focused_application_background" />
    <item android:state_focused="true" android:drawable="@drawable/focused_application_background" />
    <item android:state_focused="true" android:state_window_focused="true" android:drawable="@drawable/focused_application_background" />
    <item android:drawable="@drawable/nomal_application_background" />
</selector>

但是,如果你的app需要换肤,这样种做法就行不通,只能通过代码的方式实现。
以上xml翻译成代码如下:

private StateListDrawable crateSelector(){
        createDrawable();
        final Drawable background = mWBCachedD_background.get();
        final Drawable background_f = mWBCachedD_background_f.get();
        final StateListDrawable drawable=new StateListDrawable();  
        drawable.addState(new int []{android.R.attr.state_pressed}, background_f );  
        drawable.addState(new int []{android.R.attr.state_focused}, background_f );  
        drawable.addState(new int []{android.R.attr.state_pressed , android.R.attr.state_window_focused}, background_f ); 
        drawable.addState(new int []{}, background); 
        return drawable;
    }


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Group Lasso 是一种用于特征选择和模型正则化的方法,它结合了 L1 正则化和分组结构。下面是一个示例代码实现 Group Lasso 的方法: ```python import numpy as np from sklearn.linear_model import LogisticRegression from sklearn.feature_selection import SelectFromModel def group_lasso(X, y, groups, alpha=1.0): # 将每个组内的特征索引存储为字典 group_indices = {} for i, group in enumerate(groups): for feature in group: group_indices[feature] = i # 创建带有 Group Lasso 正则化的逻辑回归模型 model = LogisticRegression(penalty='l1', solver='liblinear', C=1/alpha) # 构建组稀疏矩阵 group_sparse_X = np.zeros((X.shape[0], len(groups))) for feature in range(X.shape[1]): group_sparse_X[:, group_indices[feature]] += X[:, feature] # 使用带有 Group Lasso 的逻辑回归拟合数据 model.fit(group_sparse_X, y) # 从拟合的模型中选择非零特征 selector = SelectFromModel(model, prefit=True) selected_features = [feature for feature, mask in enumerate(selector.get_support()) if mask] return selected_features ``` 这是一个简单的实现示例,可以根据具体应用的需求进行修改。在这个示例中,我们使用了 scikit-learn 库中的 LogisticRegression 类来实现 Group Lasso。首先,我们将每个特征分组,并将每个组内的特征索引存储为字典。然后,我们构建了一个组稀疏矩阵,其中每列对应一个特征组,并将该组内的特征值相加。接下来,我们使用带有 Group Lasso 正则化的逻辑回归拟合这个组稀疏矩阵。最后,我们使用 SelectFromModel 类从拟合的模型中选择非零特征。 请注意,这只是一个简单的示例代码,具体实现可能需要根据具体的数据和问题进行调整。另外,还可以使用其他库或算法来实现 Group Lasso,具体选择取决于你的需求和偏好。
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