红宝石阵列
最编程
2024-10-04 07:07:41
...
Ruby 数组(Array)
引言
Ruby,作为一种高级编程语言,以其简洁明了的语法和强大的功能而闻名。在Ruby中,数组(Array)是一种基本的数据结构,用于存储一系列有序的元素。本文将深入探讨Ruby数组的特点、用法以及一些高级操作。
数组的基本概念
Ruby数组是一种动态数组,可以存储任何类型的对象,包括数字、字符串、符号甚至其他数组。数组的元素通过索引来访问,索引从0开始。Ruby数组是可变的,这意味着可以修改数组的元素,添加或删除元素。
创建数组
在Ruby中,有多种方式可以创建数组:
-
使用
Array
构造函数:arr = Array.new
-
使用数组字面量:
arr = []
-
初始化时指定大小和默认值:
arr = Array.new(5, "default") # 创建一个包含5个"default"字符串的数组
-
使用多个对象创建数组:
arr = [1, "two", :three]
访问数组元素
可以通过索引访问数组元素:
arr = [1, 2, 3, 4, 5]
puts arr[0] # 输出第一个元素:1
puts arr[2] # 输出第三个元素:3
Ruby数组还支持负索引,表示从数组末尾开始计数:
puts arr[-1] # 输出最后一个元素:5
puts arr[-3] # 输出倒数第三个元素:3
修改数组
可以轻松地修改数组中的元素:
arr[0] = 10
# 现在arr是[10, 2, 3, 4, 5]
添加和删除元素
Ruby数组提供了多种方法来添加和删除元素:
-
push
和<<
:添加元素到数组末尾。 -
unshift
:添加元素到数组开头。 -
pop
:从数组末尾移除元素。 -
shift
:从数组开头移除元素。
arr.push(6)
# arr变为[10, 2, 3, 4, 5, 6]
arr << 7
# arr变为[10, 2, 3, 4, 5, 6, 7]
arr.unshift(0)
# arr变为[0, 10, 2, 3, 4, 5, 6, 7]
arr.pop
# arr变为[0, 10, 2, 3, 4, 5, 6]
arr.shift
# arr变为[10, 2, 3, 4, 5, 6]
数组的高级操作
Ruby数组提供了丰富的内置方法,用于执行各种高级操作:
迭代数组
可以使用each
方法迭代数组中的每个元素:
arr = [1, 2, 3, 4, 5]
arr.each do |element|
puts element
end
选择和过滤
select
方法用于选择满足特定条件的数组元素:
even_numbers = arr.select { |num| num.even? }
# even_numbers是[2, 4]
映射和转换
map
方法用于转换数组中的每个元素:
squared_numbers = arr.map { |num| num ** 2 }
# squared_numbers是[1, 4, 9, 16, 25]
排序
sort
方法用于对数组元素进行排序:
arr = [3, 1, 4, 1, 5, 9, 2, 6, 5]
sorted_arr = arr.sort
# sorted_arr是[1, 1, 2, 3, 4, 5, 5, 6, 9]
合并和分割
可以使用+
操作符合并两个数组,join
方法将数组元素连接成字符串:
arr1 = [1, 2, 3]
arr2 = [4, 5, 6]
combined_arr = arr1 + arr2
# combined_arr是[1, 2, 3, 4, 5, 6]
string = combined_arr.join(", ")
# string是"1, 2, 3, 4, 5, 6"
结论
Ruby数组是一种强大且灵活的数据结构,它为Ruby编程提供了丰富的操作方法。通过本文的介绍
上一篇: 初始Kafka
下一篇: 系统架构师 ③:数据块系统
推荐阅读
-
红宝石阵列
-
14-傅里叶变换的代码实现-一、numpy实现傅里叶变换和逆傅里叶变换 1.numpy实现傅里叶变换numpy.fft.fft2实现傅里叶变换,返回一个复数数组(complex ndarray),也就是频谱图像numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置) 20*np.log(np.abs(fshift))设置频谱的范围。可以理解为,之前通过傅里叶变换得到复数的数组,是不能通过图像的方法展示出来的,需要转换为灰度图像(映射到[0,255]区间)需要注意的是1> 傅里叶得到低频、高频信息,针对低频、高频处理能够实现不同的目的2> 傅里叶过程是可逆的,图像经过傅里叶变换、逆傅里叶变换后,能够恢复到原始图像3> 在频域对图像进行处理,在频域的处理会反映在逆变换图像上 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) # 移动中心位置 fshift = np.fft.fftshift(f) # 调整值范围 result = 20*np.log(np.abs(fshift)) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.numpy实现逆傅里叶变换numpy.fft.ifft2实现逆傅里叶变换,返回一个复数数组(complex ndarray)numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角iimg = np.abs(逆傅里叶变化结果)设置值的范围,映射到[0,255]区间 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过numpy实现高通滤波,保留图像的边缘信息 获取图像的形状rows,cols = img.shape获取图像的中心点crow,ccol = int(rows/2),int(cols/2)将频谱图像的中心区域(低频区域)设置为0(黑色)fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 高通滤波 rows,cols = img.shape crow,ccol = int(rows/2),int(cols/2) fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 使用numpy实现高通滤波的实验结果: 二、opencv实现傅里叶变换和逆傅里叶变换 1.opencv实现傅里叶变换 返回结果 = cv2.dft(原始图像,转换标识)1> 返回结果:是双通道的,第一个通道是结果的实数部分,第二个通道是结果的虚数部分2> 原始图像:输入图像要首先转换成np.float32(img)格式3> 转换标识:flags = cv2.DFT_COMPLEX_OUTPUT,输出一个复数阵列numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置)调整频谱的范围,将上面频谱图像的复数数组,转换为可以显示的灰度图像(映射到[0,255]区间)返回值 = 20*np.log(cv2.magnitude(参数1,参数2))1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) # 移动中心位置 dftShift = np.fft.fftshift(dft) # 调整频谱的范围 result = 20*np.log(cv2.magnitude(dftShift[:,:,0],dftShift[:,:,1])) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.opencv实现逆傅里叶变换返回结果 = cv2.idft(原始数据)1> 返回结果:取决于原始数据的类型和大小2> 原始数据:实数或者复数均可numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角调整频谱的范围,映射到[0,255]区间返回值 = cv2.magnitude(参数1,参数2)1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) dftShift = np.fft.fftshift(dft) # 逆傅里叶变换 ishift = np.fft.ifftshift(dftShift) iimg = cv2.idft(ishift) iimg = cv2.magnitude(iimg[:,:,0],iimg[:,:,1]) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("inverse") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过opencv实现低通滤波,模糊一副图像
-
AWG(阵列波导光栅)的运作机制详解
-
什么是AWG(阵列波导光栅)及AWG的基本结构
-
1250.检查良好阵列
-
leetcode 1250. 检查 "良好阵列
-
硬链接和软链接以及使用 RAID 和 LVM 磁盘阵列技术
-
JS 阵列还原法细节和高级技术
-
数论导论(原书,第 4 版)I 第 3 章 毕达哥拉斯阵列和单位圆
-
[POJ-2299]超快速排序树阵列