跳到主要內容

TypeScript(2) 資料型態

前言

本章節介紹TypeScript的資料型態,因為TypeScript超集合(superset),所以在定義資料型態需要依照JavaScript規則.但是TypeScript提供一個強型別語法規範,在開發中大型應用上,讓JS架構在開發上或是維護上更容易找出問題.由以後的介紹可以知道TypeScript簡單來說就是將JavaScript物件化、規則化,讓他得以更好擴充、維護。

資料型態

TypeScript資料型態對應JavaScript資料型態

TypeScript JavaScript 說明 範例
boolean boolean 布林值 sex:boolean = true
number number 數值型態 total:number=100;
hex:number=0xf00d;
string string 字串型態 message:string=’今天天氣晴天’
sentence:string=這是一個句子,${message}
Array object 陣列 list:string[]=[‘a’,’b’,’c’,’d’]
Tuple boolean 類陣列但可儲存不同資料型態 item:[number,string]=[‘a’,1,’b’]
enum 無 定義常數 enum Color {a, b, c};
enum Color {a=1, b, c};
any var 定義變數時不預定資料型態 variable01: any = 4;
void undefined 僅儲存undefined或null值 value:void
const 無 定義常數 pi:const=3.1415



宣告變數語法

    變數:資料型態 = 值

範例:

   num:number=100 



斷言

Type assertions(斷言)
我們可以把斷言解釋成物件轉型,當有些物件/資料型態不同,可以透過斷言來改變物件/資料型態,但是當不能斷言,編譯器會出現錯誤訊息,

範例:

var message:any ="12345678" ;

//方法一 使用尖括弧
var message_num: number = (<**number**>message).length;

//方法二 使用 as
var message_num :number =(message as **number**);

Null 與 Undefined與NaN

Null 與 Undefined
(1) Null
通常Null在物件導向的定義均為該物件或是屬性為空並沒有指向記憶體空間.

//出現結果:Object
console.log(typeof null)

//出現結果:10
console.log(null+10)

(2) Undefined :
宣告一個變數,但卻沒有指定值,在javascript 是在給值時才決定型態,
所以預設為 undefined 未定義型態




var message
//出現結果:undefined
console.log(message)

(3)NaN
Nan是Not an Number通常會發生在數值轉換的時候,如果轉換失敗為NaN,成功就為數值




var message="HHHH"
//出現結果:NaN
console.log(parseInt(message))
// NaN在判斷式為false
if(parseInt(message)==false){
    console.log("不為數字!")
}

//用內建的isNaN()為true
if(isNaN(parseInt(message))){
    console.log("不為數字!")
}

參考資料

  1. null、undefined、NaN 的差異
  2. 了解null、undefinded、NaN

留言

這個網誌中的熱門文章

淺談機器學習原理-Nonlinear Transform

Nonlinear Transform 淺談機器學習原理-Nonlinear Transform Nonlinear Transform *通用能力 gerneralization : 就是將訓練好的模型,放到正式環境可以正常的運作,通常Linear Model的gerneralization會比較好,因為線性模型解決的問題比較單純。缺點是應用侷限比較大。 參考Chih-Chung Chang老師的範例:縣性與非線性分類範例 https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 非線性問題 當如果今天假設要圈出裡面小圈圈的資料,我們就無法使用線性的模型,我們可以用非線性解像圈圈的方程式 s i g n ( − x 1 2 − x 2 2 + r ) sign(-x1^2-x2^2+r) s i g n ( − x 1 2 − x 2 2 + r ) 來解決,在演算法我們利用reduce來將不會的問題透過已知的問題來解決,所以在這個問題 我們將圈圈的方程式(非線性模型)reduce成線性模型來解決。 Reduce 方法論 我們調整圓形的方程式改為 z 0 z_0 z 0 ​ , z 1 z_1 z 1 ​ , z 2 z_2 z 2 ​ 來轉換線性方程式, { ( x n , y n ) } \{{(x_n,y_n)}\} { ( x n ​ , y n ​ ) } => { ( z n , y n ) } \{{(z_n,y_n)}\} { ( z n ​ , y n ​ ) } 在這空間資料中只要能找線,就可將不同的分類區分,圖中可以線性可以線去做分類。 透過向量方式來轉換成線性方程式 我們找到一個方式將非線性資料X透過向量轉換為Z後,希望透過線性方程式方式來學習,得到正解。 當我們Nonlinear transform轉換成線性方程式,當有新的資料進來我們無法使用invertiable(逆向工程)的方式去轉回非線...

Python AI-問題集

Python AI-問題集 問題集 Jupyter Notebook執行ipywidgets會出現kernel死掉的錯誤發生(The kernel appears to have died) 解決方法 (1) 根據log檔來判斷問題: 例如:log訊息出現OMP: Error #15: Initializing libiomp5.dylib, but found libiomp5.dylib already initialized. (2) 根據問題關鍵字找出問題所在: 利用google查詢所遭遇到的問題,例如我把上面的問題上google查詢可以找到這篇的解法 https://blog.csdn.net/bingjianIT/article/details/86182096 (3)實作解法: 我實作下面解法後,就可以順利執行手寫辨識的程式. //在Python宣告時加入 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 參考 https://blog.csdn.net/bingjianIT/article/details/86182096

淺談機器學習原理-Linear Model

Linear Regession 淺談機器學習原理-Linear Model Linear Regession 需要預測數值,輸出為實數的數值,我們就稱為它是regession的任務。 範例:Netflix百萬獎金比賽,有100萬筆的rating資料與480K的使用者給17.7k的電影來評分,預測使用者評分電影的星星*數量。 (1) 定義問題是否需要使用ML : 預測使用者評分電影的星星*數量,算是一個複雜的問題。且知道評分結果為1~5星,可以知道這是一個regression的任務 (2) 收集資料 : Netflix有100萬筆的rating資料與 (3) 定義模型 :假設它是regession問題,我們可以知道hypothesis: h(x) = w T ∗ x w^T *x w T ∗ x 的方程式。我們可以與分類Perceptron的公式來比較。 Linear Regession :用來找到最接近實際目標值,也就是最小誤差error的值 (4) 測量誤差 : squared error : ( 預測值 − 真實的值 ) 2 (預測值-真實的值)^2 ( 預測值 − 真實的值 ) 2 ,我們算出誤差值後,如何得到最小的誤差min(Error(x)) 理想化的誤差值 我們可以假設誤差接近於0值為球體的位置,是在曲線的最下方也就是偏微分等於0的位置,我們要找的讓W偏微分等於零。 Statistics vs Machine Learning Statistics: 統計比較著重在數學的推論 Machine Learning: 機器學習比較著重在資料計算,統計工具對機器學習領域是很有幫助 Logistic Regression 邏輯回歸 需要預測機率,輸出為小數點,我們就稱為它Logistic Regression任務。資料輸出為+1,-1的值,可以預測為機率發生,可以由公式可以知道x在發生+1的機率是多少。範例: 疾病預測、鐵達尼的死完的機率 機...