fillText 方法作用是繪制一行文字。語法：void ctx.fillText(text, x, y [, maxWidth]);變量說明變量名類型是否必須說明textString是要繪制的文本。xNumber是文本起始點的 x 軸坐標(biāo)。yNumber是文本起始點的 y 軸坐標(biāo)。maxWidthNumber是可選，需要繪制的最大寬度。如果指定了值，并且經(jīng)過計算字符串的寬度比最大寬度還要寬，字體為了適應(yīng)會使用一個水平縮小的字體或者小號的字體。
包含從 0 到 10 之間所有整數(shù)的集合 >>> {i for i in range(10)}{0, 1, 2, 3, 4, 5, 6, 7, 8, 9}將集合中的元素乘以 10>>> set = {1, 2, 3}>>> {i*10 for i in set}{10, 20, 30}將列表中所有的字符串變成大寫 >>> set = {'www', 'imooc', 'com'}>>> {i.upper() for i in set}{'WWW', 'IMOOC', 'COM'}包含所有的正整數(shù)的集合 >>> set = {-1, 1, -2, 2, -3, 3}>>> {i for i in list if i > 0}{1, 2, 3}包含兩個字符的字符串集合 >>> {x + y for x in 'ABC' for y in 'XYZ'}{'AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ'}
通過在父級元素設(shè)置這兩個屬性，可以簡單的理解為設(shè)置一個觀察者的位置，也就是我們的眼睛 perspective 的大小代表眼睛距離元素的位置。perspective-origin，代表眼睛所在的坐標(biāo)點，我們可以設(shè)置 x 軸和 y 軸，這兩個屬性其實就間接的組成了 （x,y,z）空間坐標(biāo)組，要注意的是，這是設(shè)置都是在父元素上進(jìn)行的。
畫布左上角(0,0)默認(rèn)原點，x 坐標(biāo)向右方增長，y 坐標(biāo)則向下方延伸：但是，Canvas 的坐標(biāo)體系并不是一成不變的，原點是可改變的。坐標(biāo)變換：可以對 Canvas 坐標(biāo)系統(tǒng)進(jìn)行移動 translate、旋轉(zhuǎn) rotate 和縮放等操作。坐標(biāo)變換之后繪制的圖形 x,y 偏移量都以新原點為準(zhǔn)， 旋轉(zhuǎn)角度，縮放比，以新坐標(biāo)系角度為準(zhǔn)。
使用 circle 表示圓形：1088其中包含 3 個屬性r 圓的半徑；cx 圓心坐標(biāo) x 值；cy 圓心坐標(biāo) y 值。
面試官提問：給定兩個字符串，求解最長公共子序列。題目解析：求解最長公共子序列問題是來源于算法網(wǎng)站LeetCode的經(jīng)典題目，題目鏈接：https://leetcode.com/problems/longest-common-subsequence/。首先是明確子序列的定義，例如對于字符串imooc，那么im、imo、imc都是它的子序列，子序列可以連續(xù)也可以不連續(xù)，如果是連續(xù)出現(xiàn)的，例如字符串imoo，一般被叫做子序列串。其次是明確公共子序列的定義，對于兩個字符串，如果包含相同的子序列，那么這個子序列就是兩個字符串的公共子序列，例如imooc和moocer的公共子序列就有m和mo等，所有公共子序列中最長的子序列就是最長公共子序列（Longest Common Subsequence）。首先從定性的角度來看，如果兩個字符串中，一個字符串的長度為零，那么最長公共子序列長度一定為零。其次從定量的角度分析這個問題，例如給定的兩個字符串分別是X={x1,x2,x3 ... xm} 和Y={y1,y2,y3 ... ym}，表示X字符串是通過x1、x2一直到xm個連續(xù)字符組成，Y字符串同理。求解動態(tài)規(guī)劃的通用方案是找到子問題的共性，字符串的子問題就是子字符串，我們假設(shè)X'={x1,x2,x3 ... xi} 和 Y'={y1,y2,y3 ... yi} 的最長公共子序列是L，其中i<m。那么按照遞歸就有兩種狀態(tài)轉(zhuǎn)移流程：（1）如果xi=yi，也就是兩個字符串的子字符串的最后一個字符剛好相等，那么{L,x(i+1)}或者{L,y{i+1}}就是新的最長公共子序列；（2）如果xi≠yi，也就是兩個字符串的子字符串的最后一個字符并不相等，那么問題就可以轉(zhuǎn)換為求下面兩種情況的最長公共子序列：第一種情況：X'={x1,x2,x3 ... x(i-1)} ，Y'={y1,y2,y3 ... yi}的最長公共子序列，假設(shè)為L1；第二種情況：X'={x1,x2,x3 ... xi} ，Y'={y1,y2,y3 ... y(i-1)}的最長公共子序列，假設(shè)為L2。最終需要的結(jié)果就是L = max(L1，L2)。我們用 Java 語言實現(xiàn)上面描述的算法，示例：class Solution { public int longestCommonSubsequence(String text1, String text2) { int n = text1.length(); int m = text2.length(); int[][] dp = new int[n+1][m+1]; //設(shè)置dp方程初始值 for(int i = 0; i < n+1; i++){ for(int j = 0; j < m+1; j++){ if(i == 0 || j == 0){ dp[i][j] = 0; } } } //循環(huán)更新狀態(tài) for(int i = 1; i < n+1; i++){ for(int j = 1; j < m+1; j++){ if(text1.charAt(i-1) == text2.charAt(j-1)){ //如果這個位置的字符相同，說明相對于dp[i-1][j-1]剛好長一個字符 dp[i][j] = 1 + dp[i-1][j-1]; } else{ // 否則采用公共長度最長的 dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1]); } } } //返回結(jié)果 return dp[n][m]; }}
在實際的應(yīng)用過程之中，有很多的情況下，我們需要使用 tf.function 來加速模型的速度并自定義訓(xùn)練過程。那么這個時候我們要如何才能查看網(wǎng)絡(luò)的模型結(jié)構(gòu)圖呢？其實也很簡單，我們只需經(jīng)過如下幾個步驟：確保 tf.function 函數(shù)修飾了我們需要進(jìn)行可視化的操作，這邊就是模型的過程；創(chuàng)建一個 TensorBoard 的日志寫入器 tf.summary.create_file_writer() ；通過 tf.summary.trace_on() API 進(jìn)行變量路徑的追蹤；執(zhí)行我們需要可視化的操作；使用 tf.summary.trace_export() API 將圖寫入日志。在這里，我們可以使用一個很簡單的例子來查看操作的結(jié)構(gòu)：# 定義網(wǎng)絡(luò)的操作@tf.functiondef test_func(x, y): z = tf.matmul(x, y) z = z * 5.0 z = tf.nn.relu(z) return z# 創(chuàng)建寫入器writer = tf.summary.create_file_writer('./logs/3')# 創(chuàng)建初試數(shù)據(jù)x = tf.random.uniform((5, 5))y = tf.random.uniform((5, 5))# 開啟變量追蹤tf.summary.trace_on(graph=True, profiler=True)# 運(yùn)行程序z = test_func(x, y)# 將日志輸出with writer.as_default(): tf.summary.trace_export( name="test_func_graph", step=1, profiler_outdir='./logs/3')在這里，我們首先定義了一個基本的模型操作，該模型操作由一個矩陣乘法、一個常量乘法、外加一個 Relu 激活層組成。在運(yùn)行完操作之后，我們便使用 tf.summary.trace_export() API 來將模型圖輸入道日志之中。然后我們便可以在瀏覽器之中查看到相應(yīng)的模型圖：可以看到，該模型圖完整的反映了我們的操作。
使用 yum 命令安裝 emacs 編輯器命令如下：yum -y install emacs執(zhí)行結(jié)果如下圖：等待安裝完成輸入 emacs -v 即可在 CentOs 8 操作界面打開 emacs 編輯器：
使用 yum 命令安裝 nano 編輯器命令如下：yum -y install nano執(zhí)行結(jié)果如下圖：等待安裝完成輸入 nano -v 即可查看到 nano 編輯器的相關(guān)信息：
createRadialGradient() 方法會依照參數(shù)確定兩個圓的坐標(biāo)，繪制放射性漸變，該方法返回 CanvasGradient 對象。語法：CanvasGradient ctx.createRadialGradient(x0, y0, r0, x1, y1, r1);變量說明：變量名類型是否必須說明x0Number是開始圓形的 x 軸坐標(biāo)。y0Number是開始圓形的 y 軸坐標(biāo)。r0Number是開始圓形的半徑。x1Number是結(jié)束圓形的 x 軸坐標(biāo)。y1Number是結(jié)束圓形的 y 軸坐標(biāo)。r1Number是結(jié)束圓形的半徑。返回值：CanvasGradient一個根據(jù)指定線路初始化的徑向漸變對象。
createBitmap(int width, int height, Bitmap.Config config)：根據(jù)傳入的寬高、創(chuàng)建一個可修改的 Bitmap 對象createBitmap(DisplayMetrics display, int width, int height, Bitmap.Config config)：相比上一個接口，這個可以在創(chuàng)建的時候傳入一些參數(shù)createBitmap(Bitmap src)：根據(jù)傳入的 Bitamp 創(chuàng)建一個新的 Bitampcopy(Bitmap.Config config, boolean isMutable)：將 Bitamp 對象的所有像素復(fù)制到一個新的 Bitmap 當(dāng)中extractAlpha()：提取原始 Bitmap 的透明度并返回一個新的 BitampgetConfig()：獲取 Bitamp 的配置信息getDensity()：返回 Bitamp 的圖片像素密度getRowBytes()：返回 Bitamp 圖片的像素字節(jié)數(shù)組setPixel(int x, int y, int color)：設(shè)置圖片的(x, y)坐標(biāo)點上的色值setDensity(int density)：設(shè)置圖片像素密度
既然了解了 tf.function 的用法，那么我們便來測試一下 tf.function 的性能，我們采用一個簡單的卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行測試：import tensorflow as tfimport timeitdef f1(layer, image): y = layer(image) return y@tf.functiondef f2(layer, image): y = layer(image) return ylayer = tf.keras.layers.Conv2D(300, 3)image = tf.zeros([64, 32, 32, 3])model = tf.keras.models.Sequential([ tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Conv2D(64, (3, 3), activation='relu'), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Conv2D(128, (3, 3), activation='relu'), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dense(10, activation='softmax')])print(timeit.timeit(lambda: f1(model, image), number=500))print(timeit.timeit(lambda: f2(model, image), number=500))在這里，我們定義了兩個相同的函數(shù)，其中一個使用了 tf.function 進(jìn)行修飾，而另外一個沒有。在這里我們使用 lambda 函數(shù)來讓函數(shù)重復(fù)執(zhí)行 500 次，并且使用 timeit 來進(jìn)行時間的統(tǒng)計，得到兩個函數(shù)的執(zhí)行時間，從而進(jìn)行比較。最終，我們可以得到結(jié)果：17.2040366439998712.07886406200032由此可以看出，我們的 tf.function 已經(jīng)提升了一定的速度，但是提升的速度有限，目前大概提升了 25 % 的速度。這是因為我們的計算仍然還是太簡單了，當(dāng)我們計算非常大的時候，性能會有很大的提升。
const a: number = 1const add = (x: number, y:number) => x + y interface User { nickname: string, department: string}class Employee implements User { public nickname!: string public department!: string}type used = true | falseexport { add }export { a as level, used as status, Employee }解釋： 在導(dǎo)出時，可以用 as 關(guān)鍵字將聲明重命名。
ellipse 方法作用是繪制一個中點在 (x, y) 的橢圓。變量說明：變量名類型是否必須說明xNumber是指定橢圓中心位置的X坐標(biāo)。yNumber是指定橢圓中心位置的Y坐標(biāo)。radiusXNumber是橢圓長半軸。radiusYNumber是橢圓短半軸。rotationNumber是橢圓的旋轉(zhuǎn)角度，以弧度表示（非角度度數(shù)）。sAngleNumber是起始角，以弧度計，（弧的圓形的三點鐘位置是 0 度）。eAngleNumber是結(jié)束角，以弧度計。counterclockwiseBoolean否規(guī)定應(yīng)該逆時針還是順時針繪圖，false = 順時針，true = 逆時針。
基礎(chǔ)的類型推斷發(fā)生在 初始化變量，設(shè)置默認(rèn)參數(shù)和決定返回值時。初始化變量例子：let x = 3 // let x: numberlet y = 'hello world' // let y: stringlet z // let z: any代碼解釋：變量 x 的類型被推斷為數(shù)字，變量 y 的類型被推斷為字符串。如果定義時沒有賦值，將被推斷為 any 類型。設(shè)置默認(rèn)參數(shù)和決定返回值時的例子：// 返回值推斷為 numberfunction add(a:number, b:10) { return a + b}const obj = { a: 10, b: 'hello world'}obj.b = 15 // Error，Type '15' is not assignable to type 'string'代碼解釋：第 1 行，參數(shù) b 有默認(rèn)值 10，被推斷為 number 類型。第 2 行，兩個 number 類型相加，函數(shù) add() 返回值被推斷為 number 類型。最后一行，obj 的類型被推斷為 {a: number, b: string}，所以屬性 b 不能被賦值為數(shù)字。const obj = { protagonist: 'Sherlock', gender: 'male'}let { protagonist } = obj代碼解釋： 通過解構(gòu)賦值也可以完成正確的類型推斷：let protagonist: string。
在 Scientific mode 模式，可以將代碼格式化為一組可執(zhí)行代碼片斷，每個片斷都可以單獨運(yùn)行。要將代碼拆分為獨立運(yùn)行的部分，只需在適當(dāng)?shù)奈恢锰砑? #%% 行。在 main.py 中加入以下代碼：主要功能是生成一個散點圖。import numpy as npN = 50x = np.random.rand(N)y = np.random.rand(N)colors = np.random.rand(N)area = np.pi * (15 * np.random.rand(N))**2 # 0 to 15 point radiiplt.scatter(x, y, s=area, c=colors, alpha=0.5)plt.show()加了上面代碼后，main.py 除了生成上面的折線圖，還會再生成散點圖。為了使這兩張圖的生成分段執(zhí)行，如下圖所示，加兩行 # %% 行，然后分別點擊邊框中綠色箭頭執(zhí)行不同代碼。
text-shadow 一共接受 4 個參數(shù)，前兩個是陰影的位置通過 x，y坐標(biāo)系來設(shè)定，第三個參數(shù)設(shè)定模糊的大小，最后一個參數(shù)設(shè)定陰影的顏色。
這個標(biāo)簽用于繪制分?jǐn)?shù)，它的子元素必須是2個，不然的話會出現(xiàn)報錯，例如：（請使用 Firefox 運(yùn)行下面代碼）1073以上示例中的分母是 10，分子是 y。
不同于上一節(jié)所示上標(biāo)、下標(biāo)，在數(shù)學(xué)公式中有一種更為簡單的定義方式。實例 6：上標(biāo)符號：$x^2$ 下標(biāo)符號：$y_1$ 組合符號：$a^{x^{2}+y^{2}}$ 其渲染效果如下：
在我們開始的我們的可視化的之旅之前，需要簡單的介紹一些數(shù)據(jù)分析工具，我們的數(shù)據(jù)可視化的任務(wù)也是建立在數(shù)據(jù)分析的基礎(chǔ)之上。Python 的主要數(shù)據(jù)分析工具如下所示：Numpy：這個是數(shù)據(jù)計算的工具，主要用來進(jìn)行矩陣的運(yùn)算，矢量運(yùn)算等等。Scipy：科學(xué)計算函數(shù)庫，主要用在學(xué)術(shù)領(lǐng)域，主要包含線性代數(shù)模塊，信號與圖像處理模塊，統(tǒng)計學(xué)模塊等等。Sympy：數(shù)學(xué)符號計算庫Pandas：包含了 numpy 的各種功能，并提供了更加強(qiáng)大的函數(shù)，以及更加豐富的數(shù)據(jù)模型。Pandas的主要數(shù)據(jù)結(jié)構(gòu)為 Series 和 DataFrame。Series 可以當(dāng)作是一般的數(shù)組，區(qū)別就是Series數(shù)組有索引的性質(zhì)，這個和普通的數(shù)組十分不同。我們可以通過series.index來獲取index的值。DataFrame 可以把它想像成數(shù)據(jù)的表格的概念，它是把一個或者多個Series按照邏輯合并后的二維數(shù)據(jù)結(jié)構(gòu)。接下來讓我們開始我們數(shù)據(jù)可視化之旅吧。首選，我們來畫一張最基本的直方圖。from matplotlib import pyplot //引入matplotlib庫進(jìn)行繪制圖形import numpy as np //引入numpy,來生成隨機(jī)數(shù)x = np.arage(12)y = np.random.rand(12)labels = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec]pyplot.bar(x,y, color='red', tick_label=labels) //繪制條形圖pyplot.title('first chart')plot.show()上面這幅是條形圖，我們可以看到 x 軸是月份，總共分為 12 個月，縱軸則是每個月的數(shù)值在 0-1 之間的值。x = np.random.randn(800)pyplot.hist(x,150) //繪制直方圖pyplot.title('second chart')pyplot.show()上面這幅是直方圖，默認(rèn)的為藍(lán)色，數(shù)據(jù)在我們?nèi)‰S機(jī)數(shù)之后，基本上是呈現(xiàn)一個對稱分布的情況。from mpl_toolkits.mplot3d import Axes3D //引入三維圖形包pic = pyplot.figure()ax = Axes3D(pic)x = np.arange(-1, 3, 0.3) //x軸取值范圍y = np.arange(-1, 3, 0.3 //y軸取值范圍a, b = np.meshgrid(x,y) //繪制二維圖形c = a**2 + b **2ax.plot_surface(a,b,c, cmap= pyplot.get_cmap('rainbow')) //繪制三維圖ax.set_zlim(-1, 10)pyplot.title('last chart')pyplot.show()除了簡單的二維圖形，同樣，matplotlib 也可以很輕松的繪制三維圖形，上面的代碼就是我們繪制三位圖形的簡單版本，效果如下所示：
在接收到各個狀態(tài)的事件之后，我們需要從中獲取當(dāng)前的觸摸/滑動坐標(biāo)，如下：float x = ev.getX();float y = ev.getY();
首先我們和之前一樣，進(jìn)行數(shù)據(jù)的獲?。篿mport numpy as npimport pandas as pdimport tensorflow as tfx_train = pd.read_csv('https://storage.googleapis.com/tf-datasets/titanic/train.csv')x_test = pd.read_csv('https://storage.googleapis.com/tf-datasets/titanic/eval.csv')y_train = x_train.pop('survived')y_test = x_test.pop('survived')然后我們要定義連序列以及離散列：categories = ['sex', 'n_siblings_spouses', 'parch', 'class', 'deck', 'embark_town', 'alone']numeric = ['age', 'fare']然后我們就要定義特征列了：def one_hot_cat_column(feature_name, vocab): return tf.feature_column.indicator_column(tf.feature_column.categorical_column_with_vocabulary_list(feature_name, vocab))feature_columns = []for feature_name in categories: feature_columns.append(one_hot_cat_column(feature_name, x_train[feature_name].unique()))for feature_name in numeric: feature_columns.append(tf.feature_column.numeric_column(feature_name,dtype=tf.float32))在第一個 one_hot_cat_column 函數(shù)之中，我們對于特征列進(jìn)行了獨熱編碼。并且我們對于離散列與連續(xù)列進(jìn)行了不同的處理。然后我們定義輸入函數(shù)，這里我們?nèi)匀欢x了兩個輸入函數(shù)，一個為訓(xùn)練使用，另一個為測試使用:def train_input_fn(x, y): dataset = tf.data.Dataset.from_tensor_slices((dict(x), y)) dataset = dataset.shuffle(len(y_train)).repeat().batch(32) return datasetdef test_input_fn(x, y): dataset = tf.data.Dataset.from_tensor_slices((dict(x), y)).batch(32) return datasettrain_input = lambda: train_input_fn(x_train, y_train)test_input = lambda: test_input_fn(x_test, y_eval)在這之后，我們便需要定義我們的提升樹模型了：estimator = tf.estimator.BoostedTreesClassifier(feature_columns, n_batches_per_layer=len(y_train) // 32)這里的第一個參數(shù) feature_columns 就是特征列，這個很好理解；關(guān)鍵是第二個參數(shù)，大家要記住的是， n_batches_per_layer 這個參數(shù)需要是樣本的數(shù)量與批次大小的商，因為這里我們的批次大小為 32 ，因此我們設(shè)置其為 (y_train) // 32 。最后便是模型的訓(xùn)練了：estimator.train(train_input, max_steps=100)result = estimator.evaluate(test_input)print(pd.Series(result))于是我們可以的得到輸出：accuracy 0.787879accuracy_baseline 0.625000auc 0.835384auc_precision_recall 0.825271average_loss 0.554901label/mean 0.375000loss 0.552625precision 0.747126prediction/mean 0.454899recall 0.656566global_step 100.000000dtype: float64于是我們可以得到了我們訓(xùn)練結(jié)果： 78% 的準(zhǔn)確率。為了做對比，大家可以采用一個簡單的線性分類器來做對比，也就是:tf.estimator.LinearClassifier(feature_columns)通過對比，大家就可以看到集成學(xué)習(xí)的優(yōu)勢。
字符串類型的數(shù)據(jù)表示一段文本，使用單引號或者雙引號創(chuàng)建：單引號字符串 ‘hello’雙引號字符串 “world”在 python 中使用字符串的例子如下：>>> x = 'hello'>>> x'hello'>>> y = "world">>> y'world'在第 1 行，創(chuàng)建了使用單引號字符串 hello，并將值賦給變量 x 在第 2 行，顯示變量 x 的值為 ‘hello’在第 3 行，創(chuàng)建了使用雙引號字符串 world，并將值賦給變量 y 在第 4 行，顯示變量 y 的值為 ‘world’使用單引號或者雙引號創(chuàng)建的字符串只能在一行，而使用三引號允許一個跨多行的字符串。使用 3 個單引號創(chuàng)建的多行字符串示例如下：s = '''line 1line 2line 3'''print(s)使用 3 個雙引號創(chuàng)建的多行字符串示例如下：s = """line 1line 2line 3"""print(s)以上程序的輸出如下：line 1line 2line 3
shadowOffsetY 屬性作用是設(shè)置垂直偏移量，可以為負(fù)數(shù)，負(fù)數(shù)值向上偏移。變量說明：屬性名類型說明shadowOffsetYNumber設(shè)置陰影在 Y 軸方向的偏移量，負(fù)值表示向上偏移，正值表示向下偏移，默認(rèn)為0。
const a: number = 1const add = (x: number, y:number) => x + y interface User { nickname: string, department: string}class Employee implements User { public nickname!: string public department!: string}type used = true | falseexport { a, add, Employee }解釋： 先進(jìn)行聲明操作，最終統(tǒng)一使用 export 關(guān)鍵字導(dǎo)出。
通常無論是控件還是布局我們會先介紹屬性，但是 ScrollView 本質(zhì)是一個 FrameLayout，作用也只是增加一個滾動效果，并沒有什么很特別的屬性，這里主要介紹一下幾個控制滾動的 API：fullScroll()：將列表滾動到頂部或者底部：ScrollView.FOCUS_DOWN 表示滾動到底部；ScrollView.FOCUS_UP 表示滾動到頂部。scrollTo()：將列表滾動到指定位置，參數(shù)為 x/y，分別表示橫縱坐標(biāo)的坐標(biāo)值。這里要注意如果是縱向的 ScrollView，那么橫坐標(biāo)（x）是無效的；相反橫向的 ScrollView，縱向（y）是無效的。
export 是導(dǎo)出語法，import 是導(dǎo)入語法。看下面的實例：// a.jsexport let x = 1;export let y = 2;// main.jsimport {x, y} from './a.js';console.log(x, y)上面代碼中，a.js 文件中使用 export 導(dǎo)出 x 和 y 兩個變量，在 mian.js 文件中使用 import 進(jìn)行導(dǎo)入。a.js 中還可以使用對象的方式導(dǎo)出：let a = 1;let b = 2;export { a, b,}從上面的 main.js 文件中可以看出，export 使用的是引用方式進(jìn)行導(dǎo)出的，導(dǎo)出的是一個接口，所以不能直接導(dǎo)出一個值。我們?nèi)缦聦嵗簂et a = 1;export a; // 編譯報錯// 正確的方式如下Export let a = 1;雖然使用 export 不能直接導(dǎo)出一個值，但是可以使用 export default 導(dǎo)出一個特定的值：export default 100;export 模塊導(dǎo)出的是一個接口，在模塊內(nèi)如果數(shù)據(jù)更新，則所依賴的地方的值都是最新的。// a.jslet a = 1;setInterval(() => { a++})export { a}// main.jsimport { a } from './a.js';setInterval(() => { consolog.log(a)})import 有聲明的特點，類似 var 的特點，可以實現(xiàn)變量提升，但是不能修改變量對應(yīng)的值。// main.jsconsole.log(a)import { a } from './a.js';a = 100; // 這樣賦值是錯誤的使用 export + from 命令的方式，提供了一種便捷的方式在當(dāng)前的模塊導(dǎo)出其他模塊的內(nèi)容，不能在當(dāng)前模塊下使用導(dǎo)出的變量。// b.jslet a = 1;let b = 2;export { a, b,}// a.jsexport {a,b} from './b.js';export c = () => {}// 等價于使用import 先導(dǎo)入，然后再使用 export 導(dǎo)出import { a, b } from './b';export { a, b,}// main.jsimport {a, b, c} from './a.js'export 和 import 命令規(guī)定要處于模塊頂層，一旦出現(xiàn)在塊級作用域內(nèi)，就會報錯。// a.js{ export let a = 1;}// main.js{ import { a } from './a';}//控制臺答應(yīng)錯誤內(nèi)容： 'import' and 'export' may only appear at the top level上面的代碼中 export 和 import 都放在塊級作用域中的，執(zhí)行時會報錯，提升你 export 和 import 只能在頂級出現(xiàn)。
可索引類型接口讀起來有些拗口，直接看例子：// 正常的js代碼let arr = [1, 2, 3, 4, 5]let obj = { brand: 'imooc', type: 'education'}arr[0]obj['brand']再來看定義可索引類型接口：interface ScenicInterface { [index: number]: string}let arr: ScenicInterface = ['西湖', '華山', '故宮']let favorite: string = arr[0]示例中索引簽名是 number類型，返回值是字符串類型。另外還有一種索引簽名是 字符串類型。我們可以同時使用兩種類型的索引，但是數(shù)字索引的返回值必須是字符串索引返回值類型的子類型。通過下面的例子理解這句話：// 正確interface Foo { [index: string]: number; x: number; y: number;}// 錯誤interface Bar { [index: string]: number; x: number; y: string; // Error: y 屬性必須為 number 類型}代碼解釋：第 12 行，語法錯誤是因為當(dāng)使用 number 來索引時，JavaScript 會將它轉(zhuǎn)換成 string 然后再去索引對象。也就是說用 100（一個number）去索引等同于使用"100"（一個string）去索引，因此兩者需要保持一致。
這里一定要記住這幾個要點：上欄和下欄的寬度加起來要剛好是屏幕的高度下欄一定要寫overflow-y: auto下欄的背景什么的最好寫在子元素上，除非你就是想要這種背景不動的效果
可以在 StudentModel 中創(chuàng)建如下方法處理追加字段值： public function getCreatedAtTextAttr() { return date('Y-m-d H:i',$this->created_at); }如下圖所示：Tips： 追加字段處理的方法命名格式為 getAaaBbbAttr() 這種格式，其中 AaaBbb 是追加字段按照大駝峰命名書寫的。
