states

cordova plugin add cordova-plugin-network-information 　　 mounted(){ this.checkConnection() document.addEventListener("offline", this.onOffline(), false); } 　　 checkConnection (){ let networkState = navigator.connection.type; let states = {}; states[Connection.UNKNOWN] = 'Unknown connection'; states[Connection.ETHERNET] = 'Ethernet connection'; states[Connection.WIFI] = 'WiFi connection'; states[Connection.CELL_2G] = 'Cell 2G connection'; states[Connection.CELL_3G] = 'Cell 3G connection'; states[Connection.CELL_4G] = 'Cell 4G connection'; states[Connection.CELL] = 'Cell generic connection';

引入 最近在做商城项目，负责订单模块的开发，在浏览微信支付官方文档的时候，在统一下单API文档中提到了“状态机”的概念，由此联想到我们的代码实现可以应用这个模式。 概念 状态模式是一种行为模式，在不同的状态下有不同的行为。状态模式的行为是平行的，不可替换的，比如电梯状态可以分为开门状态，关门状态，运行中状态。状态模式把对象的行为包装在不同的状态对象里，对象的行为取决于它的状态，当一个对象内部状态改变时，行为也随之改变。 意义 状态机可以对业务状态进行梳理，使项目结构更加清晰，提高代码可读性，同时可以轻松应对不断增加的业务场景。 实现（订单主流程） 在实现方面，把业务拆解成【状态枚举、事件枚举、 状态机配置、 状态机监听器】四个核心部分。 在 状态枚举 中列出订单的所有状态； 在 事件枚举 中列出触发订单状态切换的行为； 在 状态机配置 中配置业务流程中的种种行为和行为发生时的原始状态到目标状态的切换，我喜欢把每一个配置的触发称为“ 部件启动 ”； 状态机监听器 负责监听状态机配置中的状态机部件启动，控制业务流程的走向。 业务流程 项目结构 States 状态枚举 public enum States { /** 待提交 */ PENDING_SUBMIT, /** 待支付 */ PENDING_PAYMENT, /** 已支付 */ ALREADY_PAID, /** 用户取消 *

目录 一、需求 二、实现思路 三、最终方案：动态规划 四、使用方式 1.直接调用代码（适合用来开发自己的软件） 2.命令行模式（适合不会编程的人使用） 五、总结 一、需求 公司有一个比较坑爹的报销方案，需要根据一堆碎的发票中，凑出一个目标金额，要求误差在1块钱以内 缺点：每次人肉去对比，浪费大量的时间。 大概是这样的，新建一个excel表格，将所有的金额录入，然后自己勾选发票，直到目标金额出现，如下图 二、实现思路 最差方案：全组和 使用全组合，搜索所有组合方案，遍历满足的结果输出，时间复杂度为O(n!)，原先调用了python的排列组合函数实现，结果卡得不行，有时候能把程序跑挂了 中等方案：回溯暴力破解 利用回溯输出，存在重复递归，时间复杂度为O(2^n)，一般来说已经满足正常需求，但是如果n很大，还是影响性能 最优方案：动态规划 时间复杂度为O(n*w)，为最快方案，提升气质指数，5颗星！ 三、最终方案：动态规划 最终用动态规划思想实现，空间换时间，200个碎票匹配1万的金额秒出结果，大概使用800M内存， 代码已经贴到github： chenqionghe/amount-calculator 核心代码如下 package main import ( "fmt" "github.com/shopspring/decimal" "strconv" "time" ) type

R语言回归分析 回归分析可以说是统计学的核心，它其实是一个广义的概念，通指那些用一个或多个预测变量（也称自变量或解释变量）来预测响应变量（也称因变量、效标变量或结果变量）的方法。通常，回归分析可以用来挑选与响应变量相关的解释变量，可以描述两者的关系，也可以生成一个等式，通过解释变量来预测响应变量。 最小二乘法回归是通过预测变量的加权和来预测量化的因变量，其中权重是通过数据估计而得的参数，目标是通过减少响应变量的真实值与预测值的差值来获得模型参数（截距项和斜率），具体而言，即使得残差平方和最小。下面将通过几篇博客介绍回归分析，这是第二篇：异常观测值。 8.4.1 离群点 离群点是指那些模型预测效果不佳的观测点。它们通常有很大的、或正或负的残差（Y[i] –Ŷ[i] 。 正的残差说明模型低估了响应值，负的残差则说明高估了响应值。下面是查看离群点的两种方法： QQ图：在之前通过QQ图，落在置信区间带外的点即可被认为是离群点 标准化残差：另外一个粗糙的判断方法是：标准化残差值大于2或者小于–2的点可能是离群点，需要特别关注。 这里介绍的是 car 包里面的 outlierTest() 函数，该函数可以求得最大标准化残差绝对值Bonferroni调整后的p值，注意，该函数只是根据单个最大（或正或负）残差值的显著性来判断是否有离群点。若不显著，则说明数据集中没有离群点；若显著

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 最近 Spring 家族又填新丁 —— Spring Statemachine，Spring 状态机： Spring Statemachine 1.0.0 Released http://spring.io/blog/2015/10/13/spring-statemachine-1-0-0-released Spring Statemachine Homepage http://projects.spring.io/spring-statemachine/ 之所以介绍这个项目是因为状态机是一个解决某些复杂逻辑的不错的选择。之前在做一个即时通信项目的时候就大量使用了状态机的设计。原因也很简单，就是系统中存在大量各式各样的状态，以及能使系统在这些状态之间转换的事件。采用状态机的设计便是自然而然的事情。 但是当时我们项目的状态机实现并不好，复杂笨重。其中一个缺点是，状态转换的定义语法复杂，可读性差。但无奈当时市面上并没有太好的通用的状态机框架可供使用。后来无意间发现了 Apache Mina 中的状态机实现其实还不错，用法简单。所以后来就参考 Mina 实现了一个可用 Annotation 定义事件 Transaction 的状态机实现，并用它改进项目中设计。当然后来因为换工作，这些改进就没有继续。 当然，用