博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Kotlin - 枚举与密封类
阅读量:1979 次
发布时间:2019-04-27

本文共 1828 字,大约阅读时间需要 6 分钟。

枚举

Kotlin 支持枚举,需要使用 enum class 进行声明,如:

enum class LogLevel {
VERBOSE, DEBUG, INFO, WARN, ERROR, ASSERT}

上面的代码可以理解为是 LogLevel 类的 companion object 语法糖:

class LogLevel private constructor() {
companion object {
val VERBOSE = LogLevel() val DEBUG = LogLevel() val INFO = LogLevel() val WARN = LogLevel() val ERROR = LogLevel() val ASSERT = LogLevel() }}

所以我们可以知道枚举中的每一个成员,其实都是枚举的一个实例对象,因此枚举会比较占内存;另外,因为 class 默认是 final 的,且构造器是 private 的,所以枚举没有子类,因此枚举是实例可数的。既然枚举是类,那它就可以有构造函数以及成员方法:

enum class LogLevel(val id: Int) {
VERBOSE(0), DEBUG(1), INFO(2), WARN(3), ERROR(4), ASSERT(5); override fun toString(): String {
return "id = $id, name = $name, ordinal = $ordinal" }}

枚举 enum class 自身提供了几个有用的成员属性与方法:

  • 成员属性 ordinal 可以获取到当前枚举实例的序号
  • 成员方法 values() 可以获取到枚举的所有实例对象
  • 成员方法 valueOf() 可以根据枚举实例名获取到枚举实例对象
fun main() {
println(LogLevel.DEBUG.ordinal) // 1 LogLevel.values().map(::println) // id = 0, name = VERBOSE, ordinal = 0 // id = 1, name = DEBUG, ordinal = 1 // id = 2, name = INFO, ordinal = 2 // id = 3, name = WARN, ordinal = 3 // id = 4, name = ERROR, ordinal = 4 // id = 5, name = ASSERT, ordinal = 5 println(LogLevel.valueOf("ERROR")) // id = 4, name = ERROR, ordinal = 4}

密封类

密封类是子类有限的类,需要使用 sealed class 进行声明:

// SealedClassExample.ktsealed class Humanclass YellowRace : Human() // 黄种人class WhiteRace : Human() // 白种人class BlackRace : Human() // 黑种人object Jesus : Human() // 耶稣object MonkeyKing : Human() // 齐天大圣

它的构造器默认就是 private 的,且不可修改,它的子类只能定义在同个 kt 文件中或者是密封类的内部类:

综上,我们可以发现枚举(enum class)和密封类(sealed class)很相似,但要分清楚两者的区别:

  • 枚举:实例可数,没有子类。
  • 密封类:子类可数,有子类。

转载地址:http://lshpf.baihongyu.com/

你可能感兴趣的文章
启发函数heuristic 与 A*
查看>>
Image Pyramid(图像金字塔)
查看>>
Oracle 作业记录
查看>>
putty连接AWS配置(multimedia project)
查看>>
Hourglass Network 沙漏网络 (pose estimation姿态估计)
查看>>
OpenCV实战(二)——答题卡识别判卷
查看>>
目标检测神经网络的发展历程(52 个目标检测模型)
查看>>
Boundary loss 损失函数
查看>>
神经网络调参实战(一)—— 训练更多次数 & tensorboard & finetune
查看>>
tensorflow使用tensorboard进行可视化
查看>>
神经网络调参实战(二)—— activation & initializer & optimizer
查看>>
凸优化 convex optimization
查看>>
数据库索引 & 为什么要对数据库建立索引 / 数据库建立索引为什么会加快查询速度
查看>>
IEEE与APA引用格式
查看>>
research gap
查看>>
pytorch训练cifar10数据集查看各个种类图片的准确率
查看>>
Python鼠标点击图片,获取点击点的像素坐标
查看>>
路径规划(一) —— 环境描述(Grid Map & Feature Map) & 全局路径规划(最优路径规划(Dijkstra&A*star) & 概率路径规划(PRM&RRT))
查看>>
神经网络调参实战(四)—— 加深网络层次 & 批归一化 batch normalization
查看>>
数据挖掘与数据分析(三)—— 探索性数据分析EDA(多因子与复合分析) & 可视化(1)—— 假设检验(μ&卡方检验&方差检验(F检验))&相关系数(皮尔逊&斯皮尔曼)
查看>>