自定义类型——枚举

简介: 自定义类型——枚举

9298902d35194040b5a222f42595056f.png


1.枚举的定义


枚举顾名思义就是一一列举。将可能的取值一一列举。


比如我们现实生活中:


  • 一周的星期一到星期日是有限的7天,可以一一列举。
  • 性别有:男、女、也可以一一列举。
  • 月份有12个月,也可以一一列举


像在这些场景中就可以使用枚举了。


枚举的声明:(需要用到enum关键字)


enum Day//星期
{
    Mon,
    Tues,
    Wed,
    Thur,
    Fri,
    Sat,
    Sun
};
enum Sex//性别
{
    MALE,
    FEMALE,
    SECRET
};
enum Color//颜色
{
    RED,
    GREEN,
    BLUE
};


以上定义的enum Day , enum Sex , enum Color 都是枚举类型。{}中的内容是枚举的可能取值。也叫做枚举常量。


注意:这些可能的取值都是有值的,默认会从0开始,依次递增1。当然可以在声明枚举的时候主动为其赋值,例如:


enum Color//颜色
{
    RED=1,
    GREEN=2,
    BLUE=4
};


4c5161841057c1f7585c5503c9b1a334_bc99bce3603c42fe86e0310e02a708f3.png


注意:枚举类型里的可能取值都是常量。一旦枚举声明之后其成员的值是不能被修改的。


enum Color//颜色
{
    RED = 1,
    GREEN = 2,
    BLUE = 4
};
int main()
{
    RED = 3;
    return 0;
}


373e8e42146df4e98786829d8fee523b_a47daf9f0c7c4bf78289dece248605af.png


2.枚举的优点


为什么使用枚举?


我们可以使用#define 定义常量,为什么非要使用枚举呢?


枚举的优点:


  1. 增加代码的可读性和可维护性。
  2. 和#define定义的标识符比较枚举有类型检查,更加严谨。
  3. 便于调试。
  4. 使用方便,一次可以定义多个常量。


3.枚举的使用


enum Color//颜色
{
    RED=1,
    GREEN=2,
    BLUE=4
};
int main()
{
  enum Color c = GREEN;
  return 0;
}


注意:在对枚举类型的变量赋值时,最好使用枚举声明里的可能的取值给枚举变量赋值。


4.完结


枚举的全部内容就到这里啦,若有不足,欢迎评论区指正,下期见!


相关文章
|
设计模式 容灾 关系型数据库
MySQL 主从复制架构
MySQL 主从复制架构
|
网络协议 网络架构
动图图解!既然IP层会分片,为什么TCP层也还要分段?
动图图解!既然IP层会分片,为什么TCP层也还要分段?
754 0
|
7天前
|
数据采集 人工智能 安全
|
17天前
|
云安全 监控 安全
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
287 164
|
2天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
297 155
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
231 113