在达内培训做电信DMS 客户类遇到的问题 希望哪个大哥能指点下 谢谢

过天 过天 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年,写一次发全网 我也要 + 加入社区
这个代码
这个代码负责匹配用户计时的登入和登出的。。
* 负责匹配登录/登出数据,并返回用户登录时间数据。
* 参数是两个Vector类型的登录/登出数据结构,元素类型是LogRecord,返回的是匹配好的用户登录时长记录,数据类型是Vector,
* 其中元素类型是MatchedRecord,详细说明请 参考MatchedRecord类的说明。
* @param logins 登录数据结构
* @param logouts 登出数据结构
* @return 匹配生成的用户登录时长数据
* @throws MatchedException
*/
private Vector<MatchedRecord> match(Vector<LogRecord> logins,
Vector<LogRecord> logouts) throws MatchedException{
Vector<MatchedRecord> matches = new Vector<MatchedRecord>();//存放匹配结果
LogRecord logout = null;
for(int i=0;i<logouts.size();i++){//进行迭代-然后匹配处理
logout = logouts.get(i);
LogRecord login = null;
for(int j=0;j<logins.size();j++){
login = logins.get(j);
if (login.getPid() == logout.getPid()&& login.getUserip().equals(logout.getUserip())) {
long duration = logout.getVisittime()- login.getVisittime();//登录时长
if(duration<0){
//这种情况不可能发生,除非数据出了问题
//System.out.println(logout);
//System.out.println(login);
//把登出数据删除,保留登入数据
logouts.remove(logout); // 我的问题所在 我的问题所在
//throw new MatchedException("匹配出来的时长数据不合理");
}else{
// 6.产生MatchedRecord对象,并放入Vector类型的结构
MatchedRecord match = new MatchedRecord();
match.setLabip(logout.getLabip());
match.setUser(logout.getUser());
match.setLogintime(login.getVisittime());
match.setLogouttime(logout.getVisittime());
match.setUserip(logout.getUserip());
match.setDuration(duration);
matches.add(match);
logins.remove(j);
//把匹配过的数据删除
j--;
//理论上每个登出肯定都能找到一个登入,所以匹配过的数据的删除可以在这里实现
//logouts.remove(i); //匹配过的数据才登录,登出中都要删除。
break;
}
}
}
logouts.remove(i); //匹配过的数据才登录,登出中都要删除。
i--;
}
return matches;
}

我想问一下 logouts.remove(logout); 后 为什么不BREAK 如果不BREAK得话 他将会接着用LOGOUTS登出的下一个继续与登入比较 但是这个时候J已经变了,也就是说登入不是从第一个与登出的下一个比较,而是第J个登入与登出的下一个比较,万一J前面与登出的下一个有匹配的 不是不能匹配了?
...全文

相关推荐

10、反向诈骗:社会工程学的隐秘威胁

本文深入探讨了反向诈骗这一隐蔽而危险的欺诈手段,重点分析了其在银行和警察系统中的实际案例,揭示了攻击者如何利用人性弱点和社会工程学技巧获取敏感信息。文章还总结了反向诈骗的流程,提出了防范建议,并展望了未来诈骗趋势。通过加强安全意识、完善制度和跨行业合作,可以有效应对这一威胁,保护信息安全。

salt

48、电力系统弹性的综合指南

本博客全面探讨了电力系统弹性的重要性及其在自然灾害和网络攻击中的应对策略。内容涵盖灾前准备、灾后恢复、技术提升方法、网络安全防护以及未来发展趋势,旨在为提高电力系统的稳定性和可靠性提供参考。

tgb3456789

10、探索用于合成数据的扩散模型

本文深入探讨了扩散模型作为一种前沿的合成数据生成方法,涵盖其基本原理、训练过程中的正向与反向扩散机制,以及在图像、音频、文本等多种模态中的广泛应用。文章对比了扩散模型与VAEs和GANs的优劣,分析了其在训练稳定性、生成质量与多样性方面的优势,并讨论了高计算复杂度和对大规模训练数据依赖等挑战。通过一个汽车事故图像分类的实际案例,展示了扩散模型在真实场景中的应用流程。最后展望了扩散模型在提升效率、拓展领域及技术融合方面的未来发展方向,并提供了选择生成模型的决策建议。

Dream

AI编排实战:MuleSoft与LangChain协同构建企业级AI集成架构

AI编排(AI Orchestration)是企业在合规、安全与系统异构约束下实现大模型落地的核心范式,其本质是将LLM的语义理解能力与企业级集成平台的数据调度能力分层解耦。它基于统一身份认证、协议抽象、数据编织和可观测性等基础能力,解决金融、保险、电信等行业中API权限失控、遗留系统对接困难、敏感数据泄露及SLA不可控等共性难题。技术价值在于打通SAP、Salesforce、Oracle等核心系统与大模型之间的‘数据金线’,支撑智能理赔、销售预警、客服辅助等高价值场景。本文聚焦MuleSoft与LangC

weixin_34232744

数据清洗实战:构建可追溯、可验证、可复用的数据质量操作系统

数据清洗是保障数据分析与机器学习效果的基础环节,其本质是对原始数据的准确性、完整性、一致性等六维质量进行系统性校验与修复。它不仅涉及缺失值填充、异常值识别等基础操作,更需结合业务语义理解数据生成路径——如人为录入偏差、系统集成断层、设备采集失真等七类真实脏数据源头。通过建立可追溯的清洗规则引擎、嵌入置信度标注的准确性校验、支持多源仲裁的实体解析机制,企业能将数据清洗从临时脚本升级为可持续演进的数据质量操作系统,显著提升模型鲁棒性与业务决策可信度。

Mathilda91
评论 2
收藏 已收藏
分享
返回顶部
过天
Java EE 67,535 成员 225,843 内容