Tag: scala

如果例外情况是案例类?

我的自定义exceptiontypes应该是case class ? 好的一面,我得到提取器。 在负面,我得到不正确的平等语义。 但是我可以通过压倒equals来避免这种情况。 那么在概念层面上,让它们成为case class是有意义的吗?

针对LLVM的function语言

有没有针对LLVM的语言: 是静态types的 使用types推断 是function(即lambdaexpression式,闭包,列表原语,列表parsing等) 拥有一stream的面向对象特性(inheritance,多态,mixins等) 有一个复杂的types系统(generics,协方差和逆变等) 所有这些都是Scala,但只针对JVM。 F#(在某种程度上C#)是最重要的,如果不是所有这些,但只针对.NET。 什么类似的语言针对LLVM?

rubyvs斯卡拉 – 每个人的优点和缺点

Scala语言与Ruby相比有哪些优点和限制,特别是从Web应用程序开发人员的angular度来看? 比较图表和certificate链接非常受欢迎。 PS这不是一个神圣的战争问题( – :

Scala 2.10 + Json序列化和反序列化

斯卡拉2.10似乎已经打破了一些老图书馆(至less目前)像jackson和电梯。 目标可用性如下: case class Person(name: String, height: String, attributes: Map[String, String], friends: List[String]) //to serialize val person = Person("Name", ….) val json = serialize(person) //to deserialize val sameperson = deserialize[Person](json) 但是我很难find现有的生成和反序列化JSON的方法,这些方法和Scala 2.10一起工作。 在Scala 2.10中有最好的做法吗?

在Spark DataFrame中从单个列派生多个列

我有一个巨大的可parsing元数据的DF作为一个数据框中的单个string列,让我们称之为DFA,ColmnA。 我想通过函数ClassXYZ = Func1(ColmnA)将此列ColmnA分成多个列。 这个函数返回一个具有多个variables的ClassXYZ类,每个variables现在都必须映射到新的Column,比如ColmnA1,ColmnA2等。 我如何通过调用这个Func1一次来从1个Dataframe到另外一个列进行这样的转换,而不必重复它来创build所有的列。 如果我每次都要调用这个巨大的函数来添加一个新的列,那么这很容易解决,但这是我想避免的。 请告知工作或伪代码。 谢谢 桑杰

我如何在Scala中执行多个任务?

我有50,000个任务,想用10个线程执行它们。 在Java中,我应该创buildExecuters.threadPool(10)并传递runnable,然后等待处理所有。 据我所知,Scala对于这个任务特别有用,但我无法在文档中find解决scheme。

斯卡拉与F#问题:他们如何统一面向对象和计划范式?

Scala和F#采取的统一面向对象和面向对象的方法之间的主要区别是什么? 编辑 每种方法的优点和缺点是什么? 如果,尽pipe支持子types,F#可以推断函数参数的types,那么为什么不能Scala?

让一个Scala解释器工作

我对Scala很新。 我已经下载它,在Eclipse中工作,我将开发它; 但是我不能在terminal上工作。 所有网站和书籍都只是inputscala – 这是行不通的。 该网站令人不愉快地说: 我们假设Scala软件和用户环境都正确设置。 我该怎么做? 我对此很陌生,使用Jargon或假设对Scala周围的框架有太多的了解会毁了一个很好的回应; 请保持简单。 Mac OS X(10.6.7) Scala:2.9.0.1 谢谢

如果Java的人去斯卡拉,C#去F#,Ruby的人去哪里function涅??

我知道很多Java开发人员已经开始关注Scala,因为它运行在JVM上,许多Microsoft世界的人都在关注F#,但是Ruby作为一个自然的function性inheritance者有什么用处? 在一个纯粹的FP意义上,Ruby并不缺less任何东西,反而有些人可能会说。 一个函数式语言迫使程序员不要使用全局variables和其他习语(尽pipe可以在函数式语言中使用全局variables)

在Apache Spark中为具有大量列的数据集创build一个mlpipe道的最佳方法

我正在使用Spark 2.1.1来处理具有〜2000特性的数据集,并试图创build一个基本的MLpipe道,由一些变形金刚和一个分类器组成。 我们假设为了简单起见,我正在使用的pipe道包含一个VectorAssembler,StringIndexer和一个Classifier,这将是一个相当常见的用例。 // Pipeline elements val assmbleFeatures: VectorAssembler = new VectorAssembler() .setInputCols(featureColumns) .setOutputCol("featuresRaw") val labelIndexer: StringIndexer = new StringIndexer() .setInputCol("TARGET") .setOutputCol("indexedLabel") // Train a RandomForest model. val rf: RandomForestClassifier = new RandomForestClassifier() .setLabelCol("indexedLabel") .setFeaturesCol("featuresRaw") .setMaxBins(30) // add the params, unique to this classifier val paramGrid = new ParamGridBuilder() .addGrid(rf.numTrees, Array(5)) .addGrid(rf.maxDepth, Array(5)) .build() // […]