协方差(大致)是在使用它们的复杂类型中 镜像 “简单”类型的 继承 的能力。
例如,我们始终可以将的实例Cat
视为的实例Animal
。如果ComplexType是协变ComplexType<Cat>
的ComplexType<Animal>
,则可以将A
视为a 。
我想知道:协方差的“类型”是什么,它们与C#有什么关系(是否支持它们?)
代码示例将很有帮助。
例如,一种类型是Java支持的 返回类型covariance ,但C#不支持。
我希望有功能编程知识的人也能加入!
这是我能想到的:
更新资料
阅读了埃里克·利珀特(Eric Lippert)提出的建设性评论和大量文章后,我改善了答案:
返回类型协方差 :
在Java(> = 5)[1]
和C
++中可用[2]
,但在C#中不支持(Eric
Lippert解释了为什么不这样做以及您可以对此做些什么):
class B {
B Clone();
}
class D: B {
D Clone();
}
接口协方差[3]
-C#支持
BCL将通用IEnumerable
接口定义为协变的:
IEnumerable<out T> {...}
因此,以下示例是有效的:
class Animal {}
class Cat : Animal {}
IEnumerable<Cat> cats = ...
IEnumerable<Animal> animals = cats;
请注意,IEnumerable
按定义,is是“只读”的-您不能向其中添加元素。
与此相反,IList<T>
可以使用.Add()
以下方法修改其定义:
public interface IEnumerable<out T> : ... //covariant - notice the 'out' keyword
public interface IList<T> : ... //invariant
*通过方法组
*委托协方差[4]
-在C#中受支持
class Animal {}
class Cat : Animal {}
class Prog {
public delegate Animal AnimalHandler();
public static Animal GetAnimal(){...}
public static Cat GetCat(){...}
AnimalHandler animalHandler = GetAnimal;
AnimalHandler catHandler = GetCat; //covariance
}
“纯”委托协方差[5 - pre-variance-release article]
-在C#中受支持
不带参数但返回某些值的委托的BCL定义是协变的:
public delegate TResult Func<out TResult>()
这允许以下内容:
Func<Cat> getCat = () => new Cat();
Func<Animal> getAnimal = getCat;
数组协方差 -在C#中受支持,
以一种破碎的方式[6]
[7]
string[] strArray = new[] {"aa", "bb"};
object[] objArray = strArray; //covariance: so far, so good
//objArray really is an "alias" for strArray (or a pointer, if you wish)
//i can haz cat?
object cat == new Cat(); //a real cat would object to being... objectified.
//now assign it
objArray[1] = cat //crash, boom, bang
//throws ArrayTypeMismatchException
最后- 对于高阶函数,令人惊讶且有些弯腰的
Delegate参数协方差 (是的,这是 协
方差)。[8]
接受一个参数但不返回任何值的委托人的BCL定义是 不变的 :
public delegate void Action<in T>(T obj)
忍受我。让我们定义一个马戏团动物训练师-可以告诉他 如何 训练动物(给他一个Action
可以和该动物一起工作的动物)。
delegate void Trainer<out T>(Action<T> trainingAction);
我们有培训师的定义,让我们找一个培训师让他上班。
Trainer<Cat> catTrainer = (catAction) => catAction(new Cat());
Trainer<Animal> animalTrainer = catTrainer;
// covariant: Animal > Cat => Trainer<Animal> > Trainer<Cat>
//define a default training method
Action<Animal> trainAnimal = (animal) =>
{
Console.WriteLine("Training " + animal.GetType().Name + " to ignore you... done!");
};
//work it!
animalTrainer(trainAnimal);
输出证明这可行:
训练Cat忽略您…完成!
为了理解这一点,开个玩笑是有必要的。
一位语言学教授有一天在上课。
他说:“用英语来说,双重否定构成肯定。
但是,没有语言可以使双重否定形成否定。”房间后面传来一个声音,“是的,对。”
什么 是 必须做的协方差?
让我尝试一下餐巾纸示范。
an Action<T>
是互变的,即它“翻转”类型的关系:
A < B => Action<A> > Action<B> (1)
更改A
和B
上面Action<A>
和Action<B>
并获得:
Action<A> < Action<B> => Action<Action<A>> > Action<Action<B>>
or (flip both relationships)
Action<A> > Action<B> => Action<Action<A>> < Action<Action<B>> (2)
将(1)和(2)放在一起,我们得到:
,-------------(1)--------------.
A < B => Action<A> > Action<B> => Action<Action<A>> < Action<Action<B>> (4)
`-------------------------------(2)----------------------------'
但是我们的Trainer<T>
代表实际上是Action<Action<T>>
:
Trainer<T> == Action<Action<T>> (3)
因此我们可以将(4)重写为:
A < B => ... => Trainer<A> < Trainer<B>
-根据定义,它表示Trainer是协变的。
简而言之,应用Action
两次 我们就得到了相反的方差,即类型之间的关系被翻转了 两次 (请参阅(4)),因此我们回到了协方差。
问题内容: 谁能解释我,编程语言理论中协变和逆变的概念吗? 问题答案: 协方差 非常简单,最好从某些收集类的角度来考虑。我们可以 参数化 的一些类型参数类。也就是说,我们的列表包含some 类型的元素。如果,列表将是协变的 S是Tiff列表的子类型List [S]是List [T]的子类型 (在这里,我使用数学定义 iff 表示 当且仅当 。) 也就是说,a 是一个 。如果有一些例程接受a 作为参
我正在学习Scala中的函数式编程原理,在学习子类型和泛型时,我对协方差有一个困惑: 给定:或是的子类型 编辑: 下面是的定义:
问题内容: 请显示一个有关Java中协方差和逆方差的好例子。 问题答案: 协方差: Sub#getSomething是协变的,因为它返回Super#getSomething的返回类型的子类(但完全填充了Super.getSomething()的协定) 逆差 Sub#doSomething是互变的,因为它采用了Super#doSomething的参数的超类的参数(但是,再次填充了Super#doSo
本文向大家介绍在C ++中查找协方差的程序,包括了在C ++中查找协方差的程序的使用技巧和注意事项,需要的朋友参考一下 在本教程中,我们将讨论一个寻找协方差的程序。 为此,我们将提供两组随机变量。我们的任务是计算它们的协方差,即这两个值相差多少的度量。 示例 输出结果
2.8.1. 基本收敛 尽管是协方差矩阵的无偏估计, 最大似然估计不是协方差矩阵的特征值的一个很好的估计, 所以从反演得到的精度矩阵是不准确的。 有时,甚至出现数学原因,经验协方差矩阵不能反转。 为了避免这样的反演问题,引入了经验协方差矩阵的一种变换方式:shrinkage 。 在 scikit-learn 中,该变换(具有用户定义的收缩系数) 可以直接应用于使用 shrunk_covarianc
已知数据集的协方差矩阵与经典 maximum likelihood estimator(最大似然估计) (或 “经验协方差”) 很好地近似,条件是与特征数量(描述观测值的变量)相比,观测数量足够大。 更准确地说,样本的最大似然估计是相应的总体协方差矩阵的无偏估计。 样本的经验协方差矩阵可以使用 empirical_covariance 包的函数计算 , 或者通过 EmpiricalCovarian