结构化编程:单支条件选择控制

简介:

C#中,用于处理条件选择的语句有if, else, switch, case四个关键字。

if, else用于处理单支的逻辑判断。

以下代码演示根据age(年龄)的值输出信息:

 
  1. static void Main(string[] args)  
  2. {  
  3.       
  4.     int age = 20;                                       //年龄  
  5.  
  6.     if (age >= 1 && age <= 7)                           //1到7岁  
  7.     {  
  8.         System.Console.WriteLine("{0}岁是幼年阶段", age);  
  9.     }  
  10.  
  11.     if (age >= 8 && age <= 14)                          //8到14岁  
  12.     {  
  13.         System.Console.WriteLine("{0}岁是童年阶段", age);  
  14.     }  
  15.  
  16.     if (age >= 15 && age <= 21)                         //15到21岁  
  17.     {  
  18.         System.Console.WriteLine("{0}岁是少年阶段", age);  
  19.     }  
  20.  
  21.     if (age >= 22 && age <= 28)                         //22到28岁  
  22.     {  
  23.         System.Console.WriteLine("{0}岁青年阶段", age);  
  24.     }  
  25.  
  26.     if (age >= 29 && age <= 49)                         //29到49岁  
  27.     {  
  28.         System.Console.WriteLine("{0}岁是中年阶段", age);  
  29.     }  
  30.  
  31.     if (age >= 50)                                      //50以上  
  32.     {  
  33.         System.Console.WriteLine("{0}岁是老年阶段", age);  
  34.     }  
  35.  
  36. }  

我们也可以将上面的代码改写成嵌套的if else过程。

 
  1. static void Main(string[] args)  
  2. {  
  3.  
  4.     int age = 20;                                       //年龄  
  5.  
  6.     if (age >= 1 && age <= 7)                           //1到7岁  
  7.     {  
  8.         System.Console.WriteLine("{0}岁是幼年阶段", age);  
  9.     }  
  10.     else                                                //7岁以后  
  11.     {  
  12.         if (age <= 14)                                  //8到14岁  
  13.         {  
  14.             System.Console.WriteLine("{0}岁是童年阶段", age);  
  15.         }  
  16.         else                                           //14岁以后  
  17.         {  
  18.             if (age <= 21)                              //15到21岁  
  19.             {  
  20.                 System.Console.WriteLine("{0}岁是少年阶段", age);  
  21.             }  
  22.             else                                        //21岁以后  
  23.             {  
  24.                 if (age <= 28)                           //22到28岁  
  25.                 {  
  26.                     System.Console.WriteLine("{0}岁青年阶段", age);  
  27.                 }  
  28.                 else                                     //28岁以后  
  29.                 {  
  30.                     if (age <= 49)                         //29到49岁  
  31.                     {  
  32.                         System.Console.WriteLine("{0}岁是中年阶段", age);  
  33.                     }  
  34.                     else                                 //50以上  
  35.                     {  
  36.                         System.Console.WriteLine("{0}岁是老年阶段", age);  
  37.                     }  
  38.                 }  
  39.             }  
  40.         }  
  41.     }  
  42.  
  43. }  

如果正确的录入代码,执行后的结果也同样如图2.1.10

 

初学者注意:

if后的()的表达式是逻辑表达式,该()后面不能写“;”。

if后面的{}后面也不要写“;”。

无论是if还是else,其控制的语句哪怕只有一行,也请将语句放置在{}结构体中。

语句elseif的{}之间不能有其他语句。


本文转自shyleoking 51CTO博客,原文链接:http://blog.51cto.com/shyleoking/805200


相关文章
|
9天前
|
数据采集 人工智能 安全
|
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: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。
309 164
|
3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。
318 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
874 6
|
6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。
263 113

热门文章

最新文章