Axure教程:制作下拉选择框部件的联动效果
ztj100 2025-04-07 21:24 20 浏览 0 评论
本文通过一个相对简单的示例,介绍了如何制作下拉选择框的联通效果。
产品经理在制作产品原型的过程中,经常会遇到部件间联动的效果设计。如果不能通过原型交互方式来完成,则会以“静态页面+文字说明+步骤指引”的方式达到目标。后者与前者相比不够直观,方式也更繁琐。所以,如何制作部件间联动效果,在实际工作中会起到事半功倍的作用。
接下来,小编主要介绍如何使用Axure制作下拉选择框部件的联动效果,大家可以通过相应的原理,尝试其他部件间如何进行联动效果设计。
效果说明
效果1:当选中“droplist-任务类型”下拉选择框中的周期任务选项时,展示动态面板“panel-是否核心任务”;
效果2:当选中“droplist-任务类型”下拉选择框中的手动任务选项时,隐藏动态面板“panel-是否核心任务”;
第1步,拖入两个部件:下拉选择框(Droplist)和文字标签(Label)
在Axure操作界面中,拖入一个Droplist(中文名称:下拉选择框)部件和Label(中文名称:文字标签)。具体样式如下图所示:
第2步,对部件进行编辑和命名
双击“Label(文字标签)”部件,输入内容“任务类型”,然后选中该部件,将其命名为“label-任务类型”,具体如下图所示:
双击“Droplist(下拉选择框)”部件,点击“Add(新增)”按钮,添加枚举值,分别i为“周期任务、手动任务、实时任务”。然后选中该部件,将其命名为“droplist-任务类型”,具体如下图所示:
第3步:制作联动部件
参照第二步骤,在操作界面中,分别拖入一个下拉选择框(Droplist)部件和一个文字标签(Label)部件,对后者进行编辑,输入内容“是否是核心任务”。然后选中这两个部件,创建动态面板,并将动态面板命名为“panel-是否核心任务”。具体如下图所示:
第4步:事件触发条件设置
选择交互动作“Selection Changed”,然后点击“Enable Cases”进行选项编辑,具体如下图所示:
点击“Enable Cases”后,弹出操作界面如下图所示。点击“Add Logic”进行设置。
点击“Add Logic”,下方会自动生成一条记录,设置“当选中droplist-任务类型下拉选择框中的周期任务选项时“,具体如下图所示:
点击”ok“后,case1的发生条件就已经设置完成。该条件就是”当选中droplist-任务类型下拉选择框中的周期任务选项时“。
第5步,事件结果设置
基于第4步,双击case1,弹出”交互编辑器(interaction Editor)“。选中”ADD ACTION(添加动作)“中的show(展示),并选择需要展示的内容,本文中选择的是动态面板”panel-是否核心任务“,具体结果如下图所示:
同理,为了能够有对比效果,我们设置一个”当选中droplist-任务类型下拉选择框中的手动任务选项时,隐藏动态面板panel-是否核心任务“。最终完整的事件交互内容如下图所示:
第6步,效果预览
任务类型选中”周期任务“,下方会出现是否核心任务选项;
任务类型选中”手动任务“,下方隐藏是否核心任务选项;
在本文,小编通过一个相对简单的示例,介绍了如何制作下拉选择框的联通效果。大家可以根据自己的实际场景和想象力,充分发挥和实验,类似的效果也绝对不仅限于此。
作者:鱼日,公众号:issnail
本文由 @鱼日 原创发布于人人都是产品经理。未经许可,禁止转载
题图来自Unsplash,基于CC0协议
相关推荐
- 其实TensorFlow真的很水无非就这30篇熬夜练
-
好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...
- 交叉验证和超参数调整:如何优化你的机器学习模型
-
准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...
- 机器学习交叉验证全指南:原理、类型与实战技巧
-
机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...
- 深度学习中的类别激活热图可视化
-
作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...
- 超强,必会的机器学习评估指标
-
大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...
- 机器学习入门教程-第六课:监督学习与非监督学习
-
1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...
- Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置
-
你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...
- 神经网络与传统统计方法的简单对比
-
传统的统计方法如...
- 自回归滞后模型进行多变量时间序列预测
-
下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...
- 苹果AI策略:慢哲学——科技行业的“长期主义”试金石
-
苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...
- 时间序列预测全攻略,6大模型代码实操
-
如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- idea eval reset (50)
- vue dispatch (70)
- update canceled (42)
- order by asc (53)
- spring gateway (67)
- 简单代码编程 贪吃蛇 (40)
- transforms.resize (33)
- redisson trylock (35)
- 卸载node (35)
- np.reshape (33)
- torch.arange (34)
- npm 源 (35)
- vue3 deep (35)
- win10 ssh (35)
- vue foreach (34)
- idea设置编码为utf8 (35)
- vue 数组添加元素 (34)
- std find (34)
- tablefield注解用途 (35)
- python str转json (34)
- java websocket客户端 (34)
- tensor.view (34)
- java jackson (34)
- vmware17pro最新密钥 (34)
- mysql单表最大数据量 (35)