基于哈希结构的关联式容器

最新推荐文章于 2024-05-22 11:24:42 发布
最新推荐文章于 2024-05-22 11:24:42 发布
阅读量477 收藏
点赞数 6
分类专栏： C++ 文章标签： 哈希 C++ 容器
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CZHLNN/article/details/117668830
版权

哈希

1 unordered 系列关联式容器

unordered_map/unordered_multimap unordered_set/unordered_multiset 这4个容器的用法基本和前面文章介绍的map/multimap set/multiset一样，所以不赘述。

2 底层结构

和 map/set 不同的是，set/map 底层实现是红黑树查询增删的效率是 O(logN)，而 unordered_set/map 的底层实现是哈希表，查询和增删的效率更高为 O(1)
在这里插入图片描述
在这里插入图片描述

利用红黑树实现map/set可以参考：https://github.com/CZH214926/C_repo/commit/f66d497b151025735653c48bcd904374e194c3e5
那么详细谈谈哈希表

2.1 哈希概念

顺序结构以及平衡树中，元素关键码与其存储位置之间没有对应关系，因此在查找一个元素时，必须要经过关键码的多次比较。顺序查找的时间复杂度为 O(N)，平衡树中为树的高度，即O(logN)，搜索的效率取决于搜索过程中元素的比较次数。
理想的搜索方法是： 可以不经过任何比较，一次直接从表中得到要搜索的元素，如果构造一种存储结构，通过某种函数(hashFunc)使元素的存储位置与它的关键码之间能够建立一一的映射关系，那么在查找时通过该函数可以很快找到该元素。

  • 当向结构中插入(insert)元素时====> 根据待插入元素的关键码，以此函数计算出该元素的存储位置并按此位置进行存放
  • 当在结构中搜索(find)元素时====> 对元素的关键码进行同样的计算，把求得的函数值当做元素的存储位置，在结构中按此位置取元素比较，若关键码相等，则搜索成功。（至于为什么会比较看后面的哈希冲突自会明白）

这方式即为哈希（散列）法，哈希方法中使用的转换函数称为哈希（散列）函数，构造出来的结构称为哈希表(Hash Table)或者称散列表。
在这里插入图片描述
用该方法进行搜索不必进行多次关键码的比较，因此搜索的速度比较快，那么插入44呢？会出现什么问题呢？就此我们引入哈希冲突/碰撞的概念。

2.2 哈希冲突/碰撞

对于两个数据比如上面的 4 和 44 ，二者不等但是哈希函数值相等即：不同的关键字通过相同的哈希函数计算出相同的哈希地址，这种现象称为哈希冲突或者哈希碰撞。把具有不同的关键码但具有相同的哈希地址的数据元素称为"同义词"。

2.3 哈希函数

引起哈希冲突的一个原因可能是：哈希函数设计的不够合理。哈希函数设计的原则如下

  • 哈希函数的定义域必须包括需要存储的全部关键码，而如果哈希表有 m 个地址时，其值域必须在0 到 m - 1之间
  • 哈希函数计算出来的地址能均匀分布在整个空间中
  • 哈希函数要设计的较简单

2.3.1 常见的哈希函数

1 直接定址法（常用）

  • 取关键字的某个线性函数为散列地址：Hash(Key) = A * Key + B 优点：简单、均匀 缺点：需要事先知道关键字的分布情况 使用场景：适合查找比较小且连续的情况。

2 除留余数法（用的最多）

  • 设散列允许的地址数为m ，取一个不大于m，但最接近或者等于m 的质数 p 作为除数，按照哈希函数：Hash(key) = key % p(p <= m)，将关键码转换为哈希地址
    3 除此以外还有 平方取中法 折叠法 随机数法、数学分析法，这些方法都不常用。

注意：哈希函数设计的越巧妙，产生冲突的可能性就越低，但是无法避免哈希冲突。

2.4 解决哈希冲突的方式

解决哈希冲突两种常见的方法是：闭散列和开散列

2.4.1 闭散列

闭散列也叫开放定址法，当发生哈希冲突时，如果哈希表未被填满，说明哈希表中必然还有空位置，那么可以把、key存放到冲突位置的 "下一个"空位置中去。那么如何寻找下一个空位置呢？线性探测 二次探测

1）线性探测

  • 比如上面的场景，现在需要插入元素44，先通过哈希函数计算哈希地址，hashAddr为4，因此44理论上应该插在该位置，但是该位置已经放了值为4的元素，即发生哈希冲突。
  • 线性探测：从发生冲突的位置开始，依次向后探测，直到寻找到下一个空位置为止。

插入

1 通过哈希函数获取待插入元素在哈希表中的位置
2 如果该位置中没有元素则直接插入新元素，如果该位置中有元素发生哈希冲突，使用线性探测找到下一个空位置，插入新元素

在这里插入图片描述

删除
采用闭散列处理哈希冲突时，不能随便物理删除哈希表中已有的元素，若直接删除元素会影响其他元素的搜索。比如删除元素4，如果直接删除掉，44查找起来可能会受影响。因此线性探测采用标记的伪删除法来删除一个元素。

线性探测的代码如下

#pragma once

// 仿函数（类）
template<class K>
struct Hash
{
	size_t operator()(const K& key)
	{
		return key;
	}
};
// string 哈希映射常用，所以用模板特化
template<>
struct Hash<string>
{
	size_t operator()(const string& str)
	{
		size_t hash = 0;
		for (auto & ch : str)
		{
			hash = hash * 131 + ch;
		}
		return hash;
	}
};
static size_t GetNextPrime(size_t prime) {
	static const int PRIMECOUNT = 28;
	static const size_t primeList[PRIMECOUNT] = {
		53ul, 97ul, 193ul, 389ul, 769ul,
		1543ul, 3079ul, 6151ul, 12289ul, 24593ul,
		49157ul, 98317ul, 196613ul, 393241ul, 786433ul,
		1572869ul, 3145739ul, 6291469ul, 12582917ul, 25165843ul,
		50331653ul, 100663319ul, 201326611ul, 402653189ul, 805306457ul,
		1610612741ul, 3221225473ul, 4294967291ul
	};
	size_t i = 0;
	for (; i < PRIMECOUNT; ++i)
	{
		if (primeList[i] > prime)
			return primeList[i];
	}

	return primeList[i];
}
// 闭散列，线性探测法
namespace close
{
	enum State
	{
		EMPTY,
		EXIST,
		DELETE,
	};
	template<class T>
	struct HashNode
	{
		State _state = EMPTY;
		T _t;
	};
	// 前置声明
	template<class K, class T, class KeyOfT, class hash>
	class HashTable;
	//迭代器
	template<class K, class T, class KeyOfT, class hash>
	struct
		template<class K, class T, class KeyOfT, class HashFunc = Hash<K>>
	class HashTable
	{
	private:
		vector<HashNode<T>> _table;
		size_t _size = 0;           // 有效元素的个数
	public:
		
		bool Insert(const T& t)
		{
			//扩容（负载因子大于0.7）
			if (_table.size() == 0 || _size * 10 / _table.size() == 7)
			{
				//size_t newsize = _table.size() == 0 ? 10 : _table.size() * 2;
				size_t newsize = GetNextPrime(_table.size());
				//_table.resize(newsize); 这里解决不了，扩容后哈希表的长度就变了，那么原来的
				// 数据分布就变了，所以单纯的扩容是不对的
				HashTable<K, T,HashFunc> newht; // 定义这个就是为了能调用Insert，可以复用探测的逻辑
				newht._table.resize(newsize);
				for (auto& e : _table)
				{
					if (e._state == EXIST)
					{
						newht.Insert(e._t);
					}
				}
				_table.swap(newht._table);
			}
			HashNode<T>* ret = Find(t);

			if (ret)
				return false;
			HashFunc hf;
			size_t start = hf(t) % _table.size();
			// 线性探测找一个空位置
			size_t index = start;
			size_t i = 1;  // 线性探测的步长
			while (_table[index]._state == EXIST)
			{
				index = start + i;
				index %= _table.size();
				i++;	
			}
			_table[index]._t = t;
			_table[index]._state = EXIST;
			_size++;
			return true;
		}
		HashNode<T>* Find(const K& key)
		{
			HashFunc hf;
			size_t start = hf(key) % _table.size();
			size_t index = start;
			size_t i = 1;  // 线性探测的步长
			while (_table[index]._state != EMPTY) //只要不是空都继续找
			{
				if (_table[index]._t == key && _table[index]._state == EXIST)
					return &_table[index];
				index = start + i;
				index %= _table.size();

				++i;
			}
			return nullptr;
		}
		bool Erase(const K& key)
		{
			HashNode<T>* ret = Find(key);
			if (ret == nullptr)
				return false;
			else
				ret->_state = DELETE;// 伪删除
		}
	};
	void TestHashTable()
	{
		HashTable<int, int> ht;
		ht.Insert(5);
		ht.Insert(15);
		ht.Insert(25);
		// 自己写一个仿函数把string 搞成int
		
		HashTable<string, string> strht;
		strht.Insert("string");
		strht.Insert("list");
		Hash<string> h;
		cout << h("abcd") << endl;
		cout << h("acbd") << endl;
	}
}

关于线性探测的几点讨论和总结

线性探测的优点：实现简单
线性探测的缺点：一旦发生哈希冲突，所有的冲突连在一起，容易产生数据的"堆积"，即：不同的关键码占据了可利用的空位置，使得寻找某个关键码的位置需要进行多次比较，导致搜索的效率降低。
哈希表什么情况下进行扩容？如何扩容？

  • 哈希表的载荷因子定义为：α = 填入表的元素个数 / 散列表的长度 α 是散列表装满程度的标志因子，由于表长是定值，α 与"填入表中的元素越少，产生冲突的可能性就越小。
  • 对于开放定址法，载荷因子是特别重要的因素，应严格限制在0.7 - 0.8 以下。超过0.8，查表时的 CPU 缓存不命中(cache missing)，按照指数曲线上升。因此，一些采用开放定址法的 hash 库，如Java 的系统库限制了载荷因子为0.75，超过 0.75 将 resize 散列表。

载荷因子越小，冲突的概率越小，效率越高，但是空间利用率越低。
载荷因子越大，冲突的概率越大，效率越低，但是空间利用率越高。

2）二次探测
1 线性探测的缺陷是产生冲突的数据堆积在一块，这与其找下一个空位置有关系，因为找空位置的方式就是挨着往后逐个去找，因此二次探测为了避免该问题，找下一个空位置的方法为：Hi = (H0 + i^2)%m 或者 Hi = (H0 - i^2) % m，其中：i = 1，2，3....，H0是通过散列函数Hash(x)对元素的关键码 key 进行计算得到的位置，m是表的大小。

2 研究表明：当表的长度为质数且表装载因子a不超过0.5时，新的表项一定能够插入，而且任何一个位置都不会被探查两次。因此只要表中有一半的空位置，就不会存在表满的问题。在搜索时可以不考虑表装满的情况，但在插入时必须确保表的装载因子a不超过0.5，如果超出必须考虑增容。

因此：比散列最大的缺陷就是空间利用率比较低，这也是哈希的缺陷。

2.4.2 开散列

1. 开散列的概念

开散列法又叫链地址法（拉链法），首先对关键码集合用散列函数计算散列地址，具有相同地址的关键码归于同一集合，每个子集合称为一个桶，各个桶的元素通过一个单链表连接起来，各链表的头结点存储在哈希表里。
在这里插入图片描述

2. 开散列的简单实现

// 开散列==>哈希桶  用这个封装unordered_map / unordered_set
namespace Open
{
	// 哈希桶内的结点
	template<class T>
	struct HashLinkNode
	{
		T _t;
		HashLinkNode<T>* _next;
		HashLinkNode(const T& t)
			:_t(t)
			, _next(nullptr)
		{}
	};
	template<class K, class T, class KeyOfT, class hash = Hash<K>>
	class HashTable
	{
		typedef HashLinkNode<T> Node;
	private:
		vector<Node*> _table;
		size_t _size = 0; // 有效数据个数  缺省值
	public:
		size_t HashFunc(const K& key, size_t n)
		{
			hash hf;
			size_t ki = hf(key);
			return ki % n;
		}
		pair<Node*, bool> Insert(const T& t)
		{
			KeyOfT kot;
			// 负载因子等于1时增容
			if (_size == _table.size())
			{
				size_t newsize = GetNextPrime(_table.size());
				vector<Node*> newtable;
				newtable.resize(newsize, nullptr);

				for (size_t i = 0; i < _table.size(); i++)
				{
					// 从旧表中直接取下来挂到新表
					Node* cur = _table[i];
					while (cur)
					{
						Node* next = cur->_next;
						size_t index = HashFunc(kot(cur->_t), newtable.size());
						cur->_next = newtable[index];
						newtable[index] = cur;

						cur = next;
					}
					_table[i] = nullptr;
					
				}
				_table.swap(newtable);
			}
			// 查看t在不在，在的话就不插入，不在就插入
			size_t index = HashFunc(kot(t), _table.size());
			Node* cur = _table[index];
			// 如果此时cur不为空则t所在的桶存在,但是t值是否真正存在还需顺着链表往后找
			while (cur)
			{
				if (kot(cur->_t) == kot(t))
					return make_pair(cur, false);
				cur = cur->_next;
			}
			// 如果不进while 循环程序走到这里证明，t所在的哈希桶并不存在，直接直接头插到index所在位置
			Node* newnode = new Node(t);
			newnode->_next = _table[index];
			_table[index] = newnode;
			return make_pair(newnode, true);
		}
		Node* Find(const K& key)
		{
			size_t index = HashFunc(key, _table.size());
			Node* cur = _table[index];
			while (cur)
			{
				if (key == kot(cur->_t))
					return cur;
				cur = cur->_next;
			}
			return cur;
		}
		bool Erase(const K& key)
		{
			
			// 先Find下
			Node* ret = Find(key);
			if (!ret)
				return false;
			size_t index = HashFunc(key, _table.size());
			Node* cur = _table[index];
			if (key == kot(cur->_t))
			{
				// 头删
				Node* next = cur->_next;
				delete cur;
				cur == nullptr;
				_table[index] = next;
			}
			else
			{
				while (cur)
				{
					Node* prev = nullptr;
					if (key == kot(cur->_t))
					{
						prev->_next = cur->_next;
						delete cur;
						cur = nullptr;
					}
					prev = cur;
					cur = cur->_next;
				}
			}
			return true;
		}

	};
}

从上图可以看出，开散列中每个桶中放的都是发生哈希冲突的元素。
3. 开散列什么时候增容比较合适

桶的个数是一定的，随着元素的不断插入，每个桶中元素的个数不断增多，极端情况下，可能会导致一个桶中链表节点非常多，会影响的哈希表的性能，因此在一定条件下需要对哈希表进行增容，那该条件怎么确认呢？开散列最好的情况是：每个哈希桶中刚好挂一个节点，再继续插入元素时，每一次都会发生哈希冲突，因此，在元素个数刚好等于桶的个数时，可以给哈希表增容。此时载荷因子为1

4. 关于开散列的两个问题
1）只能存储key为整形的元素，其他类型怎么解决？

哈希函数采用处理余数法，被模的key必须要为整形才可以处理，此处提供将key转化为整形的方法，比如对于string类

// string 哈希映射常用，所以用模板特化
template<>
struct Hash<string>
{
	size_t operator()(const string& str)
	{
		size_t hash = 0;
		for (auto & ch : str)
		{
			hash = hash * 131 + ch;
		}
		return hash;
	}
};

2) 除留余数法，最好模一个素数，如何每次快速取一个类似两倍关系的素数？

static size_t GetNextPrime(size_t prime) {
	static const int PRIMECOUNT = 28;
	static const size_t primeList[PRIMECOUNT] = {
		53ul, 97ul, 193ul, 389ul, 769ul,
		1543ul, 3079ul, 6151ul, 12289ul, 24593ul,
		49157ul, 98317ul, 196613ul, 393241ul, 786433ul,
		1572869ul, 3145739ul, 6291469ul, 12582917ul, 25165843ul,
		50331653ul, 100663319ul, 201326611ul, 402653189ul, 805306457ul,
		1610612741ul, 3221225473ul, 4294967291ul
	};
	size_t i = 0;
	for (; i < PRIMECOUNT; ++i)
	{
		if (primeList[i] > prime)
			return primeList[i];
	}

	return primeList[i];
}

5. 开散列和闭散列的比较
闭散列（链地址法）处理冲突，需要增设链接指针，似乎是增加了存储开销。事实上：由于开放地址法必须保持大量的空闲时间以确保效率，如二次探测法要求装载因子 <= 0.7，而表项所占的空间又比指针大的多，所以使用链地址法比开放定址法节省存储空间。

3 模拟实现

#pragma once

// 仿函数（类）
template<class K>
struct Hash
{
	size_t operator()(const K& key)
	{
		return key;
	}
};
// string 哈希映射常用，所以用模板特化
template<>
struct Hash<string>
{
	size_t operator()(const string& str)
	{
		size_t hash = 0;
		for (auto & ch : str)
		{
			hash = hash * 131 + ch;
		}
		return hash;
	}
};
static size_t GetNextPrime(size_t prime) {
	static const int PRIMECOUNT = 28;
	static const size_t primeList[PRIMECOUNT] = {
		53ul, 97ul, 193ul, 389ul, 769ul,
		1543ul, 3079ul, 6151ul, 12289ul, 24593ul,
		49157ul, 98317ul, 196613ul, 393241ul, 786433ul,
		1572869ul, 3145739ul, 6291469ul, 12582917ul, 25165843ul,
		50331653ul, 100663319ul, 201326611ul, 402653189ul, 805306457ul,
		1610612741ul, 3221225473ul, 4294967291ul
	};
	size_t i = 0;
	for (; i < PRIMECOUNT; ++i)
	{
		if (primeList[i] > prime)
			return primeList[i];
	}

	return primeList[i];
}
// 闭散列，线性探测法
namespace close
{
	enum State
	{
		EMPTY,
		EXIST,
		DELETE,
	};
	template<class T>
	struct HashNode
	{
		State _state = EMPTY;
		T _t;
	};
	// 前置声明
	template<class K, class T, class KeyOfT, class hash>
	class HashTable;
	//迭代器
	template<class K, class T, class KeyOfT, class hash>
	struct
		template<class K, class T, class KeyOfT, class HashFunc = Hash<K>>
	class HashTable
	{
	private:
		vector<HashNode<T>> _table;
		size_t _size = 0;           // 有效元素的个数
	public:
		
		bool Insert(const T& t)
		{
			//扩容（负载因子大于0.7）
			if (_table.size() == 0 || _size * 10 / _table.size() == 7)
			{
				//size_t newsize = _table.size() == 0 ? 10 : _table.size() * 2;
				size_t newsize = GetNextPrime(_table.size());
				//_table.resize(newsize); 这里解决不了，扩容后哈希表的长度就变了，那么原来的
				// 数据分布就变了，所以单纯的扩容是不对的
				HashTable<K, T,HashFunc> newht; // 定义这个就是为了能调用Insert，可以复用探测的逻辑
				newht._table.resize(newsize);
				for (auto& e : _table)
				{
					if (e._state == EXIST)
					{
						newht.Insert(e._t);
					}
				}
				_table.swap(newht._table);
			}
			HashNode<T>* ret = Find(t);

			if (ret)
				return false;
			HashFunc hf;
			size_t start = hf(t) % _table.size();
			// 线性探测找一个空位置
			size_t index = start;
			size_t i = 1;  // 线性探测的步长
			while (_table[index]._state == EXIST)
			{
				index = start + i;
				index %= _table.size();
				i++;	
			}
			_table[index]._t = t;
			_table[index]._state = EXIST;
			_size++;
			return true;
		}
		HashNode<T>* Find(const K& key)
		{
			HashFunc hf;
			size_t start = hf(key) % _table.size();
			size_t index = start;
			size_t i = 1;  // 线性探测的步长
			while (_table[index]._state != EMPTY) //只要不是空都继续找
			{
				if (_table[index]._t == key && _table[index]._state == EXIST)
					return &_table[index];
				index = start + i;
				index %= _table.size();

				++i;
			}
			return nullptr;
		}
		bool Erase(const K& key)
		{
			HashNode<T>* ret = Find(key);
			if (ret == nullptr)
				return false;
			else
				ret->_state = DELETE;// 伪删除
		}
	};
	void TestHashTable()
	{
		HashTable<int, int> ht;
		ht.Insert(5);
		ht.Insert(15);
		ht.Insert(25);
		// 自己写一个仿函数把string 搞成int
		
		HashTable<string, string> strht;
		strht.Insert("string");
		strht.Insert("list");
		Hash<string> h;
		cout << h("abcd") << endl;
		cout << h("acbd") << endl;
	}
}

// 开散列==>哈希桶  用这个封装unordered_map / unordered_set
namespace Open
{
	// 哈希桶内的结点
	template<class T>
	struct HashLinkNode
	{
		T _t;
		HashLinkNode<T>* _next;
		HashLinkNode(const T& t)
			:_t(t)
			, _next(nullptr)
		{}
	};
	template<class K, class T, class KeyOfT, class hash = Hash<K>>
	class HashTable
	{
		typedef HashLinkNode<T> Node;
	private:
		vector<Node*> _table;
		size_t _size = 0; // 有效数据个数  缺省值
	public:
		size_t HashFunc(const K& key, size_t n)
		{
			hash hf;
			size_t ki = hf(key);
			return ki % n;
		}
		pair<Node*, bool> Insert(const T& t)
		{
			KeyOfT kot;
			// 负载因子等于1时增容
			if (_size == _table.size())
			{
				size_t newsize = GetNextPrime(_table.size());
				vector<Node*> newtable;
				newtable.resize(newsize, nullptr);

				for (size_t i = 0; i < _table.size(); i++)
				{
					// 从旧表中直接取下来挂到新表
					Node* cur = _table[i];
					while (cur)
					{
						Node* next = cur->_next;
						size_t index = HashFunc(kot(cur->_t), newtable.size());
						cur->_next = newtable[index];
						newtable[index] = cur;

						cur = next;
					}
					_table[i] = nullptr;
					
				}
				_table.swap(newtable);
			}
			// 查看t在不在，在的话就不插入，不在就插入
			size_t index = HashFunc(kot(t), _table.size());
			Node* cur = _table[index];
			// 如果此时cur不为空则t所在的桶存在,但是t值是否真正存在还需顺着链表往后找
			while (cur)
			{
				if (kot(cur->_t) == kot(t))
					return make_pair(cur, false);
				cur = cur->_next;
			}
			// 如果不进while 循环程序走到这里证明，t所在的哈希桶并不存在，直接直接头插到index所在位置
			Node* newnode = new Node(t);
			newnode->_next = _table[index];
			_table[index] = newnode;
			return make_pair(newnode, true);
		}
		Node* Find(const K& key)
		{
			size_t index = HashFunc(key, _table.size());
			Node* cur = _table[index];
			while (cur)
			{
				if (key == kot(cur->_t))
					return cur;
				cur = cur->_next;
			}
			return cur;
		}
		bool Erase(const K& key)
		{
			
			// 先Find下
			Node* ret = Find(key);
			if (!ret)
				return false;
			size_t index = HashFunc(key, _table.size());
			Node* cur = _table[index];
			if (key == kot(cur->_t))
			{
				// 头删
				Node* next = cur->_next;
				delete cur;
				cur == nullptr;
				_table[index] = next;
			}
			else
			{
				while (cur)
				{
					Node* prev = nullptr;
					if (key == kot(cur->_t))
					{
						prev->_next = cur->_next;
						delete cur;
						cur = nullptr;
					}
					prev = cur;
					cur = cur->_next;
				}
			}
			return true;
		}

	};
}

用哈希表封装实现 unordered_map 和 unordered_set : https://github.com/CZH214926/C_repo

4 总结

1 map 和 set 里面存储的数据有没有什么要求？unordered_map 和 unordered_set 呢？

  • map 和 set 因为其底层是平衡二叉搜索树（红黑树），所以存储的数据的key必须满足可以比较大小和相等。
  • unordered_set unordered_map 因为底层是哈希表，所以 key 必须要支持取模和能比较相等，如果不支持取模操作比如字符串，就要自己写仿函数就其转化为整型。因为string 转 整型太常用了，所以采用模板特化将其设在库里。

2 能用 map和set地方，就能用 unordered_map 和 unordered_set
3 载荷因子闭散列不会超过1，开散列（哈希桶）会超过1
4 哈希表的插入会很快，一把算出要插入的位置直接插入，即使已有数据，也不过是在每个桶内进行单链表的头插，只有在增容的时候，会把原来表里的数据重新插入到空间更大的哈希表里。则哈希表的插入的是复杂度可是理解为下图:进入峰值就是增容时候
在这里插入图片描述
5 如果大多数甚至超过一半的数据都被挂到一个桶里，则采用改成挂红黑树（java中采用这个，STL未采用），或者多阶哈希。

一枚快乐的野指针
关注
专栏目录
C++——关联式容器（下）——哈希结构
陌上人如玉，公子世无双。
08-17 355
哈希结构的关联式容器： unordered_map unordered_set unordered_multiset unordered_multimap unordered系列的关联式容器之所以效率比较高，是因为其底层使用了哈希结构。 哈希概念： 顺序结构以及平衡树中，元素关键码与其存储位置之间没有对应的关系，因此在查找一个元素时，必须要经过关键码的多次比较。顺序查找时间复杂度为O(...
【C++】STL进阶-- 哈希结构的关联式容器（unordered_map和unordered_set）
ly_6699的博客
05-07 440
哈希结构，简单来说就是通过设定哈希函数使元素的存储位置与它的关键码之间可以建立一一映射的关系，那么在查找关键码时，可以通过该函数计算结果很快找到该元素的一种方法。因此在哈希表中搜索数据的时间复杂度会被认为是"平均为O(1)的复杂度"。 unordered系列的关联式容器之所以效率比较高，是因为其底层用了哈希结构，想了解的哈希结构的可以移步这篇博客哈希结构–哈希冲突解决方法（闭散列）。下面我就介绍一下unordered系列两个容器的使用。
【STL】关联容器 — hash_set
Nestle的专栏
05-12 1387
容器hash_set是以hash table为底层机制的，几乎所有的操作都是转调用hash table提供的接口。由于插入无法存储相同的键值，所以hash_set的插入操作全部都使用hash table的insert_unique接口，代码如下： pair insert(const value_type& obj) { pair p = rep.insert_unique(obj);
哈希的简单实现
qq_43780350的博客
08-30 759
文章目录关联式容器：哈希结构哈希：用来进行高效查找的一种数据结构----O(1)1.O(1)的根本原因：2.哈希缺陷3.哈希冲突4.常见哈希函数1. 直接定制法--(常用)2. 除留余数法--(常用)3. 平方取中法--(了解)4. 折叠法--(了解)5. 随机数法--(了解)6. 数学分析法--(了解)5.哈希冲突解决5.1闭散列1.线性探测1.1什么时机增容，如何增容？1.2线性探测的优缺点2...
C++STL中基于哈希的关联式容器
weixin_42067873的博客
08-16 507
一、hash_map原理 hash_map基于hash table（哈希表）。 哈希表最大的优点，就是把数据的存储和查找消耗的时间大大降低，几乎可以看成是常数时间；而代价仅仅是消耗比较多的内存。然而在当前可利用内存越来越多的情况下，用空间换时间的做法是值得的。另外，编码比较容易也是它的特点之一。 其基本原理是：使用一个下标范围比较大的数组来存储元素。可以设计一个函数（哈希函数，也叫做散列函数），使得每个元素的关键字都与一个函数值（即数组下标，hash值）相对应，于是用这个数组单元来存储这个元素；也可以简
【C++】关联式容器
m0_74246469的博客
03-08 1590
set/multiset与map/multimap的运用
什么是关联式容器和序列时容器?二者的区别是什么？
wjfdsklfdkfksd的博客
04-27 1334
关联式容器和序列容器都是C++ STL中的容器，它们主要的区别在于其存储内部元素的方式不同。序列容器是按照元素插入的顺序来存储元素的，也就是说，元素在容器中的位置与其被插入的先后顺序是一致的。例如，vector、list 和deque都是序列容器。而关联式容器不同，它们是通过比较关键字来对元素进行有序存储的。关键字可以是一个简单数据类型，例如整数或字符串，也可以是一个自定义的结构体或类，元素是按照关键字大小的顺序进行存储的。例如，set、map、multiset和multimap都是关联式容器。
STL中的用哈希表实现的容器
qq_50284870的博客
03-11 466
这哈希容器都是基于哈希表实现的，提供了快速的平均时间复杂度的插入、删除和查找操作。它们通常比有序容器（如std::set和std::map）在这些操作上更高效。哈希容器的元素顺序是不确定的，因为元素在容器中的存储顺序取决于哈希函数的计算结果。
【C++】哈希和unordered系列容器
最新发布
muyuteacher的博客
05-22 887
哈希在计算机科学中广泛应用于快速访问数据。C++11引入了一组新的容器类型：unordered系列关联式容器，它们提供了一种不同于传统关联式容器（如map和set）的存储和访问方式。unordered系列容器基于哈希表实现，它们通常在查找、插入和删除操作上提供平均时间复杂度为O(1)的性能。本文主要讲解该容器的底层结构——哈希的概念和实现
哈希表与无序容器
qq_43575504的博客
04-21 274
搜索桶将具有相同哈希值的所有元素保存在相同的桶中。关键思路在于将字符串按 字符-位置 的关系依次存入哈希表，每次存入一个数length就++，一旦遇到重复的字符，就能在前面通过find找到，此时如果find找到的值不等于end且在start之后，更新start和length，最后就找到了不含有重复字符的。哈希表也叫散列表，是一种数据结构，它提供了快速的插入操作和查找操作，无论哈希表总中有多少条数据，插入和查找的时间复杂度都是为O(1)，因为哈希表的查找速度非常快，所以在很多程序中都有使用哈希表。
浅谈c++之关联容器
01-20
而关联容器则基于键值对进行组织，元素不是按照插入顺序排列，而是根据键的某种排序规则（通常是升序或降序）进行存储。因此，关联容器不支持像顺序容器那样的位置操作，如push_front，而是提供了insert、find、...
C++基于数据结构算法的课程设计
01-13
在进行C++基于数据结构算法的课程设计时，学生通常会接触到一系列关键的知识点。 1. **基本数据结构**： - **数组**：是最基础的数据结构，允许存储同类型元素的集合，可以通过索引访问。 - **链表**：节点包含...
STL中关联式容器的性能影响因素与优化策略
关联式容器是C++标准模板库(STL)中重要的数据结构之一，它提供了基于键值（key）的快速查找能力。通过将键值与数值（value）关联起来，可以高效地实现数据的存储与检索。 ### 1.2 常见的STL关联式容器类型 STL中...
关联容器知识点通关
ITSOK_123的博客
05-02 450
关联容器1.关联容器与顺序容器的区分2.关联容器的基本操作 1.关联容器与顺序容器的区分 顺序容器，顾名思义就是其存储时是按照“顺序”来进行存储的，以我们常用的vector和string为例，其每个元素都是按照编号来进行存储的，而且我们在顺序容器上的操作一般也是基于这些位置（编号）的遍历来实现的。与顺序容器不同的是，关联容器的设计原因就是为了实现“高效按值访问”，所以关联容器的数据存储核心一般都是“关键字”。关联二字的应有之义就是关键字和值建立关联关系。 另外，对于顺序容器而言，其底层存储结构是数组或者链表
C++初识
CZHLNN的博客
01-31 2029
C++初识1 C++的前世今生1.1 什么是C++1.2 C++发展史1.3 C++的重要性1.3.1 语言使用广泛度1.3.2 学习和工作2 C++入门2.1 C++关键字2.2 命名空间2.2.1 命名空间定义2.2.1 命名空间使用2.3 输入&输出2.4 缺省参数2.4.1 缺省参数概念2.4.2 缺省参数分类2.5 函数重载2.5.1 函数重载的概念2.5.2 C++函数的重载的原理和C不可以函数重载的原因 1 C++的前世今生 1.1 什么是C++ C语言是结构化和模块化的语言，适合处
C++ 中的继承
CZHLNN的博客
04-28 1863
继承1 什么是继承1.1 继承的概念1.2 继承的定义1.2.1 定义格式1.2.2 继承关系和访问限定符1.2.3 继承基类成员访问方式的变化2 基类(父类)对象和派生类(子类)对象之间的赋值转换3 继承中的作用域4 派生类(子类)的默认成员函数5 继承与友元6 继承与静态成员7 复杂的菱形继承以及菱形虚拟继承7.1 单继承7.2 多继承7.3 菱形继承7.3.1 菱形继承的问题7.3.2 如何解决7.3.3 虚拟继承解决数据冗余和二义性的原理8 继承的扩展和总结8.1 继承和组合 1 什么是继承 1.1
C/C++内存管理&模板初阶
CZHLNN的博客
03-12 1329
内存管理和模板初阶1 内存管理1.1 C/C++ 的内存分布1.2 C 中动态内存管理方式1.3 C++ 中动态内存管理方式1.3.1 new/delete操作内置类型1.3.2 new/delete操作自定义类型1.3.3 operator new 与 operaror delete 函数1.3.4 new 和 delete 的实现原理1.4 malloc/free 和 new/delete的区别2 模板初阶2.1 泛型编程2.1 函数模板2.1.1 概念2.1.2 格式2.1.3 原理2.1.4 实例化
C++中的引用
CZHLNN的博客
02-01 1303
C++中的引用1 引用的概念2 引用的特性3 常引用4 使用场景4.1 作为参数4.2 作为返回值5 传值、传引用的效率比较5.1 值和引用的作为参数的性能比较5.2 值和引用的作为返回值类型的性能比较6 引用和指针的区别和联系 1 引用的概念 引用不是新定义一个变量，而是给已存在变量取了一个别名，编译器不会为引用变量开辟内存空间，它和它 引用的变量共用同一块内存空间。 格式：类型& 引用变量名(对象名) = 引用实体； 比如权游中的龙妈：她就有很多别名，比如，不焚者，卡丽熙反正都是龙妈。
C++ STL中的容器适配器
CZHLNN的博客
04-17 1078
stack & queue & priority_queue1 stack1.1 stack 介绍1.2 stack 使用1.3 stack 模拟实现1.4 deque 的简单介绍2 queue2.1 queue 介绍2.2 queue 使用2.3 queue 模拟实现3 priority_queue3.1 priority_queue 介绍3.2 priority_queue 使用3.3 priority_queue 模拟实现4 容器适配器模式二级目录三级目录 1 stack 1.1 st
哈希表：高效数据结构详解与C++实现
unordered_map是C++标准库中的一个关联容器，底层是基于哈希表的实现。它的设计允许快速查找、插入和删除元素，尤其是在大规模数据中。哈希表的实现通常包括以下几个关键部分： 1. 定义哈希函数：这是哈希表的核心...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值