哈希表和哈希桶模拟实现、封装unordered_map、unordered_set

哈希概念

前提：
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(N)，平衡树中为树的高度，即O( log N)，搜索的效率取决于搜索过程中元素的比较次数。

哈希的引入：
理想的搜索方法：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映射的关系，那么在查找时通过该函数可以很快找到该元素。

该结构中：

插入元素

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

搜索元素

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，该方式即为哈希(散列)方法，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)

哈希映射

例如：数据集合{1，7，6，4，5，9}；
哈希函数设置为：hash(key) = key % capacity; capacity为存储元素底层空间总的大小。

问题的出现

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 问题：按照上述哈希方式，向集合中插入元素44，会出现哈希冲突的问题

哈希冲突

对于两个数据元素的关键字ki 和 kj (i != j)，有 ki != kj，但有：Hash( ki) == Hash( kj)，即：不同关键字通过相同哈希函数数计算出相同的哈希地址，该种现象称为哈希冲突或哈希碰撞。把具有不同关键码而具有相同哈希地址的数据元素称为“同义词”。发生哈希冲突该如何处理呢？

分析哈希冲突的原因

1、引起哈希冲突的一个原因可能是：哈希函数设计不够合理。
2、哈希函数设计原则：

• 哈希函数的定义域必须包括需要存储的全部关键码，而如果散列表允许有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

• 哈希函数应该比较简单

常见哈希函数

1. 直接定制法–(常用，一个值对应一个地址)
   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 ，给你一组数据范围很大，直接定址法会浪费很多的空间，不能处理浮点数，字符串等等数据

2. 除留余数法–(常用,对比于直接定址法会更节省空间，但是会导致一个位置被映射多次)
   设散列表中允许的地址数为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),将关键码转换成哈希地址
   例如：数据集合{1，7，6，4，5，9，11，17，19}；
   可以发现同一个位置会被映射两次值，这种现象叫做哈希冲突
   

3. 平方取中法–(了解)
   假设关键字为1234，对它平方就是1522756，抽取中间的3位227作为哈希地址； 再比如关键字为4321，对它平方就是18671041，抽取中间的3位671(或710)作为哈希地址 平方取中法比较适合：不知道关键字的分布，而位数又不是很大的情况

4. 折叠法–(了解)
   折叠法是将关键字从左到右分割成位数相等的几部分(最后一部分位数可以短些)，然后将这几部分叠加求和，并按散列表表长，取后几位作为散列地址。折叠法适合事先不需要知道关键字的分布，适合关键字位数比较多的情况

5. 随机数法–(了解)
   选择一个随机函数，取关键字的随机函数值为它的哈希地址，即H(key) = random(key),其中random为随机数函数。通常应用于关键字长度不等时采用此法

6. 数学分析法–(了解)
   设有n个d位数，每一位可能有r种不同的符号，这r种不同的符号在各位上出现的频率不一定相同，可能在某些位上分布比较均匀，每种符号出现的机会均等，在某些位上分布不均匀只有某几种符号经常出现。可根据散列表的大小，选择其中各种符号分布均匀的若干位作为散列地址。
   例如：
   

假设要存储某家公司员工登记表，如果用手机号作为关键字，那么极有可能前7位都是 相同的，那么我们可以选择后面的四位作为散列地址，如果这样的抽取工作还容易出现 冲突，还可以对抽取出来的数字进行反转(如1234改成4321)、右环位移(如1234改成4123)、左环移位、前两数与后两数叠加(如1234改 成12+34=46)等方法。
数字分析法通常适合处理关键字位数比较大的情况，如果事先知道关键字的分布且关键字的若干位分布较均匀的情况

解决哈希冲突两种常见的方法是：闭散列和开散列

闭散列 闭散列：也叫开放定址法，当发生哈希冲突时，如果哈希表未被装满，说明在哈希表中必然还有空位置，那 么可以把key存放到冲突位置中的“下一个” 空位置中去。那如何寻找下一个空位置呢？

1. 线性探测 比如2.1中的场景，现在需要插入元素44，先通过哈希函数计算哈希地址，hashAddr为44，因此44理论 上应该插在该位置，但是该位置已经放了值为44的元素，即发生哈希冲突。
2. 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 通过哈希函数获取待插入元素在哈希表中的位置 比特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

线性探测优点：实现非常简单，
线性探测缺点：一旦发生哈希冲突，所有的冲突连在一起，容易产生数据“堆积”，即：不同关键码占据了可利用的空位置，使得寻找某关键码的位置需要许多次比较，导致搜索效率降低。如何缓解呢？

二次探测
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 + i2) % m,或者：Hi = (H0 - i2)% 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。 对于2.1中如果要插入44，产生冲突，使用解决后的情况为：

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。
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

哈希表的扩容

总结：

1、负载因子/载荷因子 = 存储的有效数据个数 / 空间的大小
2、负载因子越大，冲突的概率越高，增删查改效率越低
3、负载因子越小，冲突的概率越低，增删查改的效率越高，但是空间利用率不高，空间会存在浪费

哈希表模拟实现

哈希表结构

namespace Hash_Tb
{
	enum  State
	{
		EMPTY,
		DELETE,
		EXIST
	};
	template<class k, class v>
	struct HashData
	{
	public:
		pair<k, v> _kv;
		State _state = EMPTY;
	};
	
	//仿函数类模板
	template<class k>
	struct Hash 
	{
		size_t& operator()(const k& key)
		{
			return key;
		}
	};

	//类模板的特化,处理key是string类型的情况
	template<>
	struct Hash<string>
	{
		size_t operator()(const string& str)
		{
			size_t val = 0;
			for (auto& ref : str) 
			{
				val += ref ;
				val *= 131;
			}
			return val;
		}
	};
	template<class k, class v, class HashFunc = Hash<k>>
	class HashTable
	{
	public:
		
	private:
		vector<HashData<k,v>> _table;
		size_t _n = 0;
	};

哈希表插入

1、情况一：表中没有数据，处理：resize(10)

2、情况二：负载因子超过了0.7就需要对哈希表扩容，而哈希表扩容后，原先：数据集合{ … }中的值并没有发生变化，只是扩容后映射的位置相对来说发生了变化，所以需要重新计算映射位置，再将集合中的值填到映射出来对应的位置上

3、情况三：空间够，负载因子也不会超，正常插入值，通过key计算（除留余数法）出映射位置，但是需要防止发生哈希冲突所以需要走线性探测，找到合适的下一个位置，将值填入并修改状态

4、情况四：值冗余，直接return

bool insert(const pair<k,v>& kv)
{
	HashFunc hf;
	if (Find(kv.first)) return false;  //防止冗余
	if (_table.size() == 0) _table.resize(10);  //处理表为空
	//负载因子超过0.7，需要调整，此时的表中位置已经基本快填满了 
	else if ((double)_n / (double)_table.size() > 0.7)
	{
		size_t index = 0;
		HashTable<k,v> newTable;  //创建一个哈希表
		newTable._table.resize(_table.size() * 2);
		//重新计算映射位置，复制值进newtable
		for(size_t i = 0; i < _table.size(); i++)
		{
			if (_table[i]._state == EXIST) 
			{
				newTable.insert(_table[i]._kv);
			}		
		}
		swap(newTable._table, _table);
	}
	else 
	{
		//不需要扩容处理
		size_t start = hf(kv.first) % _table.size();
		size_t index = start;
		size_t i = 1;
		while (_table[index]._state == EXIST) //如果存在
		{
			index = start + i * i;//走二次探测后面的位置 
			index %= _table.size();    //调头
			i++;
		}

		_table[index]._kv = kv;
		_table[index]._state = EXIST;
		_n++;
	}
	return true;
	
}

查找

查找思想：通过计算key值映射的位置，在该位置出进行二次探测查找，如果最后键值相同那么就改回该位置的地址，边界上的控制需要想清楚，当index指针走到EMPEY位置的地方则从这个位置开始往后都不会再出现想要查找的key值了，所以可以直接终止循环，也是作为循环的条件

HashData<k,v>* Find(const k& key) 
{
	HashFunc hf;
	if (_table.size() == 0) return nullptr;
	size_t start = hf(key) % _table.size(); //计算出映射位置
	size_t index = start;
	size_t i = 1;
	while (_table[index]._state != EMPTY) //如果遇到EMPTY位置，意味着后面再无可能出现key值了
	{
		if (_table[index]._state == EXIST && _table[index]._kv.first == key) return &_table[index]; //找到了
		index = start + i * i;  //走二次探测
		index %= _table.size();
		i++;
	}

	return nullptr;  //没找到
}

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44，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

bool Erase(const k& key)
{
		HashData<k, v>* ret = Find(key);
		if (ret) //找到了
		{
			//伪删除思想
			ret->_state = DELETE ,--_n;  //表示删除
			return true;
		}
		else 
		{
			return false;
		}
}

哈希桶模拟实现

介绍开散列

开散列概念
开散列法又叫链地址法(开链法)，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子集合，每一个子集合称为一个桶，各个桶中的元素通过一个单链表链接起来，各链表的头结点存储在哈希表中。

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

哈希桶结构

namespace mzt
{
	template <class k, class v>
	struct HashNode 
	{
		HashNode(const pair<k, v>& kv)
			: _kv(kv)
			, _next(nullptr)
		{}

		pair<k, v> _kv;
		HashNode<k, v>* _next;
	};

	template<class k>
	struct Hash 
	{
		size_t operator()(const k& key)
		{
			return key;
		}
	};
	template<>
	struct Hash<string>
	{
		size_t operator()(const string& str)
		{
			size_t val = 0;
			for (auto &ref : str) 
			{
				val += ref;
				val *= 131;
			}
			return val;
		}

	};

	template <class k, class v, class HashFunc = Hash<k>>
	class HashTable 
	{
		typedef HashNode<k, v> Node;
	public:
	
	private:
		vector<Node*> _table;
		size_t _n = 0;
	};
}

插入

1、情况：键值冗余，直接返回

2、负载因子到达1，对哈希桶进行扩容后，将桶中的原结点取下来插入到新的桶中，所以需要对旧表中的每一个桶位遍历判断是否有挂结点，定义newtable，将旧表中的结点头插到新表中

3、正常情况：通过key值计算出映射的位置，再将该结点头插入此处，计数加加

bool insert(const pair<k, v>& kv) 
{
	HashFunc hf;
	if (Find(kv.first)) return false;  //防止冗余
	else if (_n == _table.size()) 
	{
		//开散列的负载因子到达1.0时需要调整（扩容 + 挂结点）
		//扩容 + 取原链接的结点挂到新的链表中

		size_t size = _table.size() == 0 ? 10 : _table.size() * 2;
		vector<Node*> newtable(size, nullptr);
		//遍历旧的链表 + 将旧链表的结点取下来重新计算位置存入到新的链表中
		for (size_t i = 0; i < _table.size(); i++) 
		{
			Node* cur = _table[i];
			while (cur) 
			{
				Node* next = cur->_next;
				Node* copy = new Node(cur->_kv);
				copy->_next = newtable[i];
				newtable[i] = copy;
				

				cur = next;
			}
			_table[i] = nullptr;  
			//旧表中的结点值取完之后将此处的桶位置空
		}
		swap(newtable, _table);  //交换旧表和新表
	}

	else 
	{
		size_t index = hf(kv.first) % _table.size();  //计算映射位置
		Node* newNoed = new Node(kv);

		//头插做头
		newNoed->_next = _table[index];
		_table[index] = newNoed;
		_n++;
	}
	return true;
}

查找

计算映射出的这个位置，从此处开始遍历往后查找，直到找到返回该结点的地址，否则返回nullptr

HashNode<k,v>* Find(const k& key)
{
		HashFunc hf;
		if (_table.size() == 0) return nullptr;
		size_t index = hf(key) % _table.size();
		Node* cur = _table[index];
		while (cur) 
		{
			if (cur->_kv.first == key) return _table[index];
			cur = cur->_next;
		}
		return nullptr;
}

删除

通过key值计算出映射的位置，，按照单链表的删除结点逻辑处理就行

bool Erase(const k& key)
{
	HashFunc hf;

	size_t index = hf(key) % _table.size();
	Node* cur = _table[index];
	Node* prev = nullptr;
	while (cur)
	{
		if (cur->_kv.first == key) 
		{
			if (cur == _table[index]) _table[index] = cur->_next;
			else prev->_next = cur->_next;
			delete cur, --_n;
			return true;
		}

		prev = cur;
		cur = cur->_next;
	}
	return false;
}

获取素数

有些资料上讲的哈希表的大小开素数个会减少哈希冲突，这里我们就实现一个获取素数的函数，会根据实际传递的哈希表的size大小，返回对应的素数

//获取素数
size_t GetNextPrime(size_t prime)
{
	const int PRIMECOUNT = 28;
	//素数序列
	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 = 0; i < PRIMECOUNT; i++)
	{
		if (primeList[i] > prime)  //找出比prime大的素数
			return primeList[i];
	}
	return primeList[i];
}

unordered系列map、set模拟实现

unordered系列关联式容器

在C++98中，STL提供了底层为红黑树结构的一系列关联式容器，在查询时效率可达到 ( log N )，即最差情况下需要比较红黑树的高度次，当树中的节点非常多时，查询效率也不理想。最好的查询是，进行很少的比较次数就能够将元素找到，因此在C++11中，STL又提供了4个unordered系列的关联式容器，这四个容器与红黑树结构的关联式容器使用方式基本类似，只是其底层结构不同，本文中只对unordered_map和unordered_set进行介绍，unordered_multimap和unordered_multiset可查看文档介绍

unordered_map的文档介绍

1. unordered_map是存储<key, value>键值对的关联式容器，其允许通过keys快速的索引到与其对应的
   value。
2. 在unordered_map中，键值通常用于惟一地标识元素，而映射值是一个对象，其内容与此键关联。键
   和映射值的类型可能不同。
3. 在内部,unordered_map没有对<kye, value>按照任何特定的顺序排序, 为了能在常数范围内找到key所
   对应的value，unordered_map将相同哈希值的键值对放在相同的桶中。
4. unordered_map容器通过key访问单个元素要比map快，但它通常在遍历元素子集的范围迭代方面效率
   较低。
5. unordered_maps实现了直接访问操作符(operator[])，它允许使用key作为参数直接访问value。
6. 它的迭代器至少是前向迭代器

哈希表结点结构

//key模型
template <class T>  
struct HashNode 
{
	HashNode(const T& data)
		: _data(data)
		, _next(nullptr)
	{}

	T _data;
	HashNode<T>* _next;
};

哈希表改造

template <class k, class T, class KeyOft,class HashFunc = Hash<k>>
class HashTable 
{
	friend struct __Iterator<k, T, KeyOft>;
	typedef  __Iterator<k, T, KeyOft> Iterator;  
	typedef HashNode<T> Node;
public:

	//拷贝构造
	HashTable(const HashTable<k, T, KeyOft>& hs)
	{
		HashTable<k, T, KeyOft> newtable(hs._table.size(), nullptr);
		for (size_t i = 0; i < _table.size(); i++) 
		{
			Node* cur = _table[i];
			while (cur) 
			{
				//以头插的方式赋值结点给newtable
				Node* next = cur->_next;
				Node* copy = new Node(cur->_data);
				copy->_next = _table[i];
				_table[i] = copy;
				++_n;  

				cur = next;
			}
			_table[i] = nullptr;
		}
		swap(newtable._table, _table);
	}
	//拷贝赋值
	void operator=(const HashTable<k, T, KeyOft>& hs)
	{
		swap(hs._table, _table);
		swap(hs._n, _n);
	}
	//析构
	~HashTable()
	{
		for (size_t i = 0; i < _table.size(); i++)
		{
			Node* cur = _table[i];
			while (cur)
			{
				Node* next = cur->_next;
				delete cur;
				cur = next;
			}
			_table[i] = nullptr;
		}
	}
	
	Iterator begin() 
	{
		for (size_t i = 0; i < _table.size(); i++) 
		{
			if (_table[i]) return Iterator(_table[i], this);
		}

		return end();
	}

	Iterator end()
	{
		return Iterator(nullptr, this);
	}

	//获取素数
	size_t GetNextPrime(size_t prime)
	{
		const int PRIMECOUNT = 28;
		//素数序列
		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 = 0; i < PRIMECOUNT; i++)
		{
			if (primeList[i] > prime)
				return primeList[i];
		}
		return primeList[i];
	}
	
	pair<Iterator, bool> insert(const T& x) 
	{

		KeyOft kf;  
		HashFunc hf; 

		if (Find(kf(x))._node)
		{
			return make_pair(Find(kf(x)), false);  //防止冗余
		}

		else if (_n == _table.size()) 
		{
			//开散列的负载因子到达1.0时需要调整（扩容 + 挂结点）
			//扩容 + 取原链接的结点挂到新的链表中

			size_t size = GetNextPrime(_table.size());
			vector<Node*> newtable(size, nullptr);
			//遍历旧的链表 + 将旧链表的结点取下来重新计算位置存入到新的链表中
			for (size_t i = 0; i < _table.size(); i++) 
			{
				Node* cur = _table[i];
				while (cur) 
				{
					Node* next = cur->_next;
					Node* copy = new Node(cur->_data);
					copy->_next = newtable[i];
					newtable[i] = copy;
					

					cur = next;
				}
				_table[i] = nullptr;
			}
			swap(newtable, _table);
		}

		size_t index = hf(kf(x)) % _table.size();  //计算映射位置
		Node* newNoed = new Node(x);

		//头插做头
		newNoed->_next = _table[index];
		_table[index] = newNoed;
		_n++;
		
		return make_pair(Iterator(_table[index], this),true);  //返回插入结点和true的pair结构
	}

	Iterator Find(const k& key)
	{
		KeyOft kf;
		HashFunc hf;
	                            
		if (_table.size() == 0) return Iterator(nullptr, this);
		size_t index = hf(key) % _table.size();
		Node* cur = _table[index];
		while (cur) 
		{
			if (kf(cur->_data) == key) return Iterator(cur,this);
			cur = cur->_next;
		}
		return Iterator(nullptr, this);
	}

	bool Erase(const k& key)
	{
		HashFunc hf;
		KeyOft kf;

		size_t index = hf(key) % _table.size();
		Node* cur = _table[index];
		Node* prev = nullptr;
		while (cur)
		{
			if (kf(cur->_data) == key) 
			{
				if (cur == _table[index]) _table[index] = cur->_next;
				else prev->_next = cur->_next;
				delete cur, --_n;
				return true;
			}

			prev = cur;
			cur = cur->_next;
		}
		return false;
	}

private:
	vector<Node*> _table;
	size_t _n = 0;
};

哈希表迭代器

//前置声明
template <class k, class T, class KeyOft, class HashFunc> class HashTable;
//哈希表的迭代器
template <class k, class T, class KeyOft, class HashFunc = Hash<k>>
struct __Iterator
{
	typedef HashTable<k, T, KeyOft, HashFunc> Ht;
	typedef __Iterator<k, T, KeyOft> Self;
	typedef HashNode<T> Node;
	Node* _node;  //记录结点的位置
	Ht* _pht;  //存放哈希表的地址
	
	__Iterator(Node* node, Ht *pht) //构造函数
		:_node(node)
		,_pht(pht)
	{ }	

	Self& operator++()
	{
		
		if (_node->_next) //当前桶还剩 > 1个结点
		{
			_node = _node->_next;
		}
		else //  //当前桶只剩 1个结点，需要找到下一个桶，将桶位置的_node赋值给this.node
		{
			//使用匿名对象
			size_t index = HashFunc() (KeyOft() (_node->_data)) % _pht->_table.size();//计算当前位置
			index++;  //从当前位置的下一个位置开始查找
			while (index < _pht->_table.size())
			{
				if (_pht->_table[index]) //找到后一个桶的位置就将值赋值给_node
				{
					_node = _pht->_table[index];  //将该位置桶的头节点赋值给_node
					return *this;
				}
				index++;  
			}
			_node = nullptr;
		}

		//走到此位置，表示已经遍历完了
		return *this;
	}
	//一下均是简易接口，重点还是前置++运算符
	T& operator*()  {return _node->_data;}
	T* operator->() {return &_node->_data;}
	bool operator!=(const Self& node)const { return _node != node._node; }
	bool operator==(Self& node)const { return _node == node._node; }
};

unordered_map模拟

namespace mzt 
{
	template<class k, class v>
	class unoddered_map 
	{
		struct MapKeyOft  
		{
			k operator()(const pair<k, v>& key)
			{
				return key.first;
			}
		};
		


	public:
		typedef typename mzt::__Iterator<k, pair<k,v>, MapKeyOft> Iterator;
		Iterator begin()  { return _hstable.begin(); }
		Iterator end()	{ return _hstable.end(); }
		
		pair<Iterator, bool> insert(const pair<k, v>& kv)
		{
			return _hstable.insert(kv);
		}

		
	private:
		mzt::HashTable<k, pair<k, v>, MapKeyOft> _hstable;
	};

	void map_test() 
	{
		int a[] = {1,4,5,78,56,6,3,4,11,21,30};
		unoddered_map<int, int> mp;
		for (auto& ref : a) mp.insert(make_pair(ref,ref));
		unoddered_map<int,int>::Iterator it = mp.begin();
		while (it != mp.end()) 
		{
			cout << it->first << " ";
			++it;
		}

	}
}

unordered_set模拟

namespace mzt
{
	template<class k>
	class unordered_set
	{
	
		struct SetKeyOft
		{
			k operator()(const k& key)
			{
				return key;
			}
		};
		
	public:
		typedef typename mzt::__Iterator<k, k, SetKeyOft> Iterator;
		Iterator begin() { return _hstable.begin(); }
		Iterator end() { return _hstable.end(); }

		pair<Iterator, bool> insert(const k& kv)
		{
			return _hstable.insert(kv);
		}


	private:
		mzt::HashTable<k, k, SetKeyOft> _hstable;
	};
	void set_test()
	{
		int a[] = { 1,4,5,78,56,6,3,4,11,21,30 };
		unordered_set<int> s;
		for (auto& ref : a) s.insert(ref);
		unordered_set<int>::Iterator it = s.begin();
		while (it != s.end())
		{
			cout << *it<< " ";
			++it;
		}
	}
}