目录
1. 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_2 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就能将元素找到,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可自行查看文档介绍。
1.1 unordered_map
- 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。
- 在unordered_map中,键值通常用于唯一地标识元素,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。
- 在内部,unordered_map没有对<key,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。
- 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。
- unordered_map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。
- 它的迭代器至少是前向迭代器。
1.2 unordered_set
2. 底层结构
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。
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_2 N), 搜索到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: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——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,把求得的函数值当作元素的存储位置,在结构中按此位置取元素比较,若关键码相同,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)
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。
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,会出现什么问题?
2.2 哈希冲突
对于两个数据元素的关键字key(i)和key(j)(i!=j),有key(i)!=key(j),但有:hash(keyi)==hash(keyj), 即:不同关键字通过相同哈希函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。 我们也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”。
那么发生哈希冲突该如何处理呢?
2.3 哈希函数
引起哈希冲突的一个原因可能是: 哈希函数设计不够合理。
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,其值必须在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--(常用)
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
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
注意: 哈希函数设计的越精妙,产生哈希冲突的可能性就越低,但是无法避免哈希冲突
2.4 哈希冲突解决
解决哈希冲突两种常见的方式是: 闭散列和开散列
2.4.1 闭散列(开放寻址法)
闭散列: 也叫开放定址法,当发生哈希冲突是,如过哈希表未被装满,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
- 通过哈希函数获取待插入元素在哈希表中的位置
- 如果该位置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
- 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。
思考: 哈希表说明情况下进行扩容? 如何扩容?
开放寻址法完整代码:
#pragma once
#include <vector>
#include <iostream>
using namespace std;
namespace open_search
{
enum State
{
EXIST,
EMPTY,
DELETE
};
template<class K>
struct HashFunc
{
size_t operator()(const K& key)
{
return (size_t)key;
}
};
template< class K, class V>
struct HashData
{
pair<K, V> _kv;
State _state = EMPTY;
};
template<class K, class V, class Hash = HashFunc<K>>
class HashTable
{
public:
HashTable()
{
_Table.resize(10);
}
bool Insert(const pair<K, V>& kv)
{
// 查重
if (Find(kv.first)) return false;
size_t n = _Table.size();
// 检查负重因子时候进行扩容
if (_nums * 10 / n >= 7)
{
HashTable HT;
n = n * 2;
HT._Table.resize(n);
for (auto& x : _Table)
{
if (x._state == EXIST)
{
HT.Insert(x._kv);
}
}
_Table.swap(HT._Table);
}
Hash hs;
size_t t = hs(kv.first) % n;
while (_Table[t]._state == EXIST)
{
t++;
t %= n; // 旋转寻找
}
_Table[t]._kv = kv;
_Table[t]._state = EXIST;
_nums++;
return true;
}
HashData<K,V>* Find(const K& key)
{
Hash hs;
size_t n = _Table.size();
size_t t = hs(key) % n;
while (_Table[t]._state !=EMPTY) // 可能被删除的节点在两个存在的节点中间
{
if (_Table[t]._state==EXIST && _Table[t]._kv.first == key) return &_Table[t];
t++;
t %= n;
}
return nullptr;
}
bool Erase(const K& key)
{
auto t = Find(key);
if (t)
{
t->_state = DELETE;
return true;
}
else return false;
}
private:
vector<HashData<K, V>> _Table;
size_t _nums = 0;
};
void TestHT1()
{
HashTable<int, int> ht;
int a[] = { 11,21,4,14,24,15,9 };
for (auto e : a)
{
ht.Insert({ e,e });
}
ht.Insert({ 19,19 });
ht.Insert({ 19,190 });
ht.Insert({ 19,1900 });
ht.Insert({ 39,1900 });
cout << ht.Find(24) << endl;
ht.Erase(4);
cout << ht.Find(24) << endl;
cout << ht.Find(4) << endl;
}
}
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:不同的关键码占据了可利用的空位置,形成局部堵塞,使得寻找某个关键码的位置需要许多次比较,导致搜索效率降低。那么如何缓解呢?
2. 二次探测
线性探测的缺陷是产生冲突的数据推挤在一块,这与其找下一个空位置有关,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:i=(t+i^2)% n 。 其中i=1,2,3,4... t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,n是表的大小
对于2.1 中的如果要插入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。
2.4.2 开散列(开链法)
1. 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,各链表的头节点存储在哈希表中。
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。
2. 开散列实现
namespace Hash_bucket
{
template< class K,class V>
struct HashNode
{
pair<K, V> _kv;
HashNode<K, V>* _next;
HashNode(const pair<K,V>& kv )
: _kv(kv),
_next(nullptr)
{}
};
template<class K, class V, class Hash = HashFunc<K>>
class HashTable
{
typedef HashNode<K, V> Node;
public:
HashTable()
{
_Table.resize(10,nullptr);
}
~HashTable()
{
for (size_t i=0;i<_Table.size();i++)
{
Node* cur = _Table[i];
while (cur)
{
Node* t = cur->_next;
delete cur;
cur = t;
}
_Table[i] = nullptr;
}
}
bool Insert(const pair<K, V>& kv)
{
// 查重
if(Find(kv.first)) return false;
Hash hs;
int n = _Table.size();
// 扩容
if (_nums == n)
{
n = n * 2;
vector<Node*> newTable(n, nullptr);
for (size_t i = 0; i < _Table.size(); i++)
{
Node* cur = _Table[i];
while (cur)
{
int t = hs(cur->_kv.first) % n;
Node* temp = cur->_next;
// 因为第一次插和第n次插都是一样的,所以不需要特殊处理
cur->_next = newTable[t];
newTable[t] = cur;
cur = temp;
}
_Table[i] = nullptr;
}
_Table.swap(newTable);
}
int t = hs(kv.first) % n;
Node* cur = new Node(kv);
cur->_next = _Table[t];
_Table[t] = cur;
_nums++;
return true;
}
Node* Find(const K& key)
{
Hash hs;
int n = _Table.size();
int t = hs(key) % n;
for (int i = 0; i < n; i++)
{
Node* cur = _Table[i];
while (cur)
{
if (cur->_kv.first == key) return cur;
cur = cur->_next;
}
}
return nullptr;
}
bool Erase(const K& key)
{
Hash hs;
int n = _Table.size();
int t = hs(key) % n;
Node* cur = _Table[t];
Node* prev = nullptr;
while (cur)
{
if (cur->_kv.first == key)
{
if (prev == nullptr) _Table[t] = nullptr;
else
{
prev->_next = cur->_next;
delete cur;
_nums--;
return true;
}
}
prev = cur;
cur = cur->_next;
}
return false;
}
private:
vector<Node*> _Table;
size_t _nums;
};
3. 开散列增容
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,可能回导致一个桶中链表节点非常多,会影响哈希表的性能,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。
// 扩容
if (_nums == n)
{
n = n * 2;
vector<Node*> newTable(n, nullptr);
for (size_t i = 0; i < _Table.size(); i++)
{
Node* cur = _Table[i];
while (cur)
{
int t = hs(cur->_kv.first) % n;
Node* temp = cur->_next;
// 因为第一次插和第n次插都是一样的,所以不需要特殊处理
cur->_next = newTable[t];
newTable[t] = cur;
cur = temp;
}
_Table[i] = nullptr;
}
_Table.swap(newTable);
}
4. 开散列的思考
1. 只能存储key为整型的元素,其他类型怎么解决
// 哈希函数采用处理余数法,被模的key必须要为整型才可以处理
template<class K>
struct HashFunc
{
size_t operator()(const K& key)
{
return (size_t)key;
}
};
// 特化 处理key为字符串类型,转换处理为整型
template<>
struct HashFunc<string>
{
size_t operator()(const string& key)
{
size_t hash = 0;
for (auto& x : key)
{
hash *= 31; // 防止出现ash ,sha 这种相似字符串导致的哈希值重复,所以乘上 31 131 1313 13131 131313
hash += x;
}
return hash;
}
};
2. 除留余数法,最好模一个素数,如何每次快速去一个类似两倍关系的素数?
size_t GetNextPrime(size_t prime)
{
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];
}
3. 模拟实现
3.1 哈希表的改造
1. 模板参数列表的改造
- K: 关键码类型
- V:不同容器V的类型不同,如果是unordered_map,V代表一个键值对,如果unordered_set, V为K
- keyOfvalue: 因为V的类型v不同,通过value取key的方式就不同,详细见unordered_set/map的实现
- HF:哈希函数仿函数对象类型,哈希函数使用除留余数法,需要将Key转换为整型数字才能取模
template <class K,class V,class KeyofValue, class HF= DefHashF<T>>
class HashBucket;
2. 增加迭代器操作
template<class K, class T, class Ptr, class Ref, class KeyofValue, class Hash>
struct HashIterator
{
typedef HashNode<T> Node;
typedef HashTable<K, T, KeyofValue, Hash> Table;
typedef HashIterator<K, T, Ptr, Ref, KeyofValue, Hash> Self;
Node* _node;
const Table* _t;
public:
HashIterator(const Node* node, const Table* t)
: _node()
, _t(t)
{}
Ref operator* ()
{
return _node->_data;
}
Ptr operator -> ()
{
return &_node->_data;
}
bool operator==(const Self& s)
{
return _node == s._node && _t->_Table == s._t->_Table;
}
bool operator!=(const Self& s)
{
return _node != s._node;
}
Self operator++ ()
{
if (_node->_next)
{
_node = _node->_next;
return _node;
}
Hash hs;
KeyofValue kofv;
size_t t = hs(kofv(_node->_data)) % _t->_Table.size();
t++;
while (t < _t->_Table.size())
{
if (_t->_Table[t]) break;
t++;
}
if (t < _t.size()) _node = _t->_Table[t];
else _node=nullptr; // end()
return *this;
}
};
3. 增加通过key获取value操作
// 哈希函数采用处理余数法,被模的key必须要为整型才可以处理
template<class K>
struct HashFunc
{
size_t operator()(const K& key)
{
return (size_t)key;
}
};
// 特化 处理key为字符串类型,转换处理为整型
template<>
struct HashFunc<string>
{
size_t operator()(const string& key)
{
size_t hash = 0;
for (auto& x : key)
{
hash *= 31; // 防止出现ash ,sha 这种相似字符串导致的哈希值重复,所以乘上 31 131 1313 13131 131313
hash += x;
}
return hash;
}
};
3. 2 unordered_set
template<class K, class Hash = HashFunc<K>>
class unordered_set
{
public:
struct KeyofValue
{
const K& operator()(const K& key)
{
return key;
}
};
typedef typename Hash_bucket::HashTable<K, const K, KeyofValue, Hash>::Iterator iterator;
typedef typename Hash_bucket::HashTable<K, const K, KeyofValue, Hash>::const_Iterator const_iterator;
iterator begin()
{
return _t.Begin();
}
const_iterator begin() const
{
return _t.Begin();
}
iterator end()
{
return _t.End();
}
const_iterator end() const
{
return _t.End();
}
pair<iterator, bool> insert(const K& key)
{
return _t.Insert(key);
}
pair<iterator, bool> find(const K& key)
{
return _t.Find(key);
}
bool erase(const K& key)
{
return _t.Erase(key);
}
3.3 unordered_map
#include "HashTable.h"
template <class K,class V,class Hash=HashFunc<K>> // 只对k进行哈希计算
class unordered_map
{
public:
struct keyofvalue
{
const K& operator()(const pair< K, V>& kv)
{
return kv.first;
}
};
typedef typename Hash_bucket::HashTable<K, pair<const K, V>, keyofvalue, Hash>::Iterator iterator;
typedef typename Hash_bucket::HashTable<K, pair<const K, V>, keyofvalue, Hash>::const_Iterator const_iterator;
iterator begin()
{
return _t.Begin();
}
const_iterator begin() const
{
return _t.Begin();
}
iterator end()
{
return _t.End();
}
const_iterator end() const
{
return _t.End();
}
pair<iterator, bool> insert(const pair<K,V>& kv)
{
return _t.Insert(kv);
}
pair<iterator, bool> find(const K& key)
{
return _t.Find(key);
}
bool erase(const K& key)
{
return _t.Erase(key);
}
V& operator[](const K& key)
{
pair<iterator, bool> ret = insert(make_pair(key, V()));
//return (ret.first)->second;
return (*(ret.first)).second;
}
private:
Hash_bucket::HashTable<K, pair<const K, V>, keyofvalue,Hash> _t;
// K不能修改,因为K如果修改,那么会发生混乱
};
3.4 哈希表底层实现
#include <vector>
#include <iostream>
using namespace std;
// 哈希函数采用处理余数法,被模的key必须要为整型才可以处理
template<class K>
struct HashFunc
{
size_t operator()(const K& key)
{
return (size_t)key;
}
};
// 特化 处理key为字符串类型,转换处理为整型
template<>
struct HashFunc<string>
{
size_t operator()(const string& key)
{
size_t hash = 0;
for (auto& x : key)
{
hash *= 31; // 防止出现ash ,sha 这种相似字符串导致的哈希值重复,所以乘上 31 131 1313 13131 131313
hash += x;
}
return hash;
}
};
namespace open_search
{
enum State
{
EXIST,
EMPTY,
DELETE
};
template< class K, class V>
struct HashData
{
pair<K, V> _kv;
State _state = EMPTY;
};
template<class K, class V, class Hash = HashFunc<K>>
class HashTable
{
public:
HashTable()
{
_Table.resize(10);
}
bool Insert(const pair<K, V>& kv)
{
// 查重
if (Find(kv.first)) return false;
size_t n = _Table.size();
// 检查负重因子时候进行扩容
if (_nums * 10 / n >= 7)
{
HashTable HT;
n = n * 2;
HT._Table.resize(n);
for (auto& x : _Table)
{
if (x._state == EXIST)
{
HT.Insert(x._kv);
}
}
_Table.swap(HT._Table);
}
Hash hs;
size_t t = hs(kv.first) % n;
while (_Table[t]._state == EXIST)
{
t++;
t %= n; // 旋转寻找
}
_Table[t]._kv = kv;
_Table[t]._state = EXIST;
_nums++;
return true;
}
HashData<K,V>* Find(const K& key)
{
Hash hs;
size_t n = _Table.size();
size_t t = hs(key) % n;
while (_Table[t]._state !=EMPTY) // 可能被删除的节点在两个存在的节点中间
{
if (_Table[t]._state==EXIST && _Table[t]._kv.first == key) return &_Table[t];
t++;
t %= n;
}
return nullptr;
}
bool Erase(const K& key)
{
auto t = Find(key);
if (t)
{
t->_state = DELETE;
return true;
}
else return false;
}
private:
vector<HashData<K, V>> _Table;
size_t _nums = 0;
};
}
namespace Hash_bucket
{
template< class T>
struct HashNode
{
T _data;
HashNode<T>* _next;
HashNode(const T& data )
: _data(data),
_next(nullptr)
{}
};
template<class K, class T, class KeyofValue, class Hash>
class HashTable;
template<class K, class T, class Ptr, class Ref, class KeyofValue, class Hash>
struct HashIterator
{
typedef HashNode<T> Node;
typedef HashTable<K, T, KeyofValue, Hash> Table;
typedef HashIterator<K, T, Ptr, Ref, KeyofValue, Hash> Self;
Node* _node;
const Table* _t;
public:
HashIterator(Node* node, const Table* t)
: _node(node)
, _t(t)
{}
Ref operator * ()
{
return _node->_data;
}
Ptr operator -> ()
{
return &_node->_data;
}
bool operator==(const Self& s)
{
return _node == s._node && _t->_Table == s._t->_Table;
}
bool operator!=(const Self& s)
{
return _node != s._node;
}
Self operator++ ()
{
if (_node->_next)
{
_node = _node->_next;
return *this;
}
Hash hs;
KeyofValue kofv;
size_t t = hs(kofv(_node->_data)) % _t->_Table.size();
t++;
while (t < _t->_Table.size())
{
if (_t->_Table[t]) break;
t++;
}
if (t < _t->_Table.size()) _node = _t->_Table[t];
else _node=nullptr; // end()
return *this;
}
};
template<class K, class T, class KeyofValue, class Hash>
class HashTable
{
public:
typedef HashNode<T> Node;
template<class K, class T, class Ptr, class Ref, class KeyofValue, class Hash>
friend struct HashIterator;
typedef HashIterator<K, T, T*, T&, KeyofValue, Hash> Iterator;
typedef HashIterator< K, T, const T*, const T&, KeyofValue, Hash> const_Iterator;
Iterator Begin()
{
int n = _Table.size();
if (n == 0) return End();
for (int i = 0; i < n; i++)
{
if (_Table[i])
{
return Iterator(_Table[i], this);
}
}
return End();
}
Iterator Begin() const
{
int n = _Table.size();
if (n == 0) return End();
for (int i = 0; i < n; i++)
{
if (_Table[i])
{
return Iterator(_Table[i], this);
}
}
return End();
}
Iterator End()
{
return Iterator(nullptr, this);
}
Iterator End() const
{
return Iterator(nullptr, this);
}
HashTable()
{
_Table.resize(10,nullptr);
}
~HashTable()
{
for (size_t i=0;i<_Table.size();i++)
{
Node* cur = _Table[i];
while (cur)
{
Node* t = cur->_next;
delete cur;
cur = t;
}
_Table[i] = nullptr;
}
}
pair<Iterator,bool> Insert(const T& data)
{
// 查重
KeyofValue kofv;
Iterator temp = Find(kofv(data));
if (temp != End()) return make_pair(temp, false);
Hash hs;
int n = _Table.size();
if (_nums == n)
{
n = n * 2;
vector<Node*> newTable(n, nullptr);
for (size_t i = 0; i < _Table.size(); i++)
{
Node* cur = _Table[i];
while (cur)
{
int t = hs(kofv(cur->_data)) % n;
Node* temp = cur->_next;
// 因为第一次插和第n次插都是一样的,所以不需要特殊处理
cur->_next = newTable[t];
newTable[t] = cur;
cur = temp;
}
_Table[i] = nullptr;
}
_Table.swap(newTable);
}
int t = hs(kofv(data)) % n;
Node* cur = new Node(data);
cur->_next = _Table[t];
_Table[t] = cur;
_nums++;
return make_pair(Iterator(cur,this),true);
}
Iterator Find(const K& key)
{
Hash hs;
KeyofValue kofv;
int n = _Table.size();
int t = hs(key) % n;
for (int i = 0; i < n; i++)
{
Node* cur = _Table[i];
while (cur)
{
if (kofv(cur->_data) == key) return Iterator(cur,this);
cur = cur->_next;
}
}
return End();
}
bool Erase(const K& key)
{
Hash hs;
KeyofValue kofv;
int n = _Table.size();
int t = hs(key) % n;
Node* cur = _Table[t];
Node* prev = nullptr;
while (cur)
{
if (kofv(cur->_data) == key)
{
if (prev == nullptr) _Table[t] = nullptr;
else
{
prev->_next = cur->_next;
delete cur;
_nums--;
return true;
}
}
prev = cur;
cur = cur->_next;
}
return false;
}
private:
vector<Node*> _Table;
size_t _nums;
};
}