算法和数据结构常识

0 超大集合去重

在数学上把一个集合不重复元素的个数称为集合的基数（cardinality，也有叫做势），这类问题可以称为基数统计问题.

典型的需求是：

• 统计一个月内某App 的DAU ，MAU
• 统计某个网页UV

容易想到的思路：

• java set

  假如有个1亿个不重复的元素，每个4个字节，则内存开销 400M

• BitMap 位图

  不保存实际使用的元素，只用 1bit 标识某个元素是否出现过。位图占用的内存和元素的值域有关，因为我们需要把值域映射到这个大的比特数组上。假设元素的值域是 [1,1亿]，那么采用位图需要的内存就是 100000000∗1bit / 8 ≈12MB 。该方法也能够精确的计算出不重复元素的数量，比起Set来说，内存占用确实减少很多，但是如果需要统计上千个模块或者业务的数据，那么内存消耗依然很大

• 布隆过滤器(bloom filter)

  类似于位图，也是一个大的bit数组，存储的数据通过多个哈希函数计算，映射到比特数组的多个bit中，进而判断一个元素是否在集合中。布隆过滤器具有一定的误判率，占用的内存比位图略小，和误判率有关，误判率越低，需要的内存越大

• hyperLogLog (HLL)

  HyperLogLog Counting算法以损失一定准确性为代价，能够使用极少的内存统计集合的基数，常常被用于统计产品的日活、月活，独立访客数等等场景。在Redis中也支持HyperLogLog数据结构，并且对内存的使用做了一些优化

1 分享一个国外大学的学习数据结构的网址

https://www.cs.usfca.edu/~galles/visualization/Algorithms.html

2 B树 ,B+ 树

3