【手撕STL】unordered_set、unordered_map(用哈希表封装)

哈希

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logN，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

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。
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。
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_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。
它的迭代器至少是前向迭代器。

unordered_map的接口说明

unordered_map在线文档说明
注意：

operator[]该函数中实际调用哈希桶的插入操作，用参数key与V()构造一个默认值往底层哈希桶中插入，如果key不在哈希桶中，插入成功，返回V()，插入失败，说明key已经在哈希桶中，将key对应的value返回。
unordered_map中key是不能重复的，因此count函数的返回值最大为1

unordered_set

unordered_set在线文档说明

unordered系列关联式容器的使用

在这里插入图片描述

注：在功能上和map、set是一样的区别在于，这两个容器遍历出来不是有序的，他们是单向迭代器

voidtest_op(){
    set<int> s;
    unordered_set<int> us;constint n =100000000;//改变n的值
    vector<int> v;srand(time(0));for(size_t i =0; i < n;++i){
        v.push_back(rand());}

    size_t begin1 =clock();for(auto e : v){
        s.insert(e);}
    size_t end1 =clock();

    size_t begin2 =clock();for(auto e : v){
        us.insert(e);}
    size_t end2 =clock();

    cout <<"set insert:"<< end1 - begin1 << endl;
    cout <<"unordered_set insert:"<< end2 - begin2 << endl;
    cout <<"====================="<< endl;
    size_t begin3 =clock();for(auto e : v){
        s.find(e);}
    size_t end3 =clock();

    size_t begin4 =clock();for(auto e : v){
        us.find(e);}
    size_t end4 =clock();

    cout <<"set find:"<< end3 - begin3 << endl;
    cout <<"unordered_set find:"<< end4 - begin4 << endl;

    cout <<"====================="<< endl;
    size_t begin5 =clock();for(auto e : v){
        s.erase(e);}
    size_t end5 =clock();

    size_t begin6 =clock();for(auto e : v){
        us.erase(e);}
    size_t end6 =clock();

    cout <<"set erase:"<< end5 - begin5 << endl;
    cout <<"unordered_set erase:"<< end6 - begin6 << endl;}

运行结果：
在这里插入图片描述

在这里插入图片描述

注：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。

总结：

当数据量小时，map/set容器与unordered_map/unordered_set容器增删查改的效率差异不大。
当数据量大时，map/set容器与unordered_map/unordered_set容器增删查改的效率相比，unordered系列容器的效率更高。

注：当存储的数据没有特定说明需要排序时，一定要用unordered系列的关联式容器；当需要存储的序列为有序时，应该选用ordered系列的关联式容器

底层结构

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( 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：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。
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哈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”

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

直接定制法

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

除留余数法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
平方取中法假设关键字为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
折叠法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
随机数法选择一个随机函数，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
数学分析法设有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。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

哈希冲突解决

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。

线性探测

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

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（会影响该方法的插入和删除）。线性探测采用标记的伪删除法来删除一个元素。

线性探测的实现：

namespace close_hash
{enumState{
        EMPTY,
        DELETE,
        EXIST,};template<classK,classT>structHashData{
        pair<K, T> _hd;
        State _s = EMPTY;};template<classK>structHashFun{
        size_t operator()(const K& key){return key;}};template<>structHashFun<string>{//BKDR Hash思想
        size_t operator()(const string& key){
            size_t n =0;for(auto& e : key){
                n *=131;
                n += e;}return n;}};template<classK,classT,classHash=HashFun<K>>classHashTable{public:
        HashData<K, T>*find(const pair<K, T>& kv){if(_ht.size()==0)returnnullptr;
            Hash hs;
            size_t begin =hs(kv.first)% _ht.size();
            size_t i =0;while(_ht[begin]._s != EMPTY){if(_ht[begin]._hd == kv && _ht[begin]._s != DELETE)return&_ht[begin];else{
                    i++;
                    begin += i;
                    begin %= _ht.size();}}returnnullptr;}boolerase(const pair<K, T>& kv){
            HashData<K, T>* phd=find(kv);if(phd ==nullptr)returnfalse;else{//伪删除法
                phd->_s = DELETE;
                _n--;returntrue;}}boolInsert(const pair<K, T>& kv){if(find(kv))returnfalse;if(_ht.size()==0|| _n *10/ _ht.size()>=7){
                size_t newsize = _ht.size()==0?10: _ht.size()*2;
                HashTable<K,T,Hash> nht;
                nht._ht.resize(newsize);for(constauto& e : _ht){if(e._s==EXIST)
                        nht.Insert(e._hd);}
                _ht.swap(nht._ht);}
            Hash hs;
            size_t begin =hs(kv.first)% _ht.size();
            size_t i =0;while(_ht[begin]._s == EXIST){
                i++;
                begin += i;
                begin %= _ht.size();}
            _ht[begin]._hd = kv;
            _ht[begin]._s = EXIST;
            _n++;returntrue;}private:
        vector<HashData<K, T>> _ht;
        size_t _n=0;//存储有效数据的个数};}

注意：

在删除一个元素时，需要每个位置存储值得同时在存储一个状态标记：空、满、删除
哈希表在载荷因子超过0.7-0.8以上进行扩容

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。

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+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。

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。

二次探测的实现：

namespace close_hash
{enumState{
        EMPTY,
        DELETE,
        EXIST,};template<classK,classT>structHashData{
        pair<K, T> _hd;
        State _s = EMPTY;};template<classK>structHashFun{
        size_t operator()(const K& key){return key;}};template<>structHashFun<string>{//BKDR Hash思想
        size_t operator()(const string& key){
            size_t n =0;for(auto& e : key){
                n *=131;
                n += e;}return n;}};template<classK,classT,classHash=HashFun<K>>classHashTable{public:
        HashData<K, T>*find(const pair<K, T>& kv){if(_ht.size()==0)returnnullptr;
            Hash hs;
            size_t begin =hs(kv.first)% _ht.size();
            size_t i =0;while(_ht[begin]._s != EMPTY){if(_ht[begin]._hd == kv && _ht[begin]._s != DELETE)return&_ht[begin];else{
                    i++;
                    i = i * i;
                    begin += i;
                    begin %= _ht.size();}}returnnullptr;}boolerase(const pair<K, T>& kv){
            HashData<K, T>* phd=find(kv);if(phd ==nullptr)returnfalse;else{//伪删除法
                phd->_s = DELETE;
                _n--;returntrue;}}boolInsert(const pair<K, T>& kv){if(find(kv))returnfalse;//if (_ht.size() == 0 || _n * 10 / _ht.size() >= 7)if(_ht.size()==0|| _n *10/ _ht.size()>=5){
                size_t newsize = _ht.size()==0?10: _ht.size()*2;
                HashTable<K,T,Hash> nht;
                nht._ht.resize(newsize);for(constauto& e : _ht){if(e._s==EXIST)
                        nht.Insert(e._hd);}
                _ht.swap(nht._ht);}
            Hash hs;
            size_t begin =hs(kv.first)% _ht.size();
            size_t i =0;while(_ht[begin]._s == EXIST){
                i++;
                i = i * i;
                begin += i;
                begin %= _ht.size();}
            _ht[begin]._hd = kv;
            _ht[begin]._s = EXIST;
            _n++;returntrue;}private:
        vector<HashData<K, T>> _ht;
        size_t _n=0;//存储有效数据的个数};}

相比线性探测的好处，如果一个位置有很多值映射，冲突剧烈，那么他们存储是相对会比较分散，不会引发一片一片的冲突

开散列

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。

在这里插入图片描述

开散列中每个桶中放的都是发生哈希冲突的元素

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，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。

补充：

除留余数法，最好模一个素数（一个类似两倍关系的素数）

constint PRIMECOUNT =28;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 GetNextPrime(size_t prime){
 size_t i =0;for(; i < PRIMECOUNT;++i){if(primeList[i]> primeList[i])return primeList[i];}return primeList[i];}

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，当key为字符串类型，用BKDRHash算法

字符串哈希算法

开散列与闭散列比较

应用链地址法处理溢出，需要增设链接指针，似乎增加了存储开销。事实上：由于开地址法必须保持大量的空闲空间以确保搜索效率，如二次探查法要求装载因子a <= 0.7，而表项所占空间又比指针大的多，所以使用链地址法反而比开地址法节省存储空间。

补充：

负载因子=数据个数/表的大小
负载因子越低，冲突的概率越低，空间浪费越高
负载因子越高，冲突的概率越高，空间浪费越低

开散列的代码实现

#pragmaonce#include<vector>template<classK>structHashFunc{
    size_t operator()(const K& key){return key;}};// 特化template<>structHashFunc< string >{
    size_t operator()(const string& key){// BKDR Hash思想
        size_t hash =0;for(size_t i =0; i < key.size();++i){
            hash *=131;
            hash += key[i];}return hash;}};namespace bucket_hash
{template<classK,classV>structHashNode{
        pair<K, V> _kv;
        HashNode<K, V>* _next;HashNode(const pair<K, V>& kv):_kv(kv),_next(nullptr){}};

    size_t GetNextPrime(size_t prime){constint PRIMECOUNT =28;staticconst 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];}template<classK,classV,classHash= HashFunc<K>>classHashTable{typedef HashNode<K, V> Node;public:// 拷贝 和 赋值 需要自己实现桶的拷贝~HashTable(){for(size_t i =0; i < _tables.size(); i++){
                Node* cur = _tables[i];while(cur){
                    Node* next = cur->_next;delete cur;
                    cur = next;}

                _tables[i]=nullptr;}
            
            _n;}boolErase(const K& key){if(_tables.size()==0){returnfalse;}

            Hash hf;// 素数
            size_t index =hf(key)% _tables.size();
            Node* prev =nullptr;
            Node* cur = _tables[index];while(cur){if(cur->_kv.first == key){// 1、cur是头结点// 2、非头节点if(prev ==nullptr){
                        _tables[index]= cur->_next;}else{
                        prev->_next = cur->_next;}delete cur;--_n;returntrue;}else{
                    prev = cur;
                    cur = cur->_next;}}returnfalse;}

        Node*Find(const K& key){if(_tables.size()==0){returnnullptr;}

            Hash hf;
            size_t index =hf(key)% _tables.size();
            Node* cur = _tables[index];while(cur){if(cur->_kv.first == key){return cur;}else{
                    cur = cur->_next;}}returnnullptr;}boolInsert(const pair<K, V>& kv){
            Hash hf;//当负载因子到1时，进行扩容if(_n == _tables.size()){//size_t newSize = _tables.size() == 0 ? 10 : _tables.size() * 2;
                size_t newSize =GetNextPrime(_tables.size());//HashTable<K, V> newHT;
                vector<Node*> newtables;
                newtables.resize(newSize,nullptr);for(size_t i =0; i < _tables.size();++i){
                    Node* cur = _tables[i];while(cur){
                        Node* next = cur->_next;

                        size_t index =hf(cur->_kv.first)% newSize;
                        cur->_next = newtables[index];
                        newtables[index]= cur;

                        cur = next;}
                    _tables[i]=nullptr;}

                newtables.swap(_tables);}

            size_t index =hf(kv.first)% _tables.size();
            Node* cur = _tables[index];while(cur){if(cur->_kv.first == kv.first){returnfalse;}else{
                    cur = cur->_next;}}

            Node* newnode =newNode(kv);
            newnode->_next = _tables[index];
            _tables[index]= newnode;++_n;returntrue;}private:
        vector<Node*> _tables;
        size_t _n =0;// 存储多少有效数据};}

模拟实现(用哈希表封装unordered_map、unordered_set)

注意：

unordered_set是K模型的容器，而unordered_map是KV模型的容器。
模板参数列表的改造
1. K:关键码类型
1. V: 不同容器V的类型不同，如果是unordered_map，V代表一个键值对（pair<K,V>），如果是unordered_set,V 代表 K
1. KeyOfValue: 因为V的类型不同，通过value取key的方式就不同（跟map、set实现类似）
1. Hash: 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转换为整形数字才能取模（跟闭散列和开散列的实现一样）
unordered_map、unordered_set的迭代器都是单项迭代器，因此不需要–操作

哈希表的模拟实现（开散列的改造）

#pragmaonce #define_CRT_SECURE_NO_WARNINGS1#include<vector>#include<iostream>#include<string>usingnamespace std;template<classK>structHashFunc{
    size_t operator()(const K& key){return key;}};// 特化template<>structHashFunc< string >{
    size_t operator()(const string& key){// BKDR Hash思想
        size_t hash =0;for(size_t i =0; i < key.size();++i){
            hash *=131;
            hash += key[i];}return hash;}};namespace bucket_hash
{template<classT>structHashNode{
        T _data;
        HashNode<T>* _next;HashNode(const T& data):_data(data),_next(nullptr){}};

    size_t GetNextPrime(size_t prime){constint PRIMECOUNT =28;staticconst 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];}template<classK,classT,classHash,classKeyOfT>classHashTable;template<classK,classT,classHash,classKeyOfT>structHTIterator{typedef HashNode<T> Node;typedef HTIterator<K, T, Hash, KeyOfT> Self;typedef HashTable<K, T, Hash, KeyOfT> HT;HTIterator(Node* node, HT* ht):_node(node),_ht(ht){}
        Node* _node;
        HT* _ht;
        T&operator*(){return _node->_data;}
        T*operator->(){return&_node->_data;}booloperator!=(const Self& s)const{return _node != s._node;}booloperator==(const Self& s)const{return _node == s._node;}

        Self operator++(){if(_node->_next)// 在当前桶迭代{
                _node = _node->_next;}else// 找下一个桶{
                KeyOfT kot;const K& key =kot(_node->_data);
                Hash hf;
                size_t index =hf(key)% _ht->_tables.size();++index;
                _node =nullptr;while(index < _ht->_tables.size()){if(_ht->_tables[index]){
                        _node = _ht->_tables[index];break;}else{++index;}}// 后面没有桶了if(index == _ht->_tables.size()){
                    _node =nullptr;}}return*this;}};template<classK,classT,classHash,classKeyOfT>classHashTable{typedef HashNode<T> Node;public:typedef HTIterator<K, T, Hash, KeyOfT> iterator;// 拷贝 和 赋值 需要自己实现桶的拷贝friendstructHTIterator<K, T, Hash, KeyOfT>;HashTable()=default;
        iterator end(){returniterator(nullptr,this);}

        iterator begin(){for(size_t i =0;i < _tables.size();i++){if(_tables[i])returniterator(_tables[i],this);}returnend();}HashTable(const HashTable<K, T, Hash, KeyOfT>& ht){
            _tables.resize(ht._tables.size(),nullptr);for(size_t index =0;index < ht._tables.size();index++){if(ht._tables[index]){
                    Node* cur = ht._tables[index];while(cur){
                        Node* next = cur->_next;
                        Node* newnode =newNode(cur->_data);
                        newnode->_next = _tables[index];
                        _tables[index]= newnode;
                        cur = next;}}}
            _n = ht._n;}
        HashTable<K, T, Hash, KeyOfT>&operator=(HashTable<K, T, Hash, KeyOfT> ht){
            _tables.swap(ht._tables);::swap(_n, ht._n);return*this;}~HashTable(){for(size_t i =0; i < _tables.size(); i++){
                Node* cur = _tables[i];while(cur){
                    Node* next = cur->_next;delete cur;
                    cur = next;}

                _tables[i]=nullptr;}

            _n;}boolErase(const K& key){if(_tables.size()==0){returnfalse;}

            Hash hf;// 素数
            size_t index =hf(key)% _tables.size();
            Node* prev =nullptr;
            Node* cur = _tables[index];
            KeyOfT kot;while(cur){if(kot(cur->_data)== key){// 1、cur是头结点// 2、非头节点if(prev ==nullptr){
                        _tables[index]= cur->_next;}else{
                        prev->_next = cur->_next;}delete cur;--_n;returntrue;}else{
                    prev = cur;
                    cur = cur->_next;}}returnfalse;}

        Node*Find(const K& key){if(_tables.size()==0){returnnullptr;}

            Hash hf;
            KeyOfT kot;
            size_t index =hf(key)% _tables.size();
            Node* cur = _tables[index];while(cur){if(kot(cur->_data)== key){return cur;}else{
                    cur = cur->_next;}}returnnullptr;}

        pair<iterator,bool>Insert(const T& data){
            Hash hf;
            KeyOfT kot;//当负载因子到1时，进行扩容if(_n == _tables.size()){//size_t newSize = _tables.size() == 0 ? 10 : _tables.size() * 2;
                size_t newSize =GetNextPrime(_tables.size());//HashTable<K, V> newHT;
                vector<Node*> newtables;
                newtables.resize(newSize,nullptr);for(size_t i =0; i < _tables.size();++i){
                    Node* cur = _tables[i];while(cur){
                        Node* next = cur->_next;const K& key =kot(cur->_data);
                        size_t index =hf(key)% newSize;

                        cur->_next = newtables[index];
                        newtables[index]= cur;

                        cur = next;}
                    _tables[i]=nullptr;}

                newtables.swap(_tables);}const K& key =kot(data);
            size_t index =hf(key)% _tables.size();
            Node* cur = _tables[index];while(cur){if(kot(cur->_data)==kot(data)){returnmake_pair(iterator(cur,this),false);}else{
                    cur = cur->_next;}}

            Node* newnode =newNode(data);
            newnode->_next = _tables[index];
            _tables[index]= newnode;++_n;returnmake_pair(iterator(newnode,this),true);}private:
        vector<Node*> _tables;
        size_t _n =0;// 存储多少有效数据};}

unordered_set的模拟实现

#pragmaonce#define_CRT_SECURE_NO_WARNINGS1#include"HashTable.h"namespace lc
{template<classK,classHash= HashFunc<K>>classunordered_set{structSetKeyOfT{const K&operator()(const K& key)const{return key;}};typedef bucket_hash::HashTable<K, K, HashFunc<K>, SetKeyOfT> HST;public:typedeftypenameHST::iterator iterator;
        iterator begin(){return _t.begin();}
        iterator end(){return _t.end();}boolerase(const K& key){return _t.Erase(key);}
        pair<iterator,bool>insert(const K& key){return _t.Insert(key);}private:
        HST _t;};}

unordered_map的模拟实现

#pragmaonce #define_CRT_SECURE_NO_WARNINGS1#include"HashTable.h"namespace lc
{template<classK,classV,classHash= HashFunc<K>>classunordered_map{structMapKeyOfT{const K&operator()(const pair<const K,V>& kv)const{return kv.first;}};typedef bucket_hash::HashTable<K, pair<const K,V>, HashFunc<K>, MapKeyOfT> HST;public:typedeftypenameHST::iterator iterator;
        iterator begin(){return _t.begin();}
        iterator end(){return _t.end();}

        pair<iterator,bool>insert(const pair<const K, V>& kv){return _t.Insert(kv);}
        
        V&operator[](const K& key){
            pair<iterator,bool> ret =insert(make_pair(key,V()));return ret.first->second;}boolerase(const K& key){return _t.Erase(key);}private:
        HST _t;};}

标签： c++ 散列表开发语言

本文转载自: https://blog.csdn.net/AI_ELF/article/details/125505810
版权归原作者 The August 所有，如有侵权，请联系我们删除。

【手撕STL】unordered_set、unordered_map(用哈希表封装)

哈希

unordered系列关联式容器

unordered_map

unordered_map的接口说明

unordered_set

unordered系列关联式容器的使用

底层结构

哈希冲突

常见哈希函数

哈希冲突解决

闭散列

线性探测

二次探测

开散列

开散列增容

开散列与闭散列比较

开散列的代码实现

模拟实现(用哈希表封装unordered_map、unordered_set)

哈希表的模拟实现（开散列的改造）

unordered_set的模拟实现

unordered_map的模拟实现

发表评论

“【手撕STL】unordered_set、unordered_map(用哈希表封装)”的评论:

关于作者

overfit同步小助手

相关阅读

文章导航