HashMap工作原理

本文深入探讨HashMap的基础原理,包括如何通过散列法进行键值对的存储与检索,解释了碰撞处理机制及其内部数据结构(数组加链表)。此外,还介绍了HashMap的初始化容量、扩容策略、时间复杂度及关键属性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

HashMap的工作原理
HashMap基于hashing原理(散列法),我们通过put()和get()方法储存和获取对象。当我们将键值对传递给put()方法时,它调用键对象的hashCode()方法来计算hashcode,让后找到bucket位置来储存值对象。当获取对象时,通过键对象的equals()方法找到正确的键值对,然后返回值对象。HashMap使用LinkedList来解决碰撞问题,当发生碰撞了,对象将会储存在LinkedList的下一个节点中。 HashMap在每个LinkedList节点中储存键值对对象

get set remove去实现抽象的Map

static final int DEFAULT_INITIAL_CAPACITY = 1 << 4;

1<<4 1左移4位 容量 2^4=16
最大容量 1左移31位

static final int MAXIMUM_CAPACITY = 1 << 30;

加载因子 容量的0.75就扩容

static final float DEFAULT_LOAD_FACTOR = 0.75f;

transient不能为序列化

static final int TREEIFY_THRESHOLD = 8;

初始化容量
MAX_VALUE

hashmap的key可以为空的
hash的key重复,value会覆盖吗?不会覆盖 他的value是新值 不过旧entry是在next里面
什么时候扩容? put的时候,大于等于达到0.75

时间复杂度与key是否重复有关
hashmap 数组加链表实现
hash方法返回hash值 找到value

next为null就是没有hash冲突,否则就有冲突;
对于大致知道容量,可以设置初始容量;

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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