HashMap的遍历

本文通过实例比较了Java中HashMap使用keySet与entrySet两种遍历方式的性能差异,并探讨了其背后的原理。

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

发现项目中每个人遍历map的方式都有所不同,有的用keySet,有的用entrySet,试了试,按原理是entrySet快。

import java.util.Calendar;
import java.util.HashMap;
import java.util.Iterator;
import java.util.Map;
import java.util.Set;
import java.util.Map.Entry;

public class HashMapTest {
@SuppressWarnings("unchecked")
public static void main(String[] args) {
HashMap hashmap = new HashMap();
for (int i = 0; i < 5000; i++) {
hashmap.put("k_" + i, "speed_"+ i);
}

keySetTest(hashmap);
entrySetTest(hashmap);

Map<String, String> paraMap = new HashMap<String, String>();
paraMap.put("k1", "v1");
paraMap.put("k2", "v2");

//循环 keyset
//Set<String> appFieldDefIds = paraMap.keySet();
for (String appFieldDefId : paraMap.keySet()) {
String values = paraMap.get(appFieldDefId);
System.out.println(values);
}
//循环 entry
for(Entry<String, String> entry : paraMap.entrySet()){
String appFieldDefId = entry.getKey();
String values = entry.getValue();
System.out.println(values);
}

}

@SuppressWarnings("unchecked")
public static void keySetTest(HashMap hashmap) {
long begin = Calendar.getInstance().getTimeInMillis();
Iterator iterator = hashmap.keySet().iterator();
while (iterator.hasNext()) {
System.out.print(hashmap.get(iterator.next()));
}
System.out.println("keySet Time");
System.out.println(Calendar.getInstance().getTimeInMillis() - begin);
}

@SuppressWarnings("unchecked")
public static void entrySetTest(HashMap hashmap){
long begin = Calendar.getInstance().getTimeInMillis();
Iterator it = hashmap.entrySet().iterator();
while (it.hasNext()) {
Map.Entry entry = (Map.Entry) it.next();
System.out.print(entry.getValue());
}
System.out.println("Entry Time:");
System.out.println(Calendar.getInstance().getTimeInMillis() - begin);
}



}


keySet遍历了2次,一次是转为iterator,再利用HashMap的get(Object key)来取value值。
entryset遍历了第一次,他把key和value都放到了entry中。
按照Map的概念来看也应该是用entryset循环好一点,它本来就是key和value的值对。
内容概要:本书《Deep Reinforcement Learning with Guaranteed Performance》探讨了基于李雅普诺夫方法的深度强化学习及其在非线性系统最优控制中的应用。书中提出了一种近似最优自适应控制方法,结合泰勒展开、神经网络、估计器设计及滑模控制思想,解决了不同场景下的跟踪控制问题。该方法不仅保证了性能指标的渐近收敛,还确保了跟踪误差的渐近收敛至零。此外,书中还涉及了执行器饱和、冗余解析等问题,并提出了新的冗余解析方法,验证了所提方法的有效性和优越性。 适合人群:研究生及以上学历的研究人员,特别是从事自适应/最优控制、机器人学和动态神经网络领域的学术界和工业界研究人员。 使用场景及目标:①研究非线性系统的最优控制问题,特别是在存在输入约束和系统动力学的情况下;②解决带有参数不确定性的线性和非线性系统的跟踪控制问题;③探索基于李雅普诺夫方法的深度强化学习在非线性系统控制中的应用;④设计和验证针对冗余机械臂的新型冗余解析方法。 其他说明:本书分为七章,每章内容相对独立,便于读者理解。书中不仅提供了理论分析,还通过实际应用(如欠驱动船舶、冗余机械臂)验证了所提方法的有效性。此外,作者鼓励读者通过仿真和实验进一步验证书中提出的理论和技术。
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