Hashtable类

Hashtable不仅像Vector一样可以动态存储一系列的对象,还能对存储的对象(称为值)都要安排另一个对象(称为关键字)与之关联。

--注:Hashtable中不能有重复的关键字。

 

   在Hashtable中检索对象时,用作关键字的类必须覆盖 Object.hashCode()和Object.eauals()两个方法。

下面这个示例创建了一个数字的哈希表。它将数字的名称用作键:

     Hashtable numbers = new Hashtable();
     numbers.put("one", new Integer(1));
     numbers.put("two", new Integer(2));
     numbers.put("three", new Integer(3));

 

下载方式:https://pan.quark.cn/s/a4b39357ea24 布线问题(分支限界算法)是计算机科学和电子工程领域中一个广为人知的议题,它主要探讨如何在印刷电路板上定位两个节点间最短的连接路径。 在这一议题中,电路板被构建为一个包含 n×m 个方格的矩阵,每个方格能够被界定为可通行或不可通行,其核心任务是定位从初始点到最终点的最短路径。 分支限界算法是处理布线问题的一种常用策略。 该算法与回溯法有相似之处,但存在差异,分支限界法仅需获取满足约束条件的一个最优路径,并按照广度优先或最小成本优先的原则来探索解空间树。 树 T 被构建为子集树或排列树,在探索过程中,每个节点仅被赋予一次成为扩展节点的机会,且会一次性生成其全部子节点。 针对布线问题的解决,队列式分支限界法可以被采用。 从起始位置 a 出发,将其设定为首个扩展节点,并将与该扩展节点相邻且可通行的方格加入至活跃节点队列中,将这些方格标记为 1,即从起始方格 a 到这些方格的距离为 1。 随后,从活跃节点队列中提取队首节点作为下一个扩展节点,并将与当前扩展节点相邻且未标记的方格标记为 2,随后将这些方格存入活跃节点队列。 这一过程将持续进行,直至算法探测到目标方格 b 或活跃节点队列为空。 在实现上述算法时,必须定义一个 Position 来表征电路板上方格的位置,其成员 row 和 col 分别指示方格所在的行和列。 在方格位置上,布线能够沿右、下、左、上四个方向展开。 这四个方向的移动分别被记为 0、1、2、3。 下述表格中,offset[i].row 和 offset[i].col(i=0,1,2,3)分别提供了沿这四个方向前进 1 步相对于当前方格的相对位移。 在 Java 编程语言中,可以使用二维数组...
源码来自:https://pan.quark.cn/s/a4b39357ea24 在VC++开发过程中,对话框(CDialog)作为典型的用户界面组件,承担着与用户进行信息交互的重要角色。 在VS2008SP1的开发环境中,常常需要满足为对话框配置个性化背景图片的需求,以此来优化用户的操作体验。 本案例将系统性地阐述在CDialog框架下如何达成这一功能。 首先,需要在资源设计工具中构建一个新的对话框资源。 具体操作是在Visual Studio平台中,进入资源视图(Resource View)界面,定位到对话框(Dialog)分支,通过右键选择“插入对话框”(Insert Dialog)选项。 完成对话框内控件的布局设计后,对对话框资源进行保存。 随后,将着手进行背景图片的载入工作。 通常有两种主要的技术路径:1. **运用位图控件(CStatic)**:在对话框界面中嵌入一个CStatic控件,并将其属性设置为BST_OWNERDRAW,从而具备自主控制绘制过程的权限。 在对话框的定义中,需要重写OnPaint()函数,负责调用图片资源并借助CDC对象将其渲染到对话框表面。 此外,必须合理处理WM_CTLCOLORSTATIC消息,确保背景图片的展示不会受到其他界面元素的干扰。 ```cppvoid CMyDialog::OnPaint(){ CPaintDC dc(this); // 生成设备上下文对象 CBitmap bitmap; bitmap.LoadBitmap(IDC_BITMAP_BACKGROUND); // 获取背景图片资源 CDC memDC; memDC.CreateCompatibleDC(&dc); CBitmap* pOldBitmap = m...
<think>嗯,用户让我用Python实现一个HashTable来实现ADT Map。首先,我得回忆一下ADT Map的基本操作。Map通常需要支持插入、查找、删除和判断键是否存在,可能还需要获取大小。所以HashTable需要实现这些方法。 接下来,哈希表的原理。哈希表通过哈希函数将键转换成索引,然后在对应的位置存储值。处理冲突的方法有很多,比如链地址法或者开放寻址法。Python中通常用链地址法,每个槽位放一个链表或者列表,这样冲突的时候可以追加到后面。 那哈希函数的设计。简单的可以用取模运算,比如用哈希表的大小作为模数。不过要注意哈希表的大小应该是一个质数,这样可以减少冲突。这里可能需要一个获取下一个质数的方法,当扩容的时候需要用到。 然后考虑负载因子,当元素数量超过负载因子和容量的乘积时,就需要扩容。通常负载因子设为0.75比较合适。扩容的时候,需要创建一个更大的哈希表,通常是两倍左右的大小,并且重新哈希所有现有的键值对。 哈希表的大小最好是质数,所以需要有一个方法来找到下一个质数。比如,当需要扩容时,检查当前大小的两倍是否是质数,如果不是,就找比它大的下一个质数。 现在具体到的结构。HashTable应该有属性:容量(初始设为11),大小(当前存储的键值对数量),负载因子阈值,以及存储桶(buckets),每个桶是一个列表,里面存放键值对的元组。 初始化的时候,buckets应该是容量个空列表。插入的时候,计算哈希值找到对应的桶,然后遍历这个桶里的元素,如果键已经存在,就更新值;否则添加新的键值对。插入后检查负载因子,超过阈值就扩容。 查找的时候,同样计算哈希找到桶,遍历桶里的元素找到对应的键,返回值,找不到的话可以抛出KeyError或者返回None。 删除操作似,找到桶后遍历,找到对应的键然后移除,同时减少大小。 还需要一个哈希函数,这里可以先用Python内置的hash()函数,然后取模当前容量。不过要注意,如果键是自定义对象,可能需要自己实现__hash__方法,但这里假设用户使用的是基本数据型或Python处理好的对象。 测试的时候,可能需要处理各种情况,比如冲突、扩容等。比如插入多个键,导致负载因子超过阈值,触发扩容,这时候容量会变成下一个质数,比如23,然后重新哈希所有元素。 可能的错误点:哈希函数处理负数的情况,取模后要确保是正数。另外,删除元素时,如果在遍历列表的时候修改列表,可能会出问题,所以需要正确处理。 另外,实现__contains__方法可以用in操作符,直接调用get方法检查是否存在。 最后,可能需要一些辅助方法,比如获取所有键、所有值,或者遍历键值对,但根据ADT Map的基本要求,这些可能不是必须的,但用户可能需要扩展。 总结一下步骤: 1. 定义HashTable,初始化容量、大小、buckets和负载因子阈值。 2. 实现哈希函数。 3. 实现插入、查找、删除等方法。 4. 处理扩容逻辑,包括找到下一个质数和重新哈希。 5. 测试各个方法是否正确,特别是冲突和扩容的情况。</think>以下是用Python实现`HashTable`来表示ADT Map的逐步说明,采用链地址法解决哈希冲突: $$ \text{哈希表结构: } TableSize \times [ (key_1, value_1) \rightarrow (key_2, value_2) \rightarrow ... ] $$ ### 1. 结构定义 ```python class HashTable: def __init__(self, initial_capacity=11, load_factor=0.75): self.capacity = self._next_prime(initial_capacity) # 初始容量为质数 self.size = 0 # 当前存储的键值对数量 self.load_factor = load_factor self.buckets = [[] for _ in range(self.capacity)] # 存储桶的二维列表 ``` ### 2. 哈希函数实现 $$ \text{哈希函数: } h(key) = \text{hash}(key) \mod capacity $$ ```python def _hash(self, key): return hash(key) % self.capacity # 使用Python内置哈希函数 ``` ### 3. 插入操作 $$ \text{插入时间复杂度: } O(1) \text{(平均情况)} $$ ```python def put(self, key, value): index = self._hash(key) bucket = self.buckets[index] # 检查是否已存在相同key for i, (k, v) in enumerate(bucket): if k == key: bucket[i] = (key, value) return # 添加新键值对 bucket.append((key, value)) self.size += 1 # 检查是否需要扩容 if self.size / self.capacity > self.load_factor: self._resize() ``` ### 4. 动态扩容机制 $$ \text{新容量} = \text{next_prime}(2 \times \text{old\_capacity}) $$ ```python def _resize(self): new_capacity = self._next_prime(2 * self.capacity) new_buckets = [[] for _ in range(new_capacity)] # 重新哈希所有现有元素 old_buckets = self.buckets self.capacity = new_capacity self.buckets = new_buckets self.size = 0 for bucket in old_buckets: for key, value in bucket: self.put(key, value) ``` ### 5. 查找操作 $$ \text{查找时间复杂度: } O(1) \text{(平均情况)} $$ ```python def get(self, key): index = self._hash(key) bucket = self.buckets[index] for k, v in bucket: if k == key: return v raise KeyError(f"Key {key} not found") ``` ### 6. 删除操作 $$ \text{删除时间复杂度: } O(1) \text{(平均情况)} $$ ```python def remove(self, key): index = self._hash(key) bucket = self.buckets[index] for i, (k, v) in enumerate(bucket): if k == key: del bucket[i] self.size -= 1 return raise KeyError(f"Key {key} not found") ``` ### 7. 辅助方法 ```python def __contains__(self, key): try: self.get(key) return True except KeyError: return False def __len__(self): return self.size def _next_prime(self, n): # 查找大于等于n的最小质数 def is_prime(num): if num < 2: return False for i in range(2, int(num**0.5)+1): if num % i == 0: return False return True while True: if is_prime(n): return n n += 1 ``` ### 使用示例 ```python ht = HashTable() ht.put("apple", 5) # 插入键值对 ht.put("banana", 10) print(ht.get("apple")) # 输出: 5 print(len(ht)) # 输出: 2 ht.remove("banana") print("banana" in ht) # 输出: False ``` ### 关键特性 1. **自动扩容**:当负载因子超过阈值时自动扩容 2. **质数容量**:始终使用质数作为容量,减少哈希冲突 3. **链地址法**:每个桶使用列表存储冲突元素 4. **完整API**:实现`put/get/remove/__len__/__contains__`等标准Map操作
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