本文深入探讨了C++11引入的unordered_map和unordered_set容器，它们底层基于哈希表实现，提供快速的键值查找。哈希表由哈希函数和处理冲突的策略（如闭散列和开散列）组成。闭散列采用线性探测和二次探测解决冲突，而开散列使用链地址法。此外，文章还展示了如何模拟实现这些容器，包括插入、查找、删除和扩容操作。
目录
一. 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（底层是哈希表）
1.1 unordered_map
https://cplusplus.com/reference/unordered_map/unordered_map/1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 它的迭代器至少是前向迭代器。
注意unordered_map在使用时需要包含头文件#include<unordered_map>
unordered_map的构造
| 功能介绍 | |
| unordered_map | 构造不同格式的unordered_map对象 |
unordered_map的容量
unordered_map的迭代器
unordered_map的元素访问
注意：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的查询
unordered_map的修改操作
unordered_map的桶操作
1.2 unordered_set
二. 底层结构
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
2.1 哈希概念
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)
例如：数据集合{1，7，6，4，5，9}；
哈希函数设置为：hash(key) = key % capacity; capacity为存储元素底层空间总的大小
用该方法进行搜索不必进行多次关键码的比较，因此搜索的速度比较快，不过我们如果再往里面进行插入一个14，那么就会发生4和14算出来的hash(key)都为4，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”。
2.2 哈希函数
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
常见的哈希函数
1. 直接定址法--(常用)
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
2. 除留余数法--(常用)
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
3.平方取中法--(了解)
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
4. 折叠法--(了解)
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。
将关键字分割成若干部分，然后取它们的叠加和为哈希地址。两种叠加处理的方法：移位叠加:将分 割后的几部分低位对齐相加；边界叠加:从一端沿分割界来回折叠，然后对齐相加。
所谓折叠法是将关键字分割成位数相同的几部分（最后一部分的位数可以不同），然后取这几部分的叠加和（舍去进位），这方法称为折叠法。
举例：根据国际标准图书编号（ISBN）建立一个哈希表。如一个国际标准图书编号 0-442-20586-4的哈希地址为：
使用移位叠加 5864 +4220+04 =1 0088，故H（0-442-20586-4）= 0088（将分割后的每一部分的最低位对齐）。
使用边界叠加法叠加 5864 +0224+04 =6092，故H（0-442-20586-4）= 6092（从一端向另一端沿分割界来回叠加）。
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
5. 随机数法--(了解)
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。
随机数法通常应用于关键字长度不等时采用此法
6. 数学分析法--(了解)
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。
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
2.3 哈希冲突解决
2.3.1 闭散列
解决哈希冲突两种常见的方法是：闭散列和开散列
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。比如删除元素4，如果直接删除掉，14查找起来可能会受影响。因此线性探测采用标记的伪删除法来删除一个元素
// 哈希表每个空间给个标记
// EMPTY此位置空， EXIST此位置已经有元素， DELETE元素已经删除
enum State
{
EMPTY,
EXIST,
DELETE
};线性探测插入过程
那么什么时候该扩容呢?
线性探测的实现
//闭散列哈希
enum State
{
EMPTY,
EXIST,
DELETE
};
template<class K, class V>
struct HashData
{
pair<K, V> _kv;
State _state = EMPTY;
};
template<class K>
struct HashFunc
{
size_t operator()(const K& key)
{
return (size_t)key;
}
};
//特化专门处理为string的情况
template<>
struct HashFunc<string>
{
size_t operator()(const string& key)
{
rsize_t val = 0;
for (auto ch : key)
{
val *= 131;
val += ch;
}
return val;
}
};
//或者用仿函数处理string的情况
//struct HashFuncString
//{
// size_t operator()(const string& key)
// {
// rsize_t val = 0;
// for (auto ch : key)
// {
// val += ch;
// }
// return val;
//
// }
//};
template <class K, class V, class Hash = HashFunc<K>>
class HashTable
{
public:
bool Insert(const pair<K, V>& kv)
{
//负载均衡：负载因子到了就扩容
if (_table.size() == 0 ||
(float)_size / (float)_table.size() >= 0.7)
{
if (Find(kv.first))
{
return false;
}
//扩容
size_t newSize = _table.size() == 0 ? 10 : _table.size() * 2;
HashTable<K, V, Hash> newHT;
newHT._table.resize(newSize);
//旧表数据映射到新表
for (auto e : _table)
{
if (e._state == EXIST)
{
newHT.Insert(e._kv);
}
}
_table.swap(newHT._table);
}
//开放定址法解决哈希冲突
Hash hash;
size_t hashi = hash(kv.first) % _table.size();
//闭散列的线性探测
// hash + i (i>0)
//线性探测在某个位置冲突很多时，会导致互相占用，冲突一片
while (_table[hashi]._state == EXIST)
{
hashi++;
hashi %= _table.size();
}
_table[hashi]._kv = kv;
_table[hashi]._state = EXIST;
++_size;
return true;
}
HashData< K, V>* Find(const K& key)
{
//表为空时直接返回
if (_table.size() == 0)
{
return nullptr;
}
//从应该映射的位置开始往后探索
Hash hash;
size_t start = hash(key) % _table.size();
size_t hashi = start;
while (_table[hashi]._state != EMPTY)
{
if (_table[hashi]._state != DELETE &&
_table[hashi]._kv.first == key)
{
return &_table[hashi];
}
else
{
hashi++;
hashi %= _table.size();
}
if (hashi == start)
{
break;
}
}
return nullptr;
}
bool Erase(const K& key)
{
HashData<K, V>* ret = Find(key);
if (ret == nullptr)
{
return false;
}
ret->_state = DELETE;
--_size;
return true;
}
void Print()
{
for (size_t i = 0; i < _table.size(); ++i)
{
if (_table[i]._state == EXIST)
{
printf("[%d:%d]", i, _table[i]._kv.first);
}
else
{
printf("[%d:%d]", i, -1);
}
}
cout << endl;
}
private:
vector<HashData<K, V>> _table;
size_t _size = 0;//存储多少个有效数据
};- 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。
2. 二次探测
线性探测的缺陷是产生冲突的数据堆积在一起 ，这与其找下一个空位置的方法有关，因为找空位置的方式是挨着逐个往后查找，因此二次探测为了避免这个问题，找下一个空位置的公式为：：Hash(key) = (key + d^2) mod TableSize (d = 1,2,3,4......) .
例如：将序列{1，3，11，12，5，17，7}用除留余数法插入到表长为10的哈希表中。当发生哈希冲突时使用二次探测的方法寻找下一个空位置。
研究表明：当表的长度为质数且表的负载因子不超过0.5时，新的表项一定能够插入，而且任意一个位置都不会被探测两次。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满的情况，但是在插入时一般情况下确保负载因子不超多0.7，超出则需要考虑扩容了。
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
enum State
{
EMPTY,
EXIST,
DELETE
};
template<class K, class V>
struct HashData
{
pair<K, V> _kv;
State _state = EMPTY;
};
template<class K>
struct HashFunc
{
size_t operator()(const K& key)
{
return (size_t)key;
}
};
//特化专门处理为string的情况
template<>
struct HashFunc<string>
{
size_t operator()(const string& key)
{
rsize_t val = 0;
for (auto ch : key)
{
val *= 131;
val += ch;
}
return val;
}
};
//struct HashFuncString
//{
// size_t operator()(const string& key)
// {
// rsize_t val = 0;
// for (auto ch : key)
// {
// val += ch;
// }
// return val;
//
// }
//};
template <class K, class V, class Hash = HashFunc<K>>
class HashTable
{
public:
bool Insert(const pair<K, V>& kv)
{
//负载均衡：负载因子到了就扩容
if (_table.size() == 0 ||
(float)_size / (float)_table.size() >= 0.7)
{
if (Find(kv.first))
{
return false;
}
//扩容
size_t newSize = _table.size() == 0 ? 10 : _table.size() * 2;
HashTable<K, V, Hash> newHT;
newHT._table.resize(newSize);
//旧表数据映射到新表
for (auto e : _table)
{
if (e._state == EXIST)
{
newHT.Insert(e._kv);
}
}
_table.swap(newHT._table);
}
//闭散列的二次探测
// hash + i^2 (i>0)
//二次探测虽然比线性探测好了一点，但是依旧是占用式的，会去占用其他位置
//只是不像线性探测是按顺序占位
Hash hash;
size_t start = hash(kv.first) % _table.size();
size_t i = 0;
size_t hashi = start;
//二次探测
while (_table[hashi]._state == EXIST)
{
++i;
hashi = start + i * i;
hashi %= _table.size();
}
_table[hashi]._kv = kv;
_table[hashi]._state = EXIST;
++_size;
return true;
}
HashData< K, V>* Find(const K& key)
{
//表为空时直接返回
if (_table.size() == 0)
{
return nullptr;
}
//从应该映射的位置开始往后探索
Hash hash;
size_t start = hash(key) % _table.size();
size_t hashi = start;
while (_table[hashi]._state != EMPTY)
{
if (_table[hashi]._state != DELETE &&
_table[hashi]._kv.first == key)
{
return &_table[hashi];
}
else
{
hashi++;
hashi %= _table.size();
}
if (hashi == start)
{
break;
}
}
return nullptr;
}
bool Erase(const K& key)
{
HashData<K, V>* ret = Find(key);
if (ret == nullptr)
{
return false;
}
ret->_state = DELETE;
--_size;
return true;
}
void Print()
{
for (size_t i = 0; i < _table.size(); ++i)
{
if (_table[i]._state == EXIST)
{
printf("[%d:%d]", i, _table[i]._kv.first);
}
else
{
printf("[%d:%d]", i, -1);
}
}
cout << endl;
}
private:
vector<HashData<K, V>> _table;
size_t _size = 0;//存储多少个有效数据
};2.3.2 开散列
开散列概念：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。
插入44后
开散列中每个桶中放的都是发生哈希冲突的元素。
开散列的实现
//开散列哈希
//哈希桶(拉链法)
template<class K, class V>
struct HashNode
{
pair<K, V> _kv;
HashNode<K, V>* _next;
HashNode(const pair<K, V>& kv)
:_kv(kv)
, _next(nullptr)
{}
};
//仿函数，来将其他类型转成size_t
//处理只能存储key为整形的元素
template<class K>
struct HashFunc
{
size_t operator()(const K& key)
{
return (size_t)key;
}
};
//特化专门处理为string的情况
//处理为string类型的情况，string无法直接转到size_t
template<>
struct HashFunc<string>
{
size_t operator()(const string& key)
{
rsize_t val = 0;
for (auto ch : key)
{
val *= 131;
val += ch;
}
return val;
}
};
template <class K, class V, class Hash = HashFunc<K>>
class HashTable
{
typedef HashNode<K, V> Node;
public:
~HashTable()
{
for (size_t i = 0; i < _table.size(); ++i)
{
Node* cur = _table[i];
while (cur)
{
Node* next = cur->_next;
delete cur;
cur = next;
}
_table[i] = nullptr;
}
}
//直接返回每次扩容后的大小
inline size_t __stl_next_prime(size_t n)
{
static const size_t __stl_num_primes = 28;
static const size_t __stl_prime_list[__stl_num_primes] =
{
53, 97, 193, 389, 769,
1543, 3079, 6151, 12289, 24593,
49157, 98317, 196613, 393241, 786433,
1572869, 3145739, 6291469, 12582917, 25165843,
50331653, 100663319, 201326611, 402653189, 805306457,
1610612741, 3221225473, 4294967291
};
for (size_t i = 0; i < __stl_num_primes; ++i)
{
if (__stl_prime_list[i] > n)
{
return __stl_prime_list[i];
}
}
return -1;
}
bool Insert(const pair<K, V>& kv)
{
//去重
if (Find(kv.first))
{
return false;
}
//负载因子到1：扩容
if (_size == _table.size())
{
//扩容
/*size_t newSize = _table.size() == 0 ? 10 : _table.size() * 2;
vector<Node*> newTable;
newTable.resize(newSize,nullptr);*/
//如果写了直接返回每次扩容后的大小的函数
//就可以这样写
vector<Node*> newTable;
newTable.resize(__stl_next_prime(_table.size()), nullptr);
//旧表中的节点移动映射到新表
for (size_t i = 0; i < _table.size(); i++)
{
Node* cur = _table[i];
while (cur)
{
//提前保存next的下一个节点
Node* next = cur->_next;
Hash hash;
size_t hashi = hash(cur->_kv.first) % newTable.size();
cur->_next = newTable[hashi];
newTable[hashi] = cur;
cur = next;
}
_table[i] = nullptr;
}
_table.swap(newTable);
}
Hash hash;
size_t hashi = hash(kv.first) % _table.size();
//头插
Node* newnode = new Node(kv);
newnode->_next = _table[hashi];
_table[hashi] = newnode;
++_size;
return true;
}
Node* Find(const K& key)
{
if (_table.size() == 0)
{
return nullptr;
}
Hash hash;
size_t hashi = hash(key) % _table.size();
Node* cur = _table[hashi];
while (cur)
{
if (cur->_kv.first == key)
{
return cur;
}
cur = cur->_next;
}
return nullptr;
}
bool Erase(const K& key)
{
if (_table.size() == 0)
{
return nullptr;
}
Hash hash;
size_t hashi = hash(key) % _table.size();
Node* cur = _table[hashi];
Node* prve = nullptr;
while (cur)
{
if (cur->_kv.first == key)
{
//头删
if (prve == nullptr)
{
_table[hashi] = cur->_next;
}
//中间删除
else
{
prve->_next = cur->_next;
}
delete cur;
_size--;
return true;
}
else
{
prev = cur;
cur = cur->_next;
}
}
return false;
}
size_t Size()
{
return _size;
}
//被使用的桶的数量
size_t BucketNum()
{
size_t nums = 0;
for (size_t i = 0; i < _table.size(); i++)
{
if (_table[i] != nullptr)
{
nums++;
}
}
return nums;
}
//表的长度
size_t TableSize()
{
return _table.size();
}
//最长桶的长度
size_t MaxBucketLenth()
{
size_t max_len = 0;
for (size_t i = 0; i < _table.size(); i++)
{
size_t len = 0;
if (_table[i] != nullptr)
{
Node* cur = _table[i];
while (cur)
{
len++;
cur = cur->_next;
}
}
max_len = max(max_len, len);
}
return max_len;
}
private:
vector<Node*> _table;
size_t _size = 0;
};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，那该条件怎么确认呢？
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。
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。
三.模拟实现
3.1 哈希表的改造
template<class T>
struct HashNode
{
T _data;
HashNode<T>* _next;
HashNode(const T& data)
:_data(data)
, _next(nullptr)
{}
};
//仿函数，处理不为int类型的时候的值类型
template<class K>
struct HashFunc
{
size_t operator()(const K& key)
{
return (size_t)key;
}
};
//特化专门处理为string的情况
template<>
struct HashFunc<string>
{
size_t operator()(const string& key)
{
rsize_t val = 0;
for (auto ch : key)
{
val *= 131;
val += ch;
}
return val;
}
};
//前置声明
template<class K, class T,class Hash,class KeyOfT>
class HashTable;
//迭代器
template<class K,class T,class Hash,class KeyOfT>
struct __HashIterator
{
typedef HashNode<T> Node;
typedef HashTable <K, T, Hash, KeyOfT> HT;
typedef __HashIterator<K, T, Hash, KeyOfT> Self;
Node* _node;
HT* _pht;
__HashIterator(Node* node, HT* pht)
:_node(node)
,_pht(pht)
{}
T& operator*()
{
return _node->_data;
}
T* operator->()
{
return &_node->_data;
}
//前置++
Self& operator++()
{
if (_node->_next)
{
_node = _node->_next;
}
else
{
//找下一个桶
Hash hash;
KeyOfT kot;
size_t i = hash(kot(_node->_data)) %_pht->_table.size();
i++;
for (; i < _pht->_table.size(); i++)
{
if (_pht->_table[i] != nullptr)
{
_node = _pht->_table[i];
break;
}
}
if (i == _pht->_table.size())
{
_node = nullptr;
}
return *this;
}
}
bool operator != (const Self& s)const
{
return _node != s._node;
}
bool operator == (const Self& s)const
{
return _node == s._node;
}
};
template <class K, class T, class Hash ,class KeyOfT>
class HashTable
{
typedef HashNode<T> Node;
template<class K, class t,class Hash,class KeyOfT>
friend struct __HashIterator;
public:
typedef __HashIterator<K, T,Hash,KeyOfT> iterator;
iterator begin()
{
for (size_t i = 0;i < _table.size();i++)
{
if (_table[i] != nullptr)
{
return iterator(_table[i],this);
}
}
return end();
}
iterator end()
{
return iterator(nullptr, this);
}
~HashTable()
{
for (size_t i = 0; i < _table.size(); ++i)
{
Node* cur = _table[i];
while (cur)
{
Node* next = cur->_next;
delete cur;
cur = next;
}
_table[i] = nullptr;
}
}
//直接返回每次扩容后的大小
inline size_t __stl_next_prime(size_t n)
{
static const size_t __stl_num_primes = 28;
static const size_t __stl_prime_list[__stl_num_primes] =
{
53, 97, 193, 389, 769,
1543, 3079, 6151, 12289, 24593,
49157, 98317, 196613, 393241, 786433,
1572869, 3145739, 6291469, 12582917, 25165843,
50331653, 100663319, 201326611, 402653189, 805306457,
1610612741, 3221225473, 4294967291
};
for (size_t i = 0; i < __stl_num_primes; ++i)
{
if (__stl_prime_list[i] > n)
{
return __stl_prime_list[i];
}
}
return -1;
}
pair<iterator,bool> Insert(const T& data)
{
Hash hash;
KeyOfT kot;
//去重
iterator ret = Find(kot(data));
if (ret != end())
{
return make_pair(ret,false);
}
//负载因子到1：扩容
if (_size == _table.size())
{
//扩容
/*size_t newSize = _table.size() == 0 ? 10 : _table.size() * 2;
vector<Node*> newTable;
newTable.resize(newSize,nullptr);*/
//如果写了直接返回每次扩容后的大小的函数
//就可以这样写
vector<Node*> newTable;
newTable.resize(__stl_next_prime(_table.size()), nullptr);
//旧表中的节点移动映射到新表
for (size_t i = 0; i < _table.size(); i++)
{
Node* cur = _table[i];
while (cur)
{
//提前保存next的下一个节点
Node* next = cur->_next;
size_t hashi = hash(kot(cur->_data)) % newTable.size();
cur->_next = newTable[hashi];
newTable[hashi] = cur;
cur = next;
}
_table[i] = nullptr;
}
_table.swap(newTable);
}
size_t hashi = hash(kot(data)) % _table.size();
//头插
Node* newnode = new Node(data);
newnode->_next = _table[hashi];
_table[hashi] = newnode;
++_size;
return make_pair(iterator(newnode,this),true);
}
iterator Find(const K& key)
{
if (_table.size() == 0)
{
return end();
}
Hash hash;
KeyOfT kot;
size_t hashi = hash(key) % _table.size();
Node* cur = _table[hashi];
while (cur)
{
if (kot(cur->_data) == key)
{
return iterator(cur, this);
}
cur = cur->_next;
}
return end();
}
bool Erase(const K& key)
{
if (_table.size() == 0)
{
return false;
}
Hash hash;
KeyOfT kot;
size_t hashi = hash(key) % _table.size();
Node* cur = _table[hashi];
Node* prve = nullptr;
while (cur)
{
if (kot(cur->_data) == key)
{
//头删
if (prve == nullptr)
{
_table[hashi] = cur->_next;
}
//中间删除
else
{
prve->_next = cur->_next;
}
delete cur;
_size--;
return true;
}
else
{
prev = cur;
cur = cur->_next;
}
}
return false;
}
size_t Size()
{
return _size;
}
//被使用的桶的数量
size_t BucketNum()
{
size_t nums = 0;
for (size_t i = 0; i < _table.size(); i++)
{
if (_table[i] != nullptr)
{
nums++;
}
}
return nums;
}
//表的长度
size_t TableSize()
{
return _table.size();
}
size_t MaxBucketLenth()
{
size_t max_len = 0;
for (size_t i = 0; i < _table.size(); i++)
{
size_t len = 0;
if (_table[i] != nullptr)
{
Node* cur = _table[i];
while (cur)
{
len++;
cur = cur->_next;
}
}
max_len = max(max_len, len);
}
return max_len;
}
private:
vector<Node*> _table;
size_t _size = 0;
};unordered_map与unordered_set的底层都是哈希表，我们只需要对哈希表进行封装就能实现他们的功能。
3.2 封装 unordered_map
template<class K,class V,class Hash = HashFunc<K>>
class unordered_map
{
struct MapKeyOfT
{
K const& operator()(const pair<K, V>& kv)
{
return kv.first;
}
};
public:
typedef typename HashTable<K, pair<K, V>, Hash, MapKeyOfT>::iterator iterator;
iterator begin()
{
return _ht.begin();
}
iterator end()
{
return _ht.end();
}
pair<iterator, bool> insert(const pair<K,V>& kv)
{
return _ht.Insert(kv);
}
V& operator[](const K& key)
{
pair<iterator, bool> ret = _ht.Insert(make_pair(key, V()));
return ret.first->second;
}
private:
HashTable<K, pair<K, V>,Hash,MapKeyOfT> _ht;
};
//对实现的unordered_map进行测试
void Test_map()
{
unordered_map<string, string> d;
d.insert(make_pair("sort", "排序"));
d.insert(make_pair("banana", "香蕉"));
d.insert(make_pair("apple", "苹果"));
unordered_map<string, string>::iterator it = d.begin();
while (it != d.end())
{
cout << it->first << endl;
++it;
}
cout << endl;
string arr[] = { "苹果","西瓜","香蕉","苹果1","苹果","苹果" };
unordered_map<string, int> dd;
for (auto e : arr)
{
dd[e]++;
}
for (auto& kv : dd)
{
cout << "[" << kv.first << ":" << kv.second << "]" << " ";
}
cout << endl;
}3.3 封装 unordered_set
template<class K,class Hash = HashFunc<K>>
class unordered_set
{
struct SetKeyOfT
{
K const& operator()(const K& key)
{
return key;
}
};
public:
typedef typename HashTable<K, K, Hash, SetKeyOfT>::iterator iterator;
iterator begin()
{
return _ht.begin();
}
iterator end()
{
return _ht.end();
}
pair<iterator, bool> insert(const K& key)
{
return _ht.Insert(key);
}
private:
HashTable<K, K, Hash ,SetKeyOfT> _ht;
};
void Test_set()
{
unordered_set<int> s;
s.insert(1);
s.insert(2);
s.insert(3);
s.insert(4);
s.insert(5);
unordered_set<int>::iterator it = s.begin();
while (it != s.end())
{
cout << *it << " ";
++it;
}
cout << endl;
}
扫一扫
3025
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
