【c++】:哈希

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。

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

目录

一. unordered系列关联式容器

1.1 unordered_map

1.2 unordered_set

二. 底层结构

2.1 哈希概念

2.2 哈希函数

2.3 哈希冲突解决

2.3.1 闭散列

2.3.2 开散列

三.模拟实现 

 3.1 哈希表的改造

 3.2 封装 unordered_map

 3.3 封装 unordered_set



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/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:

  1. 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
  2. 哈希函数计算出来的地址能均匀分布在整个空间中
  3. 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

在这里插入图片描述

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。
在这里插入图片描述

 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;
	}

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