集合总结

本文深入解析Java集合框架,包括ArrayList、LinkedList、HashSet、TreeSet、HashMap、TreeMap等的特性与应用场景,对比不同集合类的优缺点,如查询速度、增删效率及排序功能,帮助开发者根据具体需求选择最适合的集合类。

1.ArrayList和LinkList的区别

ArrayList(数组结构) :查询快,增删慢。
LinkList(链表结构) :增删快,查询慢。

2.Collection接口的remove()方法和Iterator接口的remove()方法区别?

①性能方面
Collection的remove方法必须首先找出要被删除的项,找到该项的位置采用的是单链表结构查询,单链表查询效率比较低,需要从集合中一个一个遍历才能找到该对象;
Iterator的remove方法结合next()方法使用,比如集合中每隔一项删除一项,Iterator的remove()效率更高
②容错方面
在使用Iterator遍历时,如果使用Collection的remove则会报异常,会出现ConcurrentModificationException,因为集合中对象的个数会改变而Iterator 内部对象的个数不会,不一致则会出现该异常
在使用Iterator遍历时,不会报错,因为iterator内部的对象个数和原来集合中对象的个数会保持一致

3.Array与ArrayList有什么区别
①.ArrayList是Array的复杂版本
②.存储的数据类型:Array只能存储相同数据类型的数据,而ArrayList可以存储不同数 据 类型的数据
③.长度的可变:Array的长度是固定的,而ArrayList的长度是可变的

4.怎样将一个数组转成List,有什么方法

1.数组转list,可以使用Arrays.asList(数组)
2.List转数组,使用list.toArray()

5.List转数组,使用list.toArray()

①.需要速度快的集合,使用HashSet
②.需要集合有排序功能,使用TreeSet
③.需要按照插入的顺序存储集合,使用LinkedHashSet

6.HashMap、TreeMap、linkedHashMap区别?

①.在Map中插入、删除和定位元素,HashMap是最好的选择
②.需要集合有排序功能,使用TreeMap更好
③.需要按照插入的顺序存储集合,使用LinkedHashMap

7.HashMap和HashSet区别

HashMap:1.实现了Map接口;
2.存储键值对;
3.调用put()向map中添加元素
4.HashMap使用key计算hashcode;
5.HashMap相对于HashSet较快,因为它是用唯一的键获取对象。
HashSet:1.实现了Set接口;
2.存储对象
3.调用add()向set中添加元素
4.HashSet使用成员对象计算hashcode
5.HashSet较HashMap慢

8.HashMap的实现原理

通过put和get存储和获取对象,存储对象时,我们将K/V传给put方法时,它调用hashcode计算hash从而得到bucket位置,进一步存储,HashMap会根据当前bucket的占用情况自动调整容量。获取对象时,我们将K传递给get,他调用hashcode计算hash从而得到bucket位置,并进一步调用equals()方法确认键值对。

9.List、Set、Map之间的区别

List和Set都继承Collection,但是Map不是Collection的子接口。
List 1.可以允许重复的元素
2.可以插入多个null元素
3.有序的容器,插入的顺序和输出的顺序一样

Set 1.不允许重复元素
2.只允许一个null元素
3.无序容器

Map 1.键值对存储,键必须唯一,但是值可以重复
2.值可以允许有多个null
3.无序容器

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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

打赏作者

EviaHp

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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