目录

1 -> unordered系列关联式容器

1.1 -> unordered_map

1.1.1 -> unordered_map的文档介绍

1.1.2 -> unordered_map的接口说明

1.2 -> unordered_set

2 -> 底层结构

2.1 -> 哈希概念

2.2 -> 哈希冲突

2.3 -> 哈希函数

2.4 -> 哈希冲突解决

2.4.1 -> 闭散列

2.4.2 -> 开散列

3 -> 模拟实现

3.1 -> 哈希表的改造

3.2 -> unordered_map

3.3 -> unordered_set

1 -> 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O(n)，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。

1.1 -> unordered_map

1.1.1 -> unordered_map的文档介绍

unordered_map文档说明 

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。在unordered_map中，键值通常用于唯一地标识元素，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。在内部unordered_map没有对<key，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将相同的哈希值的键值对放在相同的桶中。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。unordered_map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。它的迭代器至少是前向迭代器。

1.1.2 -> unordered_map的接口说明

1. unordered_map的构造

2. unordered_map的容量

3. unordered_map的迭代器

4. 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。 

5. unordered_map的查询

注意：unordered_map中key是不能重复的，因此count函数的返回值最大为1。

6. unordered_map的修改操作

7. unordered_map的桶操作

1.2 -> unordered_set

unordered_set文档说明 

2 -> 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(N)，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——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，把求得的函数值当作元素的存储位置，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的总大小。

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。 

2.2 -> 哈希冲突

不同关键字通过相同哈希函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”。

2.3 -> 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。

缺点：需要事先知道关键字的分布情况。

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

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

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。

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

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。

通常应用于关键字长度不等时采用此法。

6.  数学分析法

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。

数字分析法通常适合处理关键字位数比较大的情况，如果事先知道关键字的分布且关键字的若干位分布较均匀的情况。

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。

2.4 -> 哈希冲突解决

解决哈希冲突两种常见的方法是：闭散列和开散列。

2.4.1 -> 闭散列

闭散列：也叫开放定址法，当发生哈希冲突时，如果哈希表未被装满，说明在哈希表中必然还有

空位置，那么可以把key存放到冲突位置中的“下一个” 空位置中去。

1. 线性探测

比如2.1中的场景，现在需要插入元素44，先通过哈希函数计算哈希地址，hashAddr为4，因此44理论上应该插在该位置，但是该位置已经放了值为4的元素，即发生哈希冲突。

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，44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。

<code>#define _CRT_SECURE_NO_WARNINGS 1

#include <iostream>

using namespace std;

// 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

};

线性探测实现： 

#define _CRT_SECURE_NO_WARNINGS 1

#include <iostream>

using namespace std;

// 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

};

// 注意：假如实现的哈希表中元素唯一，即key相同的元素不再进行插入

// 为了实现简单，此哈希表中我们将比较直接与元素绑定在一起

template<class K, class V>

class HashTable

{

struct Elem

{

pair<K, V> _val;

State _state;

};

public:

HashTable(size_t capacity = 3)

: _ht(capacity), _size(0)

{

for (size_t i = 0; i < capacity; ++i)

_ht[i]._state = EMPTY;

}

bool Insert(const pair<K, V>& val)

{

// 检测哈希表底层空间是否充足

// _CheckCapacity();

size_t hashAddr = HashFunc(key);

// size_t startAddr = hashAddr;

while (_ht[hashAddr]._state != EMPTY)

{

if (_ht[hashAddr]._state == EXIST && _ht[hashAddr]._val.first

== key)

return false;

hashAddr++;

if (hashAddr == _ht.capacity())

hashAddr = 0;

/*

// 转一圈也没有找到，注意：动态哈希表，该种情况可以不用考虑，哈希表中元

素个数到达一定的数量，哈希冲突概率会增大，需要扩容来降低哈希冲突，

因此哈希表中元素是不会存满的

 if(hashAddr == startAddr)

 return false;

*/

}

// 插入元素

_ht[hashAddr]._state = EXIST;

_ht[hashAddr]._val = val;

_size++;

return true;

}

int Find(const K& key)

{

size_t hashAddr = HashFunc(key);

while (_ht[hashAddr]._state != EMPTY)

{

if (_ht[hashAddr]._state == EXIST &&

_ht[hashAddr]._val.first == key)

return hashAddr;

hashAddr++;

}

return hashAddr;

}

bool Erase(const K & key)

{

int index = Find(key);

if (-1 != index)

{

_ht[index]._state = DELETE;

_size++;

return true;

}

return false;

}

size_t Size()const;

bool Empty() const;

void Swap(HashTable<K, V, HF>&ht);

private:

size_t HashFunc(const K & key)

{

return key % _ht.capacity();

}

private:

vector<Elem> _ht;

size_t _size;

};

线性探测的优点：实现非常简单。

线性探测的缺点：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块，这与其找下一个空位置有关系，因为找空位置的方式就是挨着往后逐个去找，因此二次探测为了避免该问题。

研究表明：当表的长度为质数且表装载因子a不超过0.5时，新的表项一定能够插入，而且任何一个位置都不会被探查两次。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装满的情况，但在插入时必须确保表的装载因子a不超过0.5，如果超出必须考虑增容。

因此：闭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。

2.4.2 -> 开散列

1. 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。

从上图可以看出，开散列中每个桶中放的都是发生哈希冲突的元素。 

2. 开散列实现 

<code>#define _CRT_SECURE_NO_WARNINGS 1

#include <iostream>

using namespace std;

template<class V>

struct HashBucketNode

{

HashBucketNode(const V& data)

: _pNext(nullptr), _data(data)

{}

HashBucketNode<V>* _pNext;

V _data;

};

// 所实现的哈希桶中key是唯一的

template<class V>

class HashBucket

{

typedef HashBucketNode<V> Node;

typedef Node* PNode;

public:

HashBucket(size_t capacity = 3) : _size(0)

{

_ht.resize(GetNextPrime(capacity), nullptr);

}

// 哈希桶中的元素不能重复

PNode* Insert(const V& data)

{

// 确认是否需要扩容。。。

// _CheckCapacity();

// 1. 计算元素所在的桶号

size_t bucketNo = HashFunc(data);

// 2. 检测该元素是否在桶中

PNode pCur = _ht[bucketNo];

while (pCur)

{

if (pCur->_data == data)

return pCur;

pCur = pCur->_pNext;

}

// 3. 插入新元素

pCur = new Node(data);

pCur->_pNext = _ht[bucketNo];

_ht[bucketNo] = pCur;

_size++;

return pCur;

}

// 删除哈希桶中为data的元素(data不会重复)，返回删除元素的下一个节点

PNode* Erase(const V& data)

{

size_t bucketNo = HashFunc(data);

PNode pCur = _ht[bucketNo];

PNode pPrev = nullptr, pRet = nullptr;

while (pCur)

{

if (pCur->_data == data)

{

if (pCur == _ht[bucketNo])

_ht[bucketNo] = pCur->_pNext;

else

pPrev->_pNext = pCur->_pNext;

pRet = pCur->_pNext;

delete pCur;

_size--;

return pRet;

}

}

return nullptr;

}

PNode* Find(const V& data);

size_t Size()const;

bool Empty()const;

void Clear();

bool BucketCount()const;

void Swap(HashBucket<V, HF>& ht;

~HashBucket();

private:

size_t HashFunc(const V& data)

{

return data % _ht.capacity();

}

private:

vector<PNode*> _ht;

size_t _size; // 哈希表中有效元素的个数

};

3. 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。 

void _CheckCapacity()

{

size_t bucketCount = BucketCount();

if (_size == bucketCount)

{

HashBucket<V, HF> newHt(bucketCount);

for (size_t bucketIdx = 0; bucketIdx < bucketCount; ++bucketIdx)

{

PNode pCur = _ht[bucketIdx];

while (pCur)

{

// 将该节点从原哈希表中拆出来

_ht[bucketIdx] = pCur->_pNext;

// 将该节点插入到新哈希表中

size_t bucketNo = newHt.HashFunc(pCur->_data);

pCur->_pNext = newHt._ht[bucketNo];

newHt._ht[bucketNo] = pCur;

pCur = _ht[bucketIdx];

}

}

newHt._size = _size;

this->Swap(newHt);

}

}

4. 开散列的思考

（1）只能存储key为整形的元素，其他类型怎么解决？ 

// 哈希函数采用处理余数法，被模的key必须要为整形才可以处理，此处提供将key转化为整形的方法

// 整形数据不需要转化

template<class T>

class DefHashF

{

public:

size_t operator()(const T& val)

{

return val;

}

};

// key为字符串类型，需要将其转化为整形

class Str2Int

{

public:

size_t operator()(const string& s)

{

const char* str = s.c_str();

unsigned int seed = 131; // 31 131 1313 13131 131313

unsigned int hash = 0;

while (*str)

{

hash = hash * seed + (*str++);

}

return (hash & 0x7FFFFFFF);

}

};

// 为了实现简单，此哈希表中我们将比较直接与元素绑定在一起

template<class V, class HF>

class HashBucket

{

// ……

private:

size_t HashFunc(const V& data)

{

return HF()(data.first) % _ht.capacity();

}

};

（2）除留余数法，最好模一个素数，如何每次快速取一个类似两倍关系的素数？ 

size_t GetNextPrime(size_t prime)

{

const int PRIMECOUNT = 28;

static const size_t primeList[PRIMECOUNT] =

{

53ul, 97ul, 193ul, 389ul, 769ul,

1543ul, 3079ul, 6151ul, 12289ul, 24593ul,

49157ul, 98317ul, 196613ul, 393241ul, 786433ul,

1572869ul, 3145739ul, 6291469ul, 12582917ul,

25165843ul,

50331653ul, 100663319ul, 201326611ul, 402653189ul,

805306457ul,

1610612741ul, 3221225473ul, 4294967291ul

};

size_t i = 0;

for (; i < PRIMECOUNT; ++i)

{

if (primeList[i] > prime)

return primeList[i];

}

return primeList[i];

}

5. 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。

3 -> 模拟实现

3.1 -> 哈希表的改造

#pragma once

//HashFunc<int>

template<class K>

struct HashFunc

{

size_t operator()(const K& key)

{

return (size_t)key;

}

};

//HashFunc<string>

template<>

struct HashFunc<string>

{

size_t operator()(const string& key)

{

// BKDR

size_t hash = 0;

for (auto e : key)

{

hash *= 31;

hash += e;

}

//cout << key << ":" << hash << endl;

return hash;

}

};

namespace open_address

{

enum Status

{

EMPTY,

EXIST,

DELETE

};

template<class K, class V>

struct HashData

{

pair<K, V> _kv;

Status _s; //状态

};

//struct HashFuncString

//{

//size_t operator()(const string& key)

//{

//// BKDR

//size_t hash = 0;

//for (auto e : key)

//{

//hash *= 31;

//hash += e;

//}

//cout << key << ":" << hash << endl;

//return hash;

//}

//};

template<class K, class V, class Hash = HashFunc<K>>

class HashTable

{

public:

HashTable()

{

_tables.resize(10);

}

bool Insert(const pair<K, V>& kv)

{

if (Find(kv.first))

return false;

// 负载因子0.7就扩容

if (_n * 10 / _tables.size() == 7)

{

size_t newSize = _tables.size() * 2;

HashTable<K, V, Hash> newHT;

newHT._tables.resize(newSize);

// 遍历旧表

for (size_t i = 0; i < _tables.size(); i++)

{

if (_tables[i]._s == EXIST)

{

newHT.Insert(_tables[i]._kv);

}

}

_tables.swap(newHT._tables);

}

Hash hf;

// 线性探测

size_t hashi = hf(kv.first) % _tables.size();

while (_tables[hashi]._s == EXIST)

{

hashi++;

hashi %= _tables.size();

}

_tables[hashi]._kv = kv;

_tables[hashi]._s = EXIST;

++_n;

return true;

}

HashData<K, V>* Find(const K& key)

{

Hash hf;

size_t hashi = hf(key) % _tables.size();

while (_tables[hashi]._s != EMPTY)

{

if (_tables[hashi]._s == EXIST

&& _tables[hashi]._kv.first == key)

{

return &_tables[hashi];

}

hashi++;

hashi %= _tables.size();

}

return NULL;

}

// 伪删除法

bool Erase(const K& key)

{

HashData<K, V>* ret = Find(key);

if (ret)

{

ret->_s = DELETE;

--_n;

return true;

}

else

{

return false;

}

}

void Print()

{

for (size_t i = 0; i < _tables.size(); i++)

{

if (_tables[i]._s == EXIST)

{

//printf("[%d]->%d\n", i, _tables[i]._kv.first);

cout << "[" << i << "]->" << _tables[i]._kv.first << ":" << _tables[i]._kv.second << endl;

}

else if (_tables[i]._s == EMPTY)

{

printf("[%d]->\n", i);

}

else

{

printf("[%d]->D\n", i);

}

}

cout << endl;

}

private:

vector<HashData<K, V>> _tables;

size_t _n = 0; // 存储的关键字的个数

};

void TestHT1()

{

HashTable<int, int> ht;

int a[] = { 4,14,24,34,5,7,1 };

for (auto e : a)

{

ht.Insert(make_pair(e, e));

}

ht.Insert(make_pair(3, 3));

ht.Insert(make_pair(3, 3));

ht.Insert(make_pair(-3, -3));

ht.Print();

ht.Erase(3);

ht.Print();

if (ht.Find(3))

{

cout << "3存在" << endl;

}

else

{

cout << "3不存在" << endl;

}

ht.Insert(make_pair(3, 3));

ht.Insert(make_pair(23, 3));

ht.Print();

}

void TestHT2()

{

string arr[] = { "香蕉", "甜瓜","苹果", "西瓜", "苹果", "西瓜", "苹果", "苹果", "西瓜", "苹果", "香蕉", "苹果", "香蕉" };

//HashTable<string, int, HashFuncString> ht;

HashTable<string, int> ht;

for (auto& e : arr)

{

//auto ret = ht.Find(e);

HashData<string, int>* ret = ht.Find(e);

if (ret)

{

ret->_kv.second++;

}

else

{

ht.Insert(make_pair(e, 1));

}

}

ht.Print();

ht.Insert(make_pair("apple", 1));

ht.Insert(make_pair("sort", 1));

ht.Insert(make_pair("abc", 1));

ht.Insert(make_pair("acb", 1));

ht.Insert(make_pair("aad", 1));

ht.Print();

}

}

namespace hash_bucket

{

template<class T>

struct HashNode

{

HashNode<T>* _next;

T _data;

HashNode(const T& data)

:_data(data)

, _next(nullptr)

{}

};

// 前置声明

template<class K, class T, class KeyOfT, class Hash>

class HashTable;

template<class K, class T, class Ref, class Ptr, class KeyOfT, class Hash>

struct __HTIterator

{

typedef HashNode<T> Node;

typedef __HTIterator<K, T, Ref, Ptr, KeyOfT, Hash> Self;

Node* _node;

const HashTable<K, T, KeyOfT, Hash>* _pht;

// vector<Node*> * _ptb;

size_t _hashi;

__HTIterator(Node* node, HashTable<K, T, KeyOfT, Hash>* pht, size_t hashi)

:_node(node)

, _pht(pht)

, _hashi(hashi)

{}

__HTIterator(Node* node, const HashTable<K, T, KeyOfT, Hash>* pht, size_t hashi)

:_node(node)

, _pht(pht)

, _hashi(hashi)

{}

Self& operator++()

{

if (_node->_next)

{

// 当前桶还有节点，走到下一个节点

_node = _node->_next;

}

else

{

// 当前桶已经走完了，找下一个桶开始

//KeyOfT kot;

//Hash hf;

//size_t hashi = hf(kot(_node->_data)) % _pht._tables.size();

++_hashi;

while (_hashi < _pht->_tables.size())

{

if (_pht->_tables[_hashi])

{

_node = _pht->_tables[_hashi];

break;

}

++_hashi;

}

if (_hashi == _pht->_tables.size())

{

_node = nullptr;

}

}

return *this;

}

Ref operator*()

{

return _node->_data;

}

Ptr operator->()

{

return &_node->_data;

}

bool operator!=(const Self& s)

{

return _node != s._node;

}

};

// unordered_set -> Hashtable<K, K>

// unordered_map -> Hashtable<K, pair<K, V>>

template<class K, class T, class KeyOfT, class Hash>

class HashTable

{

typedef HashNode<T> Node;

template<class K, class T, class Ref, class Ptr, class KeyOfT, class Hash>

friend struct __HTIterator;

public:

typedef __HTIterator<K, T, T&, T*, KeyOfT, Hash> iterator;

typedef __HTIterator<K, T, const T&, const T*, KeyOfT, Hash> const_iterator;

iterator begin()

{

for (size_t i = 0; i < _tables.size(); i++)

{

if (_tables[i])

{

return iterator(_tables[i], this, i);

}

}

return end();

}

iterator end()

{

return iterator(nullptr, this, -1);

}

const_iterator begin() const

{

for (size_t i = 0; i < _tables.size(); i++)

{

if (_tables[i])

{

return const_iterator(_tables[i], this, i);

}

}

return end();

}

// this-> const HashTable<K, T, KeyOfT, Hash>*

const_iterator end() const

{

return const_iterator(nullptr, this, -1);

}

HashTable()

{

_tables.resize(10);

}

~HashTable()

{

for (size_t i = 0; i < _tables.size(); i++)

{

Node* cur = _tables[i];

while (cur)

{

Node* next = cur->_next;

delete cur;

cur = next;

}

_tables[i] = nullptr;

}

}

pair<iterator, bool> Insert(const T& data)

{

Hash hf;

KeyOfT kot;

iterator it = Find(kot(data));

if (it != end())

return make_pair(it, false);

// 负载因子最大到1

if (_n == _tables.size())

{

vector<Node*> newTables;

newTables.resize(_tables.size() * 2, nullptr);

// 遍历旧表

for (size_t i = 0; i < _tables.size(); i++)

{

Node* cur = _tables[i];

while (cur)

{

Node* next = cur->_next;

// 挪动到映射的新表

size_t hashi = hf(kot(cur->_data)) % newTables.size();

cur->_next = newTables[i];

newTables[hashi] = cur;

cur = next;

}

_tables[i] = nullptr;

}

_tables.swap(newTables);

}

size_t hashi = hf(kot(data)) % _tables.size();

Node* newnode = new Node(data);

// 头插

newnode->_next = _tables[hashi];

_tables[hashi] = newnode;

++_n;

return make_pair(iterator(newnode, this, hashi), true);

}

iterator Find(const K& key)

{

Hash hf;

KeyOfT kot;

size_t hashi = hf(key) % _tables.size();

Node* cur = _tables[hashi];

while (cur)

{

if (kot(cur->_data) == key)

{

return iterator(cur, this, hashi);

}

cur = cur->_next;

}

return end();

}

bool Erase(const K& key)

{

Hash hf;

KeyOfT kot;

size_t hashi = hf(key) % _tables.size();

Node* prev = nullptr;

Node* cur = _tables[hashi];

while (cur)

{

if (kot(cur->_data) == key)

{

if (prev == nullptr)

{

_tables[hashi] = cur->_next;

}

else

{

prev->_next = cur->_next;

}

delete cur;

return true;

}

prev = cur;

cur = cur->_next;

}

return false;

}

void Some()

{

size_t bucketSize = 0;

size_t maxBucketLen = 0;

size_t sum = 0;

double averageBucketLen = 0;

for (size_t i = 0; i < _tables.size(); i++)

{

Node* cur = _tables[i];

if (cur)

{

++bucketSize;

}

size_t bucketLen = 0;

while (cur)

{

++bucketLen;

cur = cur->_next;

}

sum += bucketLen;

if (bucketLen > maxBucketLen)

{

maxBucketLen = bucketLen;

}

}

averageBucketLen = (double)sum / (double)bucketSize;

printf("all bucketSize:%d\n", _tables.size());

printf("bucketSize:%d\n", bucketSize);

printf("maxBucketLen:%d\n", maxBucketLen);

printf("averageBucketLen:%lf\n\n", averageBucketLen);

}

private:

vector<Node*> _tables;

size_t _n = 0;

};

}

3.2 -> unordered_map

#pragma once

#include"HashTable.h"

namespace fyd

{

template<class K, class V, class Hash = HashFunc<K>>

class unordered_map

{

struct MapKeyOfT

{

const K& operator()(const pair<K, V>& kv)

{

return kv.first;

}

};

public:

typedef typename hash_bucket::HashTable<K, pair<const K, V>, MapKeyOfT, Hash>::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;

}

const V& operator[](const K& key) const

{

pair<iterator, bool> ret = _ht.Insert(make_pair(key, V()));

return ret.first->second;

}

iterator find(const K& key)

{

return _ht.Find(key);

}

bool erase(const K& key)

{

return _ht.Erase(key);

}

private:

hash_bucket::HashTable<K, pair<const K, V>, MapKeyOfT, Hash> _ht;

};

void test_map()

{

unordered_map<string, string> dict;

dict.insert(make_pair("sort", ""));

dict.insert(make_pair("string", "ַ"));

dict.insert(make_pair("insert", ""));

for (auto& kv : dict)

{

//kv.first += 'x';

kv.second += 'x';

cout << kv.first << ":" << kv.second << endl;

}

cout << endl;

string arr[] = { "㽶", "","ƻ", "", "ƻ", "", "ƻ", "ƻ", "", "ƻ", "㽶", "ƻ", "㽶" };

unordered_map<string, int> count_map;

for (auto& e : arr)

{

count_map[e]++;

}

for (auto& kv : count_map)

{

cout << kv.first << ":" << kv.second << endl;

}

cout << endl;

}

}

3.3 -> unordered_set

#pragma once

#include"HashTable.h"

namespace fyd

{

template<class K, class Hash = HashFunc<K>>

class unordered_set

{

struct SetKeyOfT

{

const K& operator()(const K& key)

{

return key;

}

};

public:

typedef typename hash_bucket::HashTable<K, K, SetKeyOfT, Hash>::const_iterator iterator;

typedef typename hash_bucket::HashTable<K, K, SetKeyOfT, Hash>::const_iterator const_iterator;

/*iterator begin()

{

return _ht.begin();

}

iterator end()

{

return _ht.end();

}*/

const_iterator begin() const

{

return _ht.begin();

}

const_iterator end() const

{

return _ht.end();

}

pair<const_iterator, bool> insert(const K& key)

{

auto ret = _ht.Insert(key);

return pair<const_iterator, bool>(const_iterator(ret.first._node, ret.first._pht, ret.first._hashi), ret.second);

}

iterator find(const K& key)

{

return _ht.Find(key);

}

bool erase(const K& key)

{

return _ht.Erase(key);

}

private:

hash_bucket::HashTable<K, K, SetKeyOfT, Hash> _ht;

};

void test_set()

{

unordered_set<int> us;

us.insert(5);

us.insert(15);

us.insert(52);

us.insert(3);

unordered_set<int>::iterator it = us.begin();

while (it != us.end())

{

//*it += 5;

cout << *it << " ";

++it;

}

cout << endl;

for (auto e : us)

{

cout << e << " ";

}

cout << endl;

}

}

感谢各位大佬支持！！！

互三啦！！！