当前位置： 首页 > news >正文

【高阶数据结构】哈希表

news 2025/10/28 6:35:15

目录

一、什么是哈希表？

1.1、直接定址法

1.2、哈希冲突

1.3、负载因子

1.4、哈希函数

1.4.1、除法散列法 / 保留余数法（重点）

1.4.2、其他

二、哈希冲突处理

2.1、开放定址法

2.1.1、线性探测

2.1.2、二次探测

2.2、链地址法

三、哈希表设计实现

3.1、开放定址法

3.1.1、定义数据结构

3.1.2、哈希表结构

3.1.3、数据类型处理---仿函数

3.1.4、插入

3.1.5、查找

3.1.6、删除

3.2、链地址法（哈希桶）

3.2.1、定义哈希桶节点结构

3.2.2、定义哈希表结构

3.2.3、插入---头插

3.2.5、查找

3.2.6、删除

四、完整源码

开放定址法：

HashTables.h

测试代码：test.cpp

哈希桶：

HashBucket.h

一、什么是哈希表？

哈希(hash)又称散列，是一种组织数据的方式。

从译名来看，有散乱排列的意思。

本质就是通过哈希 函数把关键字key跟存储位置建立一个映射关系，查找时通过这个哈希函数计算出key存储的位置，进行快速查找。

哈希表的底层的核心载体就是数组，简单来讲就是将key通过一定的处理，让其与数组的下标有一个一一对应的映射关系，我们通过这个映射的关系就可以直接找到对应的key，而不需要去遍历。

但哈希表不只是一个简单的数组，那他具体长什么样子？主要有两种（先看，后面解释）

线性探测结构：

哈希桶结构：

为什么叫哈希桶，相信不难理解，因为下面挂的这一串串数据，就像一个个桶。

1.1、直接定址法

假如要求我们将26个字母存入一个数组，然后通过不遍历数组的方式直接找到相应的字母，不能遍历即相当于对于每个字母我们就需要直接知道其对应的下标是什么。

那么我们开一个26个数的数组，每个字符减去 'a' ，不就刚好对应一个存储位置的下标吗。 也就是说直接定址法本质就是用关键字计算出一个绝对位置或者相对位置。

char ch[26] = { 0 };
ch['a' - 'a'] = 'a'; // 存储字符a
ch['g' - 'a'] = 'g'; // 存储字符g// 根据映射关系直接找到相应的字符
cout << ch['a' - 'a'] << endl;
cout << ch['g' - 'a'] << endl;

1.2、哈希冲突

可是直接定址法只适用于数据比较集中的场景，对于数据分散的情况，缺点就会暴露无遗。

举个例子，你有5个值：1， 2， 3， 4 ，10000001。

直接开一个10000001大小的数组，数据存储在对应下标位置，查找非常快，时间复杂度O(1)。但这未必也太浪费空间了，开这么大的空间就存这几个货😑，cuo，太cuo。

但这能难到那些大佬吗？

这时候我们就可以通过哈希函数将这 N 个分散的数映射到一个M大小的数组（M >= N），就比如拿取模的方法来说。

我们知道，n % M，得到的数肯定小于M，这不就将这一组数限制到M大小的数组中了吗。

但是细心的小伙伴肯定已经发现了。

5 % 20， 25 % 20，45 % 20...，不都等于5吗，那么同一个位置不就重复了，即不同的值映射到了一个位置，这就是哈希冲突。

理想情况是找出一个好的哈希函数避免冲突，但是实际场景中，冲突是不可避免的， 所以我们尽可能设计出优秀的哈希函数，减少冲突的次数，同时也要去设计出解决冲突的方案。

1.3、负载因子

假设哈希表中已经映射存储了N个值，哈希表的大小为M，负载因子 = N / M。

负载因子越大，即映射的值越多，哈希冲突的概率越高，空间利用率越高；负载因子越小，即映射的值越少，哈希冲突的概率越低，空间利用率越低。

所以，当负载因子达到一定的大小时，就需要我们对数组进行扩容。

但是，对于扩容的条件，不同的哈希表结构不同，对于线性探测的结构，一般当负载因子>=0.7时，进行扩容；哈希桶结构当映射值的数量与数组大小相同时，进行扩容。

1.4、哈希函数

一个好的哈希函数应该让N个关键字被等概率的均匀的散列分布到哈希表的M个空间中，但是实际中却很难做到，但是我们要尽量往这个方向去考量设计。

1.4.1、除法散列法 / 保留余数法（重点）

除法散列法也叫做除留余数法，顾名思义，假设哈希表的大小为M，那么通过key除以M的余数作为 映射位置的下标，也就是哈希函数为：h(key) = key % M。

那么问题就来了。

对于哈希表的大小M，怎么取才合适呢？怎么才能保证将所有的数均匀的映射到数组中呢？

当使用除法散列法时，要尽量避免M为某些值，如2的幂，10的幂等。如果是 ，那么key % 2^X本质相当于保留key的后X位，那么后X位相同的值，计算出的哈希值都是一样的，就冲突了。

什么意思呢，如果将key写成二进制的形式，不难看出，%一个2^X，结果就是key的后X二进制位组成的数。

当使用除法散列法时，建议M取不太接近2的整数次幂的一个质数(素数)。尽可能让所有数均匀发布到数组中，但是，冲突肯定是无法完全避免的，所以，当一个位置已经有数据时，就在这位置的后面找空位。

我们可以通过下面的代码来找一个大于或等于n的素数，作为数组的大小：

inline unsigned long __stl_next_prime(unsigned long n)
{static const int __stl_num_primes = 28;    // __stl_prime_list数组有28个素数static const unsigned long __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};const unsigned long* first = __stl_prime_list; // 数组起始位置const unsigned long* last = __stl_prime_list + __stl_num_primes; // 数组末尾的下一个位置// 找[first,last)区间中第一个大于或等于 n 的的素数const unsigned long* pos = lower_bound(first, last, n); return pos == last ? *(last - 1) : *pos;
}
1.4.2、其他

还有乘法散列法，全域散列法等，也比较巧妙，感兴趣可以自己了解，这里我们最常用的还是取余数的这种方式。

二、哈希冲突处理

2.1、开放定址法

在开放定址法中所有的元素都放到哈希表里，当一个关键字key用哈希函数计算出的位置冲突了，则按 照某种规则找到一个没有存储数据的位置进行存储，开放定址法中负载因子一定是小于的。这里的规则有二种：线性探测、二次探测。

2.1.1、线性探测

•  从发生冲突的位置开始，依次线性向后探测，直到寻找到下一个没有存储数据的位置为止，如果走 到哈希表尾，则回绕到哈希表头的位置。

•  线性探测的比较简单且容易实现，线性探测的问题在于，由于hash0位置连续冲突，使得原本应该映射到hash0位置的值，占了后续映射到hash1，hash2位置的值的位置，这种现象叫做群集/堆积。下面的二次探测可以一定程度改善这个问题。

2.1.2、二次探测

从发生冲突的位置开始，依次左右按二次方跳跃式探测，直到寻找到下一个没有存储数据的位置为 止，如果往右走到哈希表尾，则回绕到哈希表头的位置；如果往左走到哈希表头，则回绕到哈希表 尾的位置；

2.2、链地址法

开放定址法，不论怎样处理，冲突不可避免，对于一些极端情况：

假如我有一组数据，取完余数，好家伙，发现全部冲突了，这还怎么玩。难道还线性探测，二次探测吗？cuo，真的cuo。

这时候哈希桶闪亮登场：我给你全部串起来，余数相同怎么了，全部冲突怎么了，用一个链表串起来一挂，解决了。好，你说串的太多了，我可以扩容，实在不行我再来个红黑树。

三、哈希表设计实现

3.1、开放定址法

3.1.1、定义数据结构

实现一个键值对（key_value）类型的哈希表，即需要一个pair类型的对象存储数据，由于线性结构的哈希表，不可避免地存在哈希冲突，所以在插入，查找数据时，就需要知道当前位置的状态，所以还需要一个存储状态的量。由于一个位置状态无非就是存在值，空和被删除，所以考虑用一个枚举类型存储状态。

// 枚举：记录每个HashData的状态
enum State
{EXITE,DELETE,EMPTY
};template<class K,class V>
struct HashData
{pair<K, V> _kv; // 键值对State _state = EMPTY; // 状态
};
3.1.2、哈希表结构

哈希表底层核心载体就是一个数组，而线性结构的数据又全部存储在数组中，所以直接用一个vector数组，数据类型即为上面定义的自定义类型。用_size记录数据个数。

template<class K, class V, class Hash=HashFunc<K>>
class HashTables
{typedef HashNode<K,V> Node; // 重命名
public:// 构造HashTables():_tables(__stl_next_prime(0)) // 用找素数函数初始化, _size(0){ }// 素数函数：用来扩容// 找一个比n大的素数，作为哈希表扩容的大小inline unsigned long __stl_next_prime(unsigned long n){// Note: assumes long is at least 32 bits.static const int __stl_num_primes = 28; // __stl_prime_list数组有28个素数static const unsigned long __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};const unsigned long* first = __stl_prime_list; // 数组起始位置// 数组末尾的下一个位置const unsigned long* last = __stl_prime_list + __stl_num_primes; // 找[first,last)区间中第一个大于或等于 n 的的素数const unsigned long* pos = lower_bound(first, last, n); return pos == last ? *(last - 1) : *pos;}private:vector<HashNode<K,V>> _tables; // 数组size_t _size = 0; // 存储数据个数
};
3.1.3、数据类型处理---仿函数

由于只有对无符号整形取模运算时，才能获得有效的下标，所以必须将int，double等数据强转为unsigned int类型来计算映射位置；同时，对于字符串，日期类等不能强转为unsigned int类型的数据类型，就需要单独处理。

对于字符串，我们可以将字符串的所有字符的ASCII码值加起来，然后计算映射的相对位置，同时，由于字符串这样计算出的值一般较大，哈希冲突的概率变大，所以，又有人提出：在逐字符相加的过程中对每个字符进行乘131的处理方法。为什么选择乘131，有兴趣的可以查阅资料，反正肯定是能够更好地减少哈希冲突。

我们采用仿函数来解决这个问题，这样更方便我们在外部控制。

// 仿函数，用来将负数，double等类型的数据先转化为无符号整形
template<class K>
struct HashFun
{int operator()(const K& key){return (size_t)key; // 强转}
};// 模板函数：特化，专门处理字符串
template<>
struct HashFun<string>
{size_t operator()(const string& key){size_t ch = 0;auto it = key.begin();for (size_t i = 0; i < key.size(); i++){ch += *it * 131; // 由于字符串转为unsigned int，取模后容易重复，为了使哈希值更分散，对每个字符的ASCII值乘以一个131it++;}return ch;}
};
3.1.4、插入

我们默认不插入相同的值，所以，当键值重复时直接返回；同时，我们还需要关注负载因子的大小，理论上当负载因子大于或等于0.7时，进行扩容；由于哈希冲突的原因，我们还需要关注要插入的位置是否已经被其他值占了。

bool Insert(const pair<K, V>& kv){// 数据不冗余if (Find(kv.first)){return false;}// 扩容// 负载因子：当前存储的数据个数 / 哈希表大小，这里当负载因子大于或等于0.7时进行扩容if (_size * 10 / _tables.size() >= 7){HashTables<K, V> newtables;//newtables._tables.resize(_tables.size() * 2); // 二倍扩容newtables._tables.resize(__stl_next_prime(_tables.size() + 1)); // 为了防止lower_bound每次找到的值相同// 旧表的数据映射到新表for (auto& data : _tables){if(data._state==EXITE){newtables.Insert(data._kv);}}_tables.swap(newtables._tables); //将新表与旧表交换}size_t hash0 = kv.first % _tables.size(); // 找key键值对应的位置（下标）size_t hashi = hash0;size_t i = 1;while (_tables[hashi]._state == EXITE){// 线性探测：找状态为DELETE或EMPTY的位置hashi = (hash0 + i) % _tables.size();//// 二次探测//hashi = (hash0 + i * i) % _tables.size();i++;}_tables[hashi]._kv = kv;_tables[hashi]._state = EXITE;_size++;return true;}
3.1.5、查找

唯一需要注意的就是，由于哈希冲突，我们要查找的值可能并不在我们计算出的位置处，即所有不为空的位置，我们都要进行查找（遍历）。

HashData<K, V>* Find(const K& key){size_t hash0 = key % _tables.size();size_t hashi = hash0;size_t i = 1;while (_tables[hashi]._state != EMPTY){// 线性探测：找状态为DELETE或EXITE的位置if (_tables[hashi]._state==EXITE && _tables[hashi]._kv.first == key){return &_tables[hashi];}hashi = (hash0 + i) % _tables.size();i++;}return nullptr;}
3.1.6、删除
bool Erase(const K& key){if (Find(key)){HashData<K, V>* pos = Find(key);pos->_state = DELETE;return true;}return false;}

3.2、链地址法（哈希桶）

3.2.1、定义哈希桶节点结构
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){}
};
3.2.2、定义哈希表结构

底层认为数组作为核心载体，只是数组中应该存储节点类型的指针。_size记录插入节点个数，方便扩容。

template<class K, class V, class Hash = HashFun<K>>
class Hash_Bucket
{typedef HashNode<K, V> Node;
public:// 构造Hash_Bucket():_tables(11), _size(0){}// 析构~Hash_Bucket(){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;}}// 找一个比n大的素数，作为哈希表扩容的大小inline unsigned long __stl_next_prime(unsigned long n){// Note: assumes long is at least 32 bits.static const int __stl_num_primes = 28; // __stl_prime_list数组有28个素数static const unsigned long __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};const unsigned long* first = __stl_prime_list; // 数组起始位置const unsigned long* last = __stl_prime_list + __stl_num_primes; // 数组末尾的下一个位置const unsigned long* pos = lower_bound(first, last, n); // 找[first,last)区间中第一个大于或等于 n 的的素数return pos == last ? *(last - 1) : *pos;}
private:vector<Node*> _tables;size_t _size = 0;
};
3.2.3、插入---头插

数据不能冗余；如果当前位置为空则直接插入数组对应的位置；若当前位置已经有节点，则头插；

当节点数等于，数组大小时，扩容，这样也可以起到防止链表过长的情况发生，因为，扩容后，我们需要将所有的节点拿下来重新映射到新表中。

记得最后++_size。

bool Insert(const pair<K, V>& kv){if (Find(kv.first)){return false;}Hash hash; // 仿函数// 扩容if (_size == _tables.size()){vector<Node*> newtables(__stl_next_prime(_tables.size() + 1)); // 创建一个新表// 遍历旧表，将旧表的节点拿下来插入到新表，然后交换for (size_t i = 0; i < _tables.size(); i++){Node* cur = _tables[i];while (cur){Node* next = cur->_next;size_t hashi = hash(cur->_kv.first) % newtables.size();// 头插cur->_next = newtables[hashi];newtables[hashi] = cur;cur = next;}_tables[i] = nullptr;}_tables.swap(newtables); // 交换}size_t hashi = hash(kv.first) % _tables.size();Node* newnode = new  Node(kv);Node* cur = _tables[hashi];// 头插newnode->_next = _tables[hashi];_tables[hashi] = newnode;++_size;}
3.2.5、查找

根据key算出映射位置的下标，然后遍历链接的单链表即可。

Node* Find(const K& key){Hash hash;size_t hashi = hash(key) % _tables.size();Node* cur = _tables[hashi];while (cur){if (cur->_kv.first == key){return cur;}cur = cur->_next;}return nullptr;}
3.2.6、删除

删除时需要注意，该节点是存储在数组中的节点还是链接在中间的节点，因为对于这两种情况，在删除节点后的处理不同。我们可以用一个prev指针来进行判断。

bool Erase(const K& key){Hash hash;size_t hashi = hash(key) % _tables.size();Node* cur = _tables[hashi];Node* prev = nullptr;while (cur){if (cur->_kv.first == key){// cur为桶的第一个节点if (prev == nullptr){_tables[hashi] = nullptr;}// 中间节点else{prev->_next = cur->_next;}// 释放delete cur;--_size;return true;}else{prev = cur;cur = cur->_next;}}return false;}

四、完整源码

开放定址法：

HashTables.h
#include<iostream>
#include<vector>
using namespace std;// 枚举：记录每个HashData的状态
enum State
{EXITE,DELETE,EMPTY
};template<class K, class V>
struct HashData
{pair<K, V> _kv; // 键值对State _state = EMPTY; // 状态
};// 仿函数，用来将负数，double等类型的数据先转化为无符号整形，因为只有unsigned int才能取模
template<class K>
struct HashFun
{int operator()(const K& key){return (size_t)key; // 强转}
};template<>
struct HashFun<string>
{int operator()(const string& key){size_t ch = 0;auto it = key.begin();for (size_t i=0;i<key.size();i++){ch += *it * 131; // 由于字符串转为unsigned int，取模后容易重复，为了使哈希值更分散，对每个字符的ASCII值乘以一个131it++;}return ch;}
};template<class K, class V, class Hash=HashFun<K>>
class HashTables_open_address
{
public:HashTables_open_address()//:_tables(11) // 默认_tables对象一开始有11个空间:_tables(__stl_next_prime(0)) // 用找素数函数初始化，设定哈希表空间大小为__stl_prime_list数组中第一个比0大的素数, _size(0){}// 素数，用来扩容// 找一个比n大的素数，作为哈希表扩容的大小inline unsigned long __stl_next_prime(unsigned long n){// Note: assumes long is at least 32 bits.static const int __stl_num_primes = 28; // __stl_prime_list数组有28个素数static const unsigned long __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};const unsigned long* first = __stl_prime_list; // 数组起始位置const unsigned long* last = __stl_prime_list + __stl_num_primes; // 数组末尾的下一个位置const unsigned long* pos = lower_bound(first, last, n); // 找[first,last)区间中第一个大于或等于 n 的的素数return pos == last ? *(last - 1) : *pos;}// 插入bool Insert(const pair<K, V>& kv){// 数据不冗余if (Find(kv.first)){return false;}// 扩容// 负载因子：当前存储的数据个数 / 哈希表大小，这里当负载因子大于或等于0.7时进行扩容if (_size * 10 / _tables.size() >= 7){HashTables_open_address<K, V> newtables;newtables._tables.resize(__stl_next_prime(_tables.size() + 1)); // 为了防止lower_bound每次找到的值相同// 旧表的数据映射到新表for (auto& data : _tables){if (data._state == EXITE){newtables.Insert(data._kv);}}_tables.swap(newtables._tables); //将新表与旧表交换}Hash hash;size_t hash0 = hash(kv.first) % _tables.size(); // 找key键值对应的位置（下标）size_t hashi = hash0;size_t i = 1;while (_tables[hashi]._state == EXITE){// 线性探测：找状态为DELETE或EMPTY的位置hashi = (hash0 + i) % _tables.size();i++;}_tables[hashi]._kv = kv;_tables[hashi]._state = EXITE;_size++;return true;}// 查找HashData<K, V>* Find(const K& key){Hash hash;size_t hash0 = hash(key) % _tables.size();size_t hashi = hash0;size_t i = 1;while (_tables[hashi]._state != EMPTY){// 线性探测：找状态为DELETE或EXITE的位置if (_tables[hashi]._state == EXITE && _tables[hashi]._kv.first == key){return &_tables[hashi];}hashi = (hash0 + i) % _tables.size();i++;}return nullptr;}// 删除bool Erase(const K& key){if (Find(key)){HashData<K, V>* pos = Find(key);pos->_state = DELETE;--_size;return true;}return false;}private:vector<HashData<K, V>> _tables;size_t _size = 0;
};
测试代码：test.cpp
#include"HashTables.h"void test01()
{HashTables<int, int> ht;vector<int> v({ 23,42,16,8,24,9,18,35,14,52,7,7,23,42});for (auto e : v){ht.Insert({ e,e });}auto ret = ht.Find(16);cout << ret->_kv.first << ": " << ret->_kv.second << endl;ht.Erase(16);if (ht.Find(16)){cout << "找到了" << endl;}elsecout << "没找到" << endl;}
int main()
{test01();return 0;
}

哈希桶：

HashBucket.h
#include<iostream>
#include<vector>
using namespace std;// 仿函数，用来将负数，double等类型的数据先转化为无符号整形，因为只有unsigned int才能取模
template<class K>
struct HashFun
{int operator()(const K& key){return (size_t)key; // 强转}
};// 特化:由于字符串无法强转为unsigned int，所以专门用一个模板函数来将字符串转化为一个unsigned int，同时特化
template<>
struct HashFun<string>
{int operator()(const string& key){size_t ch = 0;auto it = key.begin();for (size_t i=0;i<key.size();i++){ch += *it * 131; // 由于字符串转为unsigned int，取模后容易重复，为了使哈希值更分散，对每个字符的ASCII值乘以一个131it++;}return ch;}
};template<class K, class V, class Hash=HashFun<K>>
class HashTables_open_address
{
public:HashTables_open_address()//:_tables(11) // 默认_tables对象一开始有11个空间:_tables(__stl_next_prime(0)) // 用找素数函数初始化，设定哈希表空间大小为__stl_prime_list数组中第一个比0大的素数, _size(0){}// 素数，用来扩容// 找一个比n大的素数，作为哈希表扩容的大小inline unsigned long __stl_next_prime(unsigned long n){// Note: assumes long is at least 32 bits.static const int __stl_num_primes = 28; // __stl_prime_list数组有28个素数static const unsigned long __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};const unsigned long* first = __stl_prime_list; // 数组起始位置const unsigned long* last = __stl_prime_list + __stl_num_primes; // 数组末尾的下一个位置const unsigned long* pos = lower_bound(first, last, n); // 找[first,last)区间中第一个大于或等于 n 的的素数return pos == last ? *(last - 1) : *pos;}// 插入bool Insert(const pair<K, V>& kv){// 数据不冗余if (Find(kv.first)){return false;}// 扩容// 负载因子：当前存储的数据个数 / 哈希表大小，这里当负载因子大于或等于0.7时进行扩容if (_size * 10 / _tables.size() >= 7){HashTables_open_address<K, V> newtables;newtables._tables.resize(__stl_next_prime(_tables.size() + 1)); // 为了防止lower_bound每次找到的值相同// 旧表的数据映射到新表for (auto& data : _tables){if (data._state == EXITE){newtables.Insert(data._kv);}}_tables.swap(newtables._tables); //将新表与旧表交换}Hash hash;size_t hash0 = hash(kv.first) % _tables.size(); // 找key键值对应的位置（下标）size_t hashi = hash0;size_t i = 1;while (_tables[hashi]._state == EXITE){// 线性探测：找状态为DELETE或EMPTY的位置hashi = (hash0 + i) % _tables.size();i++;}_tables[hashi]._kv = kv;_tables[hashi]._state = EXITE;_size++;return true;}// 查找HashData<K, V>* Find(const K& key){Hash hash;size_t hash0 = hash(key) % _tables.size();size_t hashi = hash0;size_t i = 1;while (_tables[hashi]._state != EMPTY){// 线性探测：找状态为DELETE或EXITE的位置if (_tables[hashi]._state == EXITE && _tables[hashi]._kv.first == key){return &_tables[hashi];}hashi = (hash0 + i) % _tables.size();i++;}return nullptr;}// 删除bool Erase(const K& key){if (Find(key)){HashData<K, V>* pos = Find(key);pos->_state = DELETE;--_size;return true;}return false;}private:vector<HashData<K, V>> _tables;size_t _size = 0;
};

测试：test.cpp

#include"HashBucket.h"void test01()
{HashTables_open_address<int, int> ht;vector<int> v({ 23,42,16,8,24,9,18,35,14,52,7,7,23,42});for (auto e : v){ht.Insert({ e,e });}auto ret = ht.Find(16);cout << ret->_kv.first << ": " << ret->_kv.second << endl;ht.Erase(16);if (ht.Find(16)){cout << "找到了" << endl;}elsecout << "没有找到" << endl;}void test02()
{vector<double> v({ 5.23,23.7,25,0.27 });HashTables_open_address<double,double> ht;for (auto e : v){ht.Insert({ e,e });}auto ret = ht.Find(23.7);cout << ret->_kv.first << ": " << ret->_kv.second << endl;ht.Erase(0.27);if (ht.Find(0.27))cout << "找到了" << endl;elsecout << "没找到" << endl;
}void test03()
{vector<string> v({ "left","right","inert","find","abc" });HashTables_open_address<string, string> ht;for (auto e : v){ht.Insert({ e,e });}auto ret = ht.Find("find");cout << ret->_kv.first << ": " << ret->_kv.second << endl;ht.Erase("right");if (ht.Find("right"))cout << "找到了" << endl;elsecout << "没找到" << endl;
}
int main()
{test02();return 0;
}

同学，都看到这了，顺手给咱点个赞吧~

http://www.dtcms.com/a/535688.html

相关文章：

  • 【Qt开发】容器类控件（二）-＞ QTabWidget
  • 模板进阶：从非类型参数到分离编译，吃透 C++ 泛型编程的核心逻辑
  • Springboot 局域网部署https解除安全警告
  • 封装map和set（红黑树作为底层结构如何实现map和set插入遍历）
  • 如何保证RabbitMQ不出现消息丢失？
  • 购物网站建设 属于信息系统管理与设计么?一个网站的制作特点
  • 如何快速进行时间序列模型复现（以LSTM进行股票预测为例）
  • Git 远程操作：克隆、推送、拉取与冲突解决
  • Telegram 被封是什么原因？如何解决？（附 @letstgbot 搜索引擎重连技巧）
  • uniapp（1）
  • 河北建站公司优化大师的功能有哪些
  • 电力电网安全实训难题多？VR安全教育软件给出新方案
  • [MySQL]表——聚合函数
  • Java 测验
  • d42：SpringCloud单架构拆分，Nacos注册中心，OpenFeign，网关路由，配置管理
  • 构建智能对话系统：基于LangChain的超级智能体架构解析
  • 幸福指数数据分析与预测：从数据预处理到模型构建完整案例
  • 做网站要费用多少wordpress注册美化
  • 城建亚泰建设集团网站手机网站建设教程视频教程
  • 产品定制网站开发网站建设分析案例
  • 总结企业网站建设的流程网站没备案可以上线吗
  • 公司核名在哪个网站专门做字体设计的网站
  • 潍坊医院网站建设酒生产企业网站建设的目的
  • 购物网站排名前100物流行业网站源码
  • 苏州公司做变更网站免费咨询法律问题的网站
  • 医生可以自己做网站吗服务类网站建设策划书
  • phpcms 网站名称标签松原网站建设公司
  • 打折网站建设教程下载松江网站建设公司怎么样
  • 网站运营计划书网络营销服务商有哪些
  • 网网站开发和设计wordpress 海量数据