hash

HASH 雪花雪花雪花 这个就是因为需要知道是否存在两个相同的，并且它们实际上是以环状存在，并且有正反两面，所以每个雪花，先求出它正反两面的最小表示法，然后对这个最小表示法hash存入数组，对数组进行排序，查看是否有相同的元素，若有则存在。 # include <cstdio> # include <cstring> # include <iostream> # include <algorithm> using namespace std ; const int N = 100010 ; int n ; int snows [ N ] [ 6 ] , idx [ N ] ; //snows储存所有的最小表示法，idx储存每个表示法的序号。 void get_min ( int * b ) //求最小表示法 { static int a [ 12 ] ; for ( int i = 0 ; i < 12 ; i ++ ) a [ i ] = b [ i % 6 ] ; int i = 0 , j = 1 , k ; while ( i < 6 && j < 6 ) { for ( k = 0 ; k < 6 && a [ i + k ] == a [ j + k ] ; k ++ ) ; if ( k == 6 ) break ; if ( a [ i + k ] > a [ j

一、海量数据处理 所谓海量数据处理，无非就是基于海量数据上的存储、处理、操作。何谓海量，就 是数据量太大，所以导致要么是无法在较短时间内迅速解决，要么是数据太大，导 致无法一次性装入内存。 那解决办法呢? 针对时间，我们可以采用巧妙的算法搭配合适的数据结构，如Bloom filter/Hash/bit- map/堆/trie树。 针对空间，无非就一个办法：大而化小，分而治之（hash映射）。 相关内容之后会在GitHub上更新，希望多多关注 （ 顺手留下GitHub链接，需要获取相关面试等内容的可以自己去找 ） https://github.com/xiangjiana/Android-MS 更多完整项目下载。未完待续。源码。图文知识后续上传github。 可以点击 关于我 联系我获取 二、算法/数据结构基础 1.Bloom Filter Bloom Filter（BF）是一种空间效率很高的随机数据结构，它利用位数组很简洁地 表示一个集合，并能判断一个元素是否属于这个集合。它是一个判断元素是否存在 集合的快速的概率算法。Bloom Filter有可能会出现错误判断，但不会漏掉判断。也 就是Bloom Filter判断元素不再集合，那肯定不在。如果判断元素存在集合中，有一 定的概率判断错误。因此，Bloom Filter不适合那些“零错误”的应用场合。 而在能容忍低错误率的应用场合下

机器学习实战 基于Scikit-Learn和TensorFlow 之创建测试集 第二章端到端的机器学习项目 之 创建测试集 P53 用标识符来决定数据是否进入测试集 import hashlib # 把任意长度的数据转换为一个长度固定的数据串 def test_set_check ( identifier , test_ratio , hash ) : return hash ( np . int64 ( identifier ) ) . digest ( ) [ - 1 ] < 256 * test_ratio # 判断哈希值的最后一个字节是否满足要求 def split_train_test_by_id ( data , test_ratio , id_column , hash = hashlib . md5 ) : ids = data [ id_column ] # 按索引找出id in_test_set = ids . apply ( lambda id_ : test_set_check ( id_ , test_ratio , hash ) ) # 对所有数据进行划分 return data . loc [ ~ in_test_set ] , data . loc [ in_test_set ] #返回满足条件的划分为训练集和测试集 其中的函数解释说明： hash

转载自:http://blog.csdn.net/qq_25868207/article/details/55259978 ；##ArrayList实现原理要点概括 参考文献： http://zhangshixi.iteye.com/blog/674856l ArrayList是List接口的可变数组非同步实现，并允许包括null在内的所有元素。 底层使用数组实现 该集合是可变长度数组，数组扩容时，会将老数组中的元素重新拷贝一份到新的数组中，每次数组容量增长大约是其容量的1.5倍，这种操作的代价很高。 采用了Fail-Fast机制，面对并发的修改时，迭代器很快就会完全失败，而不是冒着在将来某个不确定时间发生任意不确定行为的风险 LinkedList实现原理要点概括 参考文献： http://www.cnblogs.com/ITtangtang/p/3948610.htmll LinkedList是List接口的双向链表非同步实现，并允许包括null在内的所有元素。 底层的数据结构是基于双向链表的，该数据结构我们称为节点 双向链表节点对应的类Node的实例，Node中包含成员变量：prev，next，item。其中，prev是该节点的上一个节点，next是该节点的下一个节点，item是该节点所包含的值。 HashMap实现原理要点概括 参考文献： http://zhangshixi

通过优锐课的java学习分享中，了解了企业的面试题型，分享给大家学习。 HashMap问题在工作面试中很常见。 这是HashMaps在Java内部如何工作的一些深入说明。 HashMap在内部如何工作已成为几乎所有访谈中的一个普遍问题。 几乎每个人都知道如何使用HashMap或HashMap与Hashtable之间的区别。 但是，当问题为“ HashMap如何在内部工作？”时，许多人会失败。 这个问题的答案是，它基于哈希原理工作，但听起来并不那么简单。 哈希是一种使用算法将唯一代码分配给变量或属性的机制，从而可以轻松进行检索。 真正的哈希机制在应用于同一对象时应始终返回相同的hashCode（）。 然后是一个问题：“哈希如何帮助存储和检索HashMap中的值？” 许多人会说该值将存储在存储桶中，并使用键进行检索。 如果你认为这是有效的，那么你绝对是错误的。 为了证明这一点，让我们看一下HashMap类： /** * The table, resized as necessary. Length MUST Always be a power of two. */ transient Entry[] table; 那么HashMap中Entry []的用途是什么？ HashMap将对象存储为Entry实例，而不是键和值。 什么是入门班？ HashMap有一个称为Entry

merkle 树结构（M-Tree） Merkle hush Tree用于验证一组数据值。使用最简单的形式解决适合主存的点查询和数据集查询认证问题。M-Tree是二叉树，其中叶节点包含数据值的hush，非叶子节点包含其两个子节点hash of the concatenation值。 查询任何一个数值的真实性需要对比计算log (n) 个hush值，因为 其他结构 我们还提供了所有技术的分析成本模型，给出了各种性能指标。本文主要贡献：详细的分析建模，使用户能够决定哪种结构最能满足他们的需要。 介绍三个应用在静态场景（即在外包数据库中所有者的和服务器之间不发生数据更新）中保证查询正确性和完整性的三个方法： 1. Aggregated Signatures with B±trees（ASB-Tree） 首先，所有者分别对数据库中所有连续的元组取hush值并进行签名，假设某种排序次序方式为A。 给定两个连续的元组r i ，r j ，owner将（r i ，s i ）发送给服务器，其中s i =S(r i |r j )，‘|’是表示字符串的规范配对，这些字符串可以唯一地被解析回其两个组件中；第一个和最后一个元组可以与特殊标记记录配对。 为了提高服务器的查询效率，在属性A的顶部构建B+树。 服务器可以为所有结果发送一个组合签名S π ，而不是每个查询结果都发送一个签名

1、提交的代码,分治 class Solution { map < pair < int , int > , vector < int > > hash ; // 备忘录 key: <left,right> public : vector < int > ways ( const string & input , int left , int right ) { pair < int , int > curKey ( left , right ) ; if ( hash . find ( curKey ) != hash . end ( ) ) { //之前存了 return hash [ curKey ] ; } vector < int > res ; for ( int i = left ; i < right ; i ++ ) { if ( input [ i ] == '-' || input [ i ] == '+' || input [ i ] == '*' ) { //遇到操作符分别递归计算左边、右边, //当前选择的操作符优先最低(递归的下一层的表达式先算) vector < int > left_result = ways ( input , left , i ) ; vector < int > right_result = ways ( input , i

MySql索引 MySQL索引的建立对于MySQL的高效运行是很重要的，索引可以大大提高MySQL的检索速度 索引也会降低更新表的速度，如对表进行INSERT、UPDATE和DELETE。因为更新表时，MySQL不仅要保存数据，还要保存一下索引文件 建立索引会占用磁盘空间的索引文件 所以，索引不是越多也好，我们的目的就是把索引建得恰到好处 Mysql索引相关知识 存储引擎 MySQL数据库提供了多种存储引擎，用户可以根据不同的需求为数据表选择不同的存储引擎 同一个数据库也可以使用多种存储引擎的表 在实际开发中使用最多的两种引擎是MyISAM和InnoDB(几乎都是InnoDB) MyISAM MyISAM高速引擎，拥有较高的插入，查询速度 MyISAM存储不支持事务、行级锁和外键约束的功能 MyISAM存储引擎在筛选大量数据时非常迅速，这是它最突出的优点 MyISAM的并发插入特性允许同时选择和插入数据 MyISAM表是独立于操作系统的 每当我们建立一个MyISAM引擎的表时，就会在本地磁盘上建立三个文件：表定义文件(.frm),数据文件(.MYD)，索引文件(.MYI) InnoDB InnoDB:5.5版本后MySQL的默认数据库，支持事务和行级锁定，比MyISAM处理速度稍慢 InnoDB的表需要更多的内存和存储，它会在主内存中建立其专用的缓冲池用于高速缓冲数据和索引

概述 HashMap实现了Map<K, V>接口，通过键-值(key-value)的方式存取数据。内部的数据结构是数组+链表(或者Tree)，插入时通过key的hash值，映射（(n - 1) & hash，其中n为数组的长度）到数组中的位置，如果hash值重复，则在链表的末端插入（当一个链表中的数据大于等于8个时，就将链表转变为Tree），而当数组达到一定值时，会resize，重新创建一个数组，大小是之前的两倍；取出时，也是通过key的hash值，映射到数组的位置，如果刚好是第一个，则返回，否则一直查找到key相等的value并返回，如果还是没找到则分会null。 本文的目标是带着学习的态度，查看HashMap的源码，从put，get，resize三个方法分析它的内部实现。 HashMap数据结构 HashMap继承自AbstractMap<K,V>，实现了Map<K, V>接口（AbstractMap<K,V>也实现了这个接口，为什么没有冲突呢？）： Map接口有一个Entry接口，HashMap中内部类Node实现了Entry接口，数据就存放在： Node < K , V > [ ] table ; HashMap内部定义了几个重要参数： // 加载因子默认是0.75，取值越小，hash冲突概率越低，插入和查找速度愈快，但是占用的空间更多 final float