哈希表

索引的类型 B-Tree索引 B-Tree 索引 通常意味着所有的值都是 按顺序存储 的，并且每一个叶子页到根的距离相同。 B-Tree 索引 能够 加快访问数据的速度 ，存储引擎 不再需要进行全表扫描 来获取需要的数据，取而代之的是 从索引的根节点开始搜索 。 B-Tree 索引 适用于全键值、键值范围或键前缀查找（ 最左前缀原则 ）。 哈希索引 哈希索引 基于哈希表实现，只有 精确匹配索引 所有列的查询才有效。 哈希索引 是Memory引擎表的默认索引类型，但Memory同时也支持B-Tree索引。 哈希索引 自身 只需存储对应的哈希值和行指针 ，而 不存储字段值 ，所以索引的结构十分紧凑，这也让哈希索引查找的速度非常快。 哈希索引 数据并不是按照索引值顺序存储的，所以 无法用于排序 。 哈希索引 不支持部分索引列匹配查找 ，因为哈希索引始终是使用索引列的全部内容来计算哈希值的。例如数据列（A，B）上建立索引，如果查询只有数据列A，则无法使用该索引。 哈希索引 不支持任何范围查询 ，如WHERE score > 60。 哈希索引 只支持等值比较查询 ，包括=、IN()、<=>（注意<>和<=>是不同的操作）。 介绍一个 使用场景 ：如需要存储大量的URL，并需要根据URL进行搜索查找。如果使用B-Tree来存储URL，存储的内容就会非常大，因为URL本身很长。 创建表 1

哈希表查找不成功时的平均查找长度计算和查找成功时的ASL 例如: 关键字集合 { 19, 01, 23, 14, 55, 68, 11, 82, 36 } 设定哈希函数 H(key) = key MOD 11 ( 表长=11 ) 查找成功次数： 1 1 2 1 3 6 2 5 1 查找不成功次数：10 9 8 7 6 5 4 3 2 1 1 查找成功时的平均查找长度：ASL=(1+1+2+1+3+6+2+5+1)/9=22/9 查找不成功时的平均查找长度:ASL=(10+9+8+7+6+5+4+3+2+1+1)/11=56/11 说明： 第n个位置不成功时的比较次数为，第n个位置到第1个没有数据位置的距离。 如：第0个位置到第1个没有数据位置（9）的距离为10！ 来源： CSDN 作者： zhupengqq1 链接： https://blog.csdn.net/zhupengqq1/article/details/104130266

方法一： 哈希表法通过管理一个哈希表来记录数组每一个元素出现的次数，然后遍历哈希表即可求出众数。 int majorityElement ( vector < int > & nums ) { map < int , int > m_mapNums ; for ( int i = 0 ; i < nums . size ( ) ; i ++ ) { if ( m_mapNums . count ( nums [ i ] ) ) { m_mapNums [ nums [ i ] ] ++ ; } else { m_mapNums . insert ( pair < int , int > ( nums [ i ] , 1 ) ) ; } } int m_iOutPos = 0 ; int m_iOut = 0 ; for ( map < int , int > :: iterator iter = m_mapNums . begin ( ) ; iter != m_mapNums . end ( ) ; iter ++ ) { if ( m_iOutPos < iter - > second ) { m_iOutPos = iter - > second ; m_iOut = iter - > first ; } } return m_iOut ; } 方法二： Boyer

思考 如果要经常判断1个元素是否存在，你会怎么做？ 很容易想到使用哈希表（HashSet、HashMap），将元素作为key去查找 时间复杂度：O(1)，但是空间利用率不高，需要占用比较多的内存资源 如果需要编写一个网络爬虫去爬10亿个网站数据，为了避免爬到重复的网站，如何判断某个网站是否爬过？ 很显然，HashSet、HashMap并不是非常好的选择 是否存在时间复杂度低、占用内存较少的方案？ 布隆过滤器（Boolm Filter） 1970年由布隆提出 它是一个空间效率高的概率型数据结构，可以用来告诉你：一个元素一定不存在或者可能存在 优缺点 优点：空间效率和查询时间都远远超过一般的算法 缺点：有一定的误判率、删除困难 它实质上是一个很长的二进制向量和一系列随机映射函数（Hash函数） 常见应用 网页黑名单系统、垃圾邮件过滤系统、爬虫的网站判重系统、解决缓存穿透问题 原理 假设布隆过滤器由20位二进制、3个哈希函数组成，每个元素经过哈希函数处理都能生成一个索引位置 添加元素：将每一个哈希函数生成的索引位置都设为1 查询元素是否存在 如果一个哈希函数生成的索引位置不为1，就代表不存在（100%准确） 如果一个哈希函数生成的索引位置都为1，就代表存在（存在一定的误判率） 添加、查询的时间复杂度都是：O(k)，k是哈希函数的个数。 空间复杂度是：O(m)，m是二进制位的个数 误判率

阅读目录 equals()方法详解 hashcode() 方法详解 Hashset、Hashmap、Hashtable与hashcode()和Equals()的密切关系 java.lang.Object类中有两个非常重要的方法： public boolean equals(Object obj) public int hashCode() Object类是类继承结构的基础，所以是每一个类的父类。所有的对象，包括数组，都实现了在Object类中定义的方法。 equals()方法详解 equals()方法是用来判断其他的对象是否和该对象相等. equals()方法在object类中定义如下： public boolean equals(Object obj) { return (this == obj); } 很明显是对两个对象的地址值进行的比较（即比较引用是否相同）。但是我们知道，String 、Math、Integer、Double等这些封装类在使用equals()方法时，已经覆盖了object类的equals()方法。 比如在String类中如下： public boolean equals(Object anObject) { if (this == anObject) { return true; } if (anObject instanceof String) {

welcome to my blog LeetCode Top Interview Questions 387. First Unique Character in a String (Java版; Easy) 题目描述 Given a string, find the first non-repeating character in it and return it's index. If it doesn't exist, return -1. Examples: s = "leetcode" return 0. s = "loveleetcode", return 2. Note: You may assume the string contain only lowercase letters. 第一次做;bit-map记录每个字符出现的次数, 位置信息在原始字符串中; 下面的那个做法在处理位置信息时愚蠢了… class Solution { public int firstUniqChar ( String s ) { if ( s == null || s . length ( ) == 0 ) return - 1 ; // int [ ] arr = new int [ 26 ] ; for ( int i = 0 ; i < s . length ( ) ; i +

Rust语言最强大的一个特点就是可以创建和利用宏/Macro。不过创建Rust宏看起来挺复杂，常常令刚接触Rust的开发者心生畏惧。这片文章的目的就是帮助你理解Rust Macro的基本运作原理，学习如何创建自己的Rust宏。 相关链接： 在线学编程 1、什么是Rust的宏/Macro？ 如果你尝试过Rust，应该已经用过Rust的宏了： println! 。这个宏可以在终端输出一行文本，并且支持变量的插值。 简单地说，Rust宏让你可以发明自己的语法，编写出可以自行展开的代码，也就是我们通常所说的 元编程 ，你甚至可以用Rust宏来创作自己的DSL。 Rust宏的基本运作机制就是：首先匹配宏规则中定义的模式，然后将匹配结果绑定到变量，最后展开变量替换后的代码。 不理解也没有关系，让我们继续看。 2、如果创建Rust宏/Macro？ 可以使用Rust预置的 macro_rules! 宏来创建一个新的Rust宏。 下图展示了如何创建一个空白的Rust宏： hey! ，这个宏什么功能也没有，我们现在只关注它的结构： () => {} 看起来很神秘，因为它不是标准的rust语法，是macro_rules!这个宏自己发明的，用来表示一条宏规则， => 左边是匹配模式，右边是等待展开的代码： 左边的小括号部分是Rust宏的匹配器/Matcher，用来匹配模式并捕捉变量

众所周知，散列表是一种十分重要的数据结构，接下来就从各个方面分析下跟散列表相关的问题。主要解决什么是散列表，散列冲突的解决方法， 以及各种方法的优缺点。 概览图： 什么是散列表？ 散列表（Hash table，也叫哈希表），是根据关键码值(Key value)而直接进行访问的数据结构，是数组的衍生体。 散列表的用途？ 也就是说，散列表通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。这个映射函数叫做散列函数，存放记录的数组叫做散列表。 给定表M，存在函数f(key)，对任意给定的关键字值key，代入函数后若能得到包含该关键字的记录在表中的地址，则称表M为哈希(Hash）表，函数f(key)为哈希(Hash) 函数。 如何设计散列函数？ 散列函数的基本要求： 散列函数计算得到的散列值是一个非负整数； 如果 key1 = key2，那 hash(key1) == hash(key2)； 如果 key1 ≠ key2，那 hash(key1) ≠ hash(key2)； 函数需要足够简单，复杂的函数，在计算过程中需要消耗过多的cpu资源； 该函数计算结果 需要随机并且分布均匀； 我来解释一下这三点。 其中，第一点理解起来应该没有任何问题。因为数组下标是从 0 开始的，所以散列函数生成的散列值也要是非负整数。 第二点也很好理解。相同的 key

索引类型 MongDB的索引分为以下几种类型：单键索引、复合索引、多键索引、地理空间索引、全文本索引和哈希索引 单键索引(Single Field Indexes) 在一个键上创建的索引就是单键索引，单键索引是最常见的索引，如MongoDB默认创建的_id的索引就是单键索引。 例子： { "_id" : ObjectId(...), "name" : "Alice", "score" : 27 } 如果要在如上的文档中创建单键索引，语句如下： db.users.ensureIndex( { "score" : 1 } ) 其存储结构如下图： 如果想要在子文档的一个键上建立单键索引，其例子如下： { "_id": ObjectId(...), "name": "John Doe", "address": { "street": "Main", "zipcode": "53511", "state": "WI" } } 结构如上，其创建语句如下： db.users.ensureIndex( { "address.zipcode": 1 } ) 如果想要在整个子文档上建立单键索引，其例子如下： { _id: ObjectId(...), metro: { city: "New York", state: "NY" }, name: "Giant Factory" } 结构如上

模拟散列表 维护一个集合，支持如下几种操作： “I x”，插入一个数x； “Q x”，询问数x是否在集合中出现过； 现在要进行N次操作，对于每个询问操作输出对应的结果。 输入格式 第一行包含整数N，表示操作数量。 接下来N行，每行包含一个操作指令，操作指令为”I x”，”Q x”中的一种。 输出格式 对于每个询问指令“Q x”，输出一个询问结果，如果x在集合中出现过，则输出“Yes”，否则输出“No”。 每个结果占一行。 数据范围 1 ≤N≤ 105 − 109 ≤x≤ 109 输入样例： 5 I 1 I 2 I 3 Q 2 Q 5 输出样例： Yes No 代码1（拉链法）： # include <iostream> # include <cstring> using namespace std ; const int N = 100003 ; int n ; int h [ N ] , e [ N ] , ne [ N ] , idx ; void insert ( int x ) { int t = ( x % N + N ) % N ; //将余数转化为正数（C++中负数的余数为负数） e [ idx ] = x ; ne [ idx ] = h [ t ] ; h [ t ] = idx ++ ; } bool find ( int x ) { int t = ( x %