博客
关于我
C++ STL之map与unordered_map
阅读量:815 次
发布时间:2019-03-25

本文共 669 字,大约阅读时间需要 2 分钟。

map是STL中的一个关联容器,它提供了一对一的数据处理能力。每个key可以在map中仅出现一次,而value则与对应的key配对。map内部使用红黑树进行管理,这种树是一种平衡二叉树,能够保证key的数据是有序排列的。在操作方面,map支持插入、查询、删除等功能,其时间复杂度均为O(logN)。为了使用map,需要为key定义operator<,从而实现比较操作。

unordered_map与map类似,但并不保证key的顺序。其内部使用哈希表来存储信息。不同之处在于,unordered_map根据key的哈希值来组织元素存储,即key的大小和顺序无关。为了使用unordered_map,需要定义hash_value函数并重载operator==,以便哈希表能够正确比较元素。unordered_map的底层采用了哈希表的实现方法,其优点是能够在常数时间内完成查找和存储操作,时间复杂度为O(1),这使得它在大数据量下表现尤为优异。然而,哈希表需要使用较多的内存空间来存储大量的哈希表单元(通常是一个大型的数组)。

哈希表的基本原理是使用一个下标范围较大的数组作为存储介质。根据key的值,设计一个哈希函数可以将key映射到一个函数值(即数组中的下标),从而找到对应的存储位置。这种方法被称为直接定址。然而,由于哈希函数可能会导致不同key计算出相同的函数值,引发冲突,这就需要哈希表的解决冲突机制。在解决冲突方面,拉链法是最常用的技术。它通过将多个溢出链(称为拉链)挂接在单链表的头部,来将不同的key映射到同一个哈希表单元。

转载地址:http://rmsyk.baihongyu.com/

你可能感兴趣的文章
Opencv——模块介绍
查看>>
OpenCV与AI深度学习 | 2024年AI初学者需要掌握的热门技能有哪些?
查看>>
OpenCV与AI深度学习 | CIB-SE-YOLOv8: 优化的YOLOv8, 用于施工现场的安全设备实时检测 !
查看>>
OpenCV与AI深度学习 | CoTracker3:用于卓越点跟踪的最新 AI 模型
查看>>
OpenCV与AI深度学习 | OpenCV中八种不同的目标追踪算法
查看>>
OpenCV与AI深度学习 | OpenCV图像拼接--Stitching detailed使用与参数介绍
查看>>
OpenCV与AI深度学习 | OpenCV如何读取仪表中的指针刻度
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(一) :直接拼接
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(三):基于特征匹配拼接
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(二) :基于模板匹配拼接
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(四):基于Stitcher类拼接
查看>>
OpenCV与AI深度学习 | OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测(建议收藏!)
查看>>
OpenCV与AI深度学习 | PaddleOCR 2.9 发布, 正式开源文本图像智能分析利器
查看>>
OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | T-Rex Label !超震撼 AI 自动标注工具,开箱即用、检测一切
查看>>
OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
查看>>
OpenCV与AI深度学习 | YOLOv10在PyTorch和OpenVINO中推理对比
查看>>
OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
查看>>
OpenCV与AI深度学习 | YOLOv8自定义数据集训练实现火焰和烟雾检测(代码+数据集!)
查看>>
OpenCV与AI深度学习 | YOLOv8重磅升级,新增旋转目标检测,又该学习了!
查看>>