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与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
查看>>
OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
查看>>
OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
查看>>
OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
查看>>
OpenCV与AI深度学习 | 深入浅出了解OCR识别票据原理
查看>>
OpenCV与AI深度学习 | 深度学习检测小目标常用方法
查看>>
OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
查看>>
OpenCV与AI深度学习 | 高效开源的OCR工具:Surya-OCR介绍与使用
查看>>
OpenCV与AI深度学习|16个含源码和数据集的计算机视觉实战项目(建议收藏!)
查看>>