遇到的问题，都有解决方案，希望我的博客能为您提供一点帮助。
一、无序关联容器概述
无序关联容器（如 unordered_set、unordered_map、unordered_multiset、unordered_multimap）基于 哈希表（Hash Table） 实现，与有序关联容器（如 set、map）的核心区别在于：
- 无序性：元素不按特定顺序存储，而是通过哈希函数快速定位。
- 时间复杂度：平均时间复杂度为 O(1)（理想情况下），最坏情况为 O(n)（哈希冲突严重时）。
1. 哈希表结构
无序关联容器的底层是一个 动态数组（桶数组），每个桶（Bucket）存储一个链表或另一哈希结构（如红黑树）来处理冲突。
- 桶数组：初始大小为默认值（如 8），随元素插入动态扩容。
- 哈希函数：将键（Key）映射为桶索引：
index = hash(key) % bucket_count();
结构示例：
Bucket 0: Key1 → Key2 → nullptr
Bucket 1: Key3 → nullptr
Bucket 2: nullptr
...
Bucket N: Key4 → Key5 → nullptr2. 冲突解决策略
C++标准库采用 链地址法（Separate Chaining）：
- 每个桶维护一个链表（单链表），哈希冲突时，元素追加到链表尾部。
- 示例：插入键
"apple"和"apply"（假设哈希值相同）：桶数组索引：3 → 链表节点1: "apple" → 链表节点2: "apply"
3. 负载因子（Load Factor）与扩容
- 负载因子：
load_factor = size() / bucket_count()。 - 定义：
负载因子 = 元素数量 / 桶数量。 - 默认阈值：1.0（超过时触发扩容）。
- 扩容触发条件：当
load_factor > max_load_factor（默认 1.0）时，触发rehash。 - 扩容机制：
- 创建新的桶数组（大小通常为质数，约为原大小的两倍）。
- 对所有元素重新计算哈希值，并插入新桶。
- 旧桶链表节点被逐个移动到新桶（无需重建元素对象）。
4、无序容器的优势与使用场景
4.1. 优势
- 性能优势：哈希表在理想情况下（低冲突）提供常数时间操作，适合高频操作。
- 简化代码：无需定义关键字的比较运算符（仅需哈希函数和
==）。
4.2. 何时选择无序容器？
- 关键字类型无自然顺序（如 UUID、随机生成的数据）。
- 性能测试表明哈希技术能显著提升效率。
- 无需维护元素顺序，且希望减少插入/查找时间。
二、无序容器的操作与示例
1、支持的操作
无序容器提供与有序容器相同的接口，包括：
- 插入：
insert、emplace - 查找：
find、count - 删除：
erase - 遍历：迭代器（但顺序不确定）
2、STL中的无序容器接口
2.1. 容器定义
#include <unordered_set>
#include <unordered_map>
// 定义示例
std::unordered_set<int> uset; // 唯一键集合
std::unordered_map<std::string, int> umap; // 键值对集合
std::unordered_multiset<int> umset; // 允许重复键的集合
std::unordered_multimap<std::string, int> ummap; // 允许重复键的键值对集合2.2. 插入元素
-
insert：插入键或键值对，返回是否成功（对unordered_set/map）。 -
emplace：直接构造元素，避免拷贝。 -
operator[]（仅unordered_map）：若键不存在，插入默认值；存在则返回引用。
示例：
umap.insert({"apple", 5}); // 插入键值对
umap.emplace("banana", 3); // 直接构造元素
umap["orange"] = 8; // 使用operator[]插入或修改2.3. 查找元素
-
find：返回指向元素的迭代器，未找到返回end()。 -
count：返回键的出现次数（对multi容器有效）。 -
equal_range：返回匹配键的范围迭代器对。
示例：
auto it = umap.find("apple");
if (it != umap.end()) {
std::cout << "Found: " << it->second << std::endl;
}
size_t cnt = ummap.count("apple"); // 统计键出现的次数2.4. 删除元素
-
erase：通过迭代器、键或范围删除元素。 -
clear：清空所有元素。
示例：
umap.erase("apple"); // 删除键为"apple"的元素
auto it = umap.find("banana");
if (it != umap.end()) {
umap.erase(it); // 通过迭代器删除
}
umap.clear(); // 清空容器2.5. 桶管理接口
-
bucket_count()：返回当前桶的数量。 -
bucket_size(n)：返回第n个桶中的元素数量。 -
bucket(key)：返回键所在的桶索引。
2.5.1. 桶接口
| 函数 | 作用 |
|---|---|
c.bucket_count() | 返回当前使用的桶数量（非最大值）。 |
c.max_bucket_count() | 返回容器支持的最大桶数量（受实现或内存限制）。 |
c.bucket_size(n) | 返回第 n 个桶中的元素数量（用于检查桶负载情况）。 |
c.bucket(k) | 返回键 k 所在的桶索引（用于定位元素分布）。 |
2.5.2. 桶迭代
| 类型/函数 | 作用 |
|---|---|
local_iterator | 遍历单个桶元素的迭代器（非 const 版本）。 |
const_local_iterator | 遍历单个桶元素的常量迭代器（不可修改元素）。 |
c.begin(n), c.end(n) | 返回第 n 个桶的起始和结束迭代器（用于遍历桶内元素）。 |
c.cbegin(n), c.cend(n) | 返回第 n 个桶的常量起始和结束迭代器。 |
size_t buckets = umap.bucket_count();
size_t bucket_idx = umap.bucket("apple");
size_t elements_in_bucket = umap.bucket_size(bucket_idx);2.5.3. 哈希策略
| 函数/操作 | 作用 |
|---|---|
c.load_factor() | 返回当前平均每个桶的元素数量（size() / bucket_count()）。 |
c.max_load_factor() | 返回容器试图维持的最大负载因子（默认通常为 1.0）。 |
c.rehash(n) | 重组哈希表，使桶数量至少为 n，并满足 bucket_count > size() / max_load_factor。 |
c.reserve(n) | 预留空间，使容器可保存 n 个元素而无需 rehash（自动调整桶数量）。 |
关键逻辑：
-
当
load_factor() > max_load_factor()时，容器自动增加桶数量（触发rehash）。 -
rehash(n)强制重组哈希表，适用于预知元素数量增长的场景。 -
reserve(n)等价于rehash(ceil(n / max_load_factor()))，避免频繁重组。
三、自定义哈希与比较函数
1. 自定义哈希函数
为自定义类型作为键时，需提供哈希函数。哈希函数需满足：
-
相同输入产生相同哈希值。
-
不同输入尽可能产生不同哈希值（减少冲突）。
示例：
struct Person {
std::string name;
int age;
};
// 自定义哈希函数
struct PersonHash {
size_t operator()(const Person& p) const {
return std::hash<std::string>()(p.name) ^ std::hash<int>()(p.age);
}
};
std::unordered_set<Person, PersonHash> person_set;2. 自定义相等比较
默认使用operator==，可自定义相等谓词。
struct PersonEqual {
bool operator()(const Person& a, const Person& b) const {
return a.name == b.name && a.age == b.age;
}
};
std::unordered_set<Person, PersonHash, PersonEqual> person_set;3. 使用std::hash组合（C++17）
通过组合多个哈希值，减少冲突概率。
template <typename T>
void hash_combine(size_t& seed, const T& val) {
seed ^= std::hash<T>()(val) + 0x9e3779b9 + (seed << 6) + (seed >> 2);
}
struct PersonHash {
size_t operator()(const Person& p) const {
size_t seed = 0;
hash_combine(seed, p.name);
hash_combine(seed, p.age);
return seed;
}
};四、性能优化
1. 优化策略
-
预分配桶数量：减少重哈希次数。
std::unordered_map<std::string, int> umap(1000); // 初始1000个桶
-
调整最大负载因子：平衡内存与性能。
umap.max_load_factor(0.75); // 负载因子超过0.75时触发重哈希
-
预留空间：提前分配足够桶。
umap.reserve(5000); // 预留至少5000个元素的空间
2. 注意事项
-
哈希函数质量：差的哈希函数导致频繁冲突，性能下降。
-
键的不可变性：插入后修改键可能导致容器状态不一致。
-
迭代器失效：
-
插入可能触发重哈希，使所有迭代器失效。
-
删除仅使被删元素的迭代器失效。
-
五、对比有序关联容器
| 特性 | 无序关联容器 | 有序关联容器 |
|---|---|---|
| 底层实现 | 哈希表 | 红黑树 |
| 时间复杂度 | 平均O(1)，最坏O(n) | 稳定O(log n) |
| 元素顺序 | 无序 | 按键升序排列 |
| 内存占用 | 较高（桶数组+链表） | 较低（树节点） |
| 自定义排序 | 仅哈希函数和相等比较 | 支持自定义比较函数 |
| 适用场景 | 快速查找，不关心顺序 | 需要有序遍历或范围查询 |
六、实际应用示例
1. 统计单词频率
std::unordered_map<std::string, int> word_count;
std::string word;
while (std::cin >> word) {
++word_count[word];
}
// 输出结果（无序）
for (const auto& [word, count] : word_count) {
std::cout << word << ": " << count << std::endl;
}2. 实现LRU缓存
template <typename Key, typename Value>
class LRUCache {
private:
using List = std::list<std::pair<Key, Value>>;
using Map = std::unordered_map<Key, typename List::iterator>;
List lru_list;
Map cache_map;
size_t capacity;
public:
LRUCache(size_t cap) : capacity(cap) {}
Value* get(const Key& key) {
auto it = cache_map.find(key);
if (it == cache_map.end()) return nullptr;
// 移动访问项到链表头部
lru_list.splice(lru_list.begin(), lru_list, it->second);
return &(it->second->second);
}
void put(const Key& key, const Value& value) {
auto it = cache_map.find(key);
if (it != cache_map.end()) {
// 更新现有项并移至头部
lru_list.erase(it->second);
}
// 插入新项到头部
lru_list.emplace_front(key, value);
cache_map[key] = lru_list.begin();
// 超出容量则移除尾部
if (cache_map.size() > capacity) {
cache_map.erase(lru_list.back().first);
lru_list.pop_back();
}
}
};
