如何判断set集合元素能否重复存取 C#的get和set？
C#的get和set？
Getset是用来扩展域的，也就是C中的变量，但是使用起来更灵活。请看下面的代码:
使用系统
publicclasscls
{
Privat
set集合是有序的吗？
是
S
如何理解Python中的集合和字典？
字典和集合是高度优化的数据结构，特别是对于查找、添加和删除操作。本节将通过示例介绍它们在特定场景中的性能，并将它们与列表等其他数据结构进行比较。
例如，有一个存储产品信息(产品ID、名称和价格)的列表，现在的需求是借助产品ID找出价格。实现代码如下:
定义查找_产品_价格(产品，product_id):
对于id，products:的价格
如果我是product_id:
退货价格
不返回
产品[
(111, 100),
(222, 30),
(333, 150)
]
打印(产品222的价格是{}。格式(find_product_price(products，222)))
运行结果如下:
产品222的价格是30英镑
在上述方案的基础上，如果链表有n个元素，由于搜索过程需要遍历链表，那么最坏情况下的时间复杂度为O(n)。即使先对列表进行排序，再使用二分搜索法算法，也要O(logn)时间复杂度，更不用说O(nlogn)时间对列表进行排序了。
但是如果用字典来存储这些数据，那么查找会非常方便高效，只需要O(1)的时间复杂度就可以完成，因为直接通过键的哈希值就可以找到。不遍历字典，实现代码如下:
产品{
111: 100，
222: 30，
333: 150
}
打印(产品222的价格是{}。格式(产品[222])
运行结果如下:
产品222的价格是30英镑
有些读者可能对时间复杂性没有直观的理解。它不 没关系。我再给你举个例子。在下面的代码中，初始化100，000个元素的产品，分别计算使用list和set统计产品价格数量的运行时间:
#统计时间需要使用时间模块中的函数，就知道了。
导入时间
def find_unique_price_using_list(products):
唯一价格列表[]
对于_，products:的价格# A
如果价格不在unique_pric: # B
唯一价格(价格)
return len(唯一价格列表)
id[范围(0，100000)中x的x]
价格[x对x，在范围(200000，300000)内]
产品列表(邮政编码(id，价格))
#计算列表版本的时间
start_using_list _counter()
查找_唯一_价格_使用_列表(产品)
end_using_list _count: { }打印(经过的时间)。格式(结束使用列表开始使用列表)
#使用集合做同样的工作
def find_unique_price_using_set(products):
unique_price_set集合()
对于_，products:的价格
唯一价格e_(价格)
return len(唯一价格集)
#计算集合版本的时间
启动使用设置计数器()
查找_唯一_价格_使用_集合(产品)
end_using_set _count: { }打印(经过的时间)。格式(结束使用设置-开始使用设置)
运行结果如下:
使用list: 68的时间流逝。56866 . 66666666667
使用s: 0.01表示时间流逝。58660.08888888861
可见两者在只有10万条数据的情况下，速度相差如此之大。而企业的后台数据往往是几亿甚至几十亿的量级。因此，如果使用不合适的数据结构，很容易导致服务器崩溃，不仅影响用户体验，还会给公司带来巨大的财产损失。
那么，为什么字典和收藏的效率如此之高，尤其是查找、插入和删除的操作？
字典和收藏的工作原理。
字典和集合的效率与其内部数据结构密切相关。与其他数据结构不同，字典和集合的内部结构是哈希表:
对于字典来说，这个表存储三个元素:散列、键和值。
对于集合，哈希表中只存储一个元素。
对于以前版本的Python，其哈希表结构如下:
|哈希值(哈希)键值(值)
。|...
0 |哈希0键0值0
。|...
1 | hash1 k:·迈克，dob: 1999-01-01，g:男}
然后，它将以类似于下面的形式存储:
条目[
[ - , - , - ]
[-230273521，出生日期，1999年1月1日]，
[ - , - , - ],
[ - , - , - ],
[1231236123，那我，迈克]，
[ - , - , - ],
[9371539127，性别，男]
]
显然，这是对存储空间的极大浪费。为了提高存储空间的利用率，目前的哈希表除了字典本身的结构之外，还会将索引与哈希值、键和值分开，就是下面这种结构:
指数
-
无|索引|无|无|索引|无|索引...
-
进入
-
哈希0键0值0
-
hash1 key1值1
-
hash2键2值2
-
...
-
在此基础上，上述字典在新哈希表结构下的存储形式为:
索引[无，1，无，无，0，无，2]
条目[
[1231236123，姓名，迈克]，
[-230273521，出生日期，1999年1月1日]，
[9371539127，性别，男]
]
通过对比可以发现，空间利用率有了很大的提高。
明确具体的设计结构，然后分析如何使用哈希表完成数据的插入、查找和删除。
哈希表插入数据
在向字典中插入数据时，Python会先根据键(通过hash(key)函数)计算出相应的哈希值，而在向集合中插入数据时，Python会根据元素本身(通过hash (value)函数)计算出相应的哈希值。
例如:
dic {nam:1}
打印(哈希(名称))
s《哈希表详解》一节中详细了解。
哈希表查找数据
在哈希表中查找数据类似于插入操作。Python会根据哈希值找到元素在哈希表中应该存放的位置，然后将其哈希值和key与该位置的元素进行比较(集合直接比较元素值):
如果它们相等，就证明找到了；
另一方面证明了元素存储的时候遇到了哈希，需要继续用原来的方法解决哈希，直到找到元素或者找到空位。
这里发现的空白意味着目标元素没有存储在哈希表中。
哈希表删除元素
对于删除操作，Python会临时给这个位置的元素赋一个特殊值，然后在哈希表调整大小时删除它。
应该注意的是，哈希的发生通常会降低字典和集合操作的速度。因此，为了保证其效率，集合中的字典和哈希表通常会保证至少留有1/3的剩余空间。随着元素的不断插入，当剩余空间不足1/3时，Python会重新获得更多的内存空间并扩展哈希表，同时表中所有的元素位置都会重新排出。
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
