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。