[常用数据结构和算法]结构体定义typedefstruct用法详解和用法小结
[常用数据结构和算法]结构体定义 typedefstruct用法详解和用法小结 篇一:结构体定义typedefstruct用法详解和用法小结 typedef是类型定义的意思。typedef struct是为了使用这个结构体方 便。 具体区别在于: 若struct node{ }这样来定义结构体的话。在定义node的结构体变 量时,需要这样写:struct node n; 若用 typedef,可以这样写:typedef struct node{ }NODE; □在申请 变量时即可这样写:NODEn淇实就相当于NODE是node的别名。 区别就在于使用时,是否可以省去struct这个关键字。 1首先: 在C中定义1个结构体类型时如果要用typedef: typedef struct Student { } Stu, student; 于是在声明变量之际就可:Stu stul;或者:student stu2; 如果没有typedef即: struct Student { int no; char name[12]; }Stu; 就必须用 struct Student stul;或者 struct Stu stul;来声明 另外这里也可以不写Student typedef struct { int no; char name[12]; }Stu; 2其次: 在c++中如果用typedef的话,又会造成区别: struct Student { }stul;//stul 是 1 个变量 typedef struct Student2 { int no; char name[12]; }stu2;//stu2是1个结构体类型,即stu2是Student2的别名 使用时可以直接访问stul.no 但是stu2则必须先定义stu2 s2; 然后 s2.no=10; 篇二:19常用大数据量、海量数据处理方法总结 ?大数据量的问题是很多面试笔试中经常出现的问题,比如 baidu goog le腾讯 这样的一些涉及到海量数据的公司经常会问到。 下面的方法是我对海量数据的处理方法进行了一个一般性的 总结,当然这些方法可能并不能完全覆盖所有的问题,但是这样的一 些方法也基本可以处理绝大多数遇到的问题。下面的一些问题基本直 接 1 .Bloom filter 适用范围:可以用来实现数据字典,进行数据的判重,或者集 合求交集 基本原理及要点: 对于原理来说很简单,位数组+k个独立hash函数。将hash函 数对应的值的位数组置1,查找时如果发现所有hash函数对应位都是 1说明存在,很明显这个过程并不保证查找的结果是100%正确的。 同时也不支持删除一个已经插入的关键字,因为该关键字对应的位会 牵动到其他的关键字。所以一个简单的改进就是counting Bloom filter,用一个counter数组代替位数组,就可以支持删除了。 还有一个比较重要的问题,如何根据输入元素个数n,确定位 数组m的大小及hash函数个数。当hash函数个数k=*时错误率最小。 在错误率不大于E的情况下,m至少要等于n*lg才能表示任 意n个元素的集合。但m还应该更大些,因为还要保证bit数 组里至少一半为0,则m应该〉=nlg*lge大概就是nig 1.44倍。 举个例子我们假设错误率为0.01,则此时m应大概是n的13 倍。这样k大概是8个。 注意这里m与n的单位不同,m是bit为单位,而n则是以元 素个数为单位。通常单个元素的长度都是有很多bit的。所以使用 bloom filter内存上通常都是节省的。 扩展: Bloom filter将集合中的元素映射到位数组中,用k个映射位是 否全1表示元素在不在这个集合中。Counting bloom filter将位数组中 的每一位扩展为一个counter,从而支持了元素的删除操作。Spectral Bloom Filter将其与集合元素的出现次数关联。SBF采用counter中的 最小值来近似表示元素的出现频率。 问题实例:给你A,B两个文件,各存放50亿条URL,每条URL 占用64字节,内存限制是4G,让你找出A,B文件共同的URL。如 果是三个乃至n个文件呢? 根据这个问题我们来计算下内存的占用,4G=2大概是40亿*8 大概是340亿,n=50亿,如果按出错率0.01算需要的大概是650亿 个 bito现在可用的是340亿,相差并不多,这样可能会使出错率 上升些。另外如果这些urlip是一一对应的,就可以转换成ip,则大 大简单了。 2. Hashing 适用范围:快速查找,删除的基本数据结构,通常需要总数据 量可以放入内存 基本原理及要点: hash函数选择,针对字符串,整数,排列,具体相应的hash 方法。碰撞处理,一种是open hashing,也称为拉链法;另一种就是 closed hashing, 也称开地址法,opened addressing□ 扩展: d-left hashing中的d是多个的意思,我们先简化这个问题,看 一看2-left hashing□ 2-left hashing指的是将一个哈希表分成长度相等 的两半,分别叫做T1和T2,给T1和T2分别配备一个哈希函数, hl和h 2o在存储一个新的key时,同时用两个哈希函数进行计算, 得出两个地址hl [key]和h2[key]。这时需要检查T1中的hl [key]位置 和T2中的h2[key]位置,哪一个位置已经存储的key比较多,然后将 新key存储在负载少的位置。如果两边一样多,比如两个位置都为空 或者都存储了一个key,就把新key存储在左边的T1子表中,2-left 也由此而来。在查找一个key时,必须进行两次hash,同时查找两个 位置。 问题实例: 1)•海量日志数据,提取出某日访问百度次数最多的那个IP。 IP的数目还是有限的,最多2个,所以可以考虑使用hash将 ip直接存入内存,然后进行统计。 3 .bit-map 适用范围:可进行数据的快速查找,判重,删除,一般来说数 据范围是int的10倍以下 基本原理及要点:使用bit数组来表示某些元素是否存在,比 如8位电话号码 扩展:bloom filter可以看做是对bit-map的扩展 问题实例: 1) 已知某个文件内包含一些电话号码,每个号码为8位数字, 统计不同号码的个数。 8位最多99 999 999,大概需要99m个bit,大概10几m字节 的内存即可。 2) 2.5亿个整数中找出不重复的整数的个数,内存空间不足以容 纳这2.5亿个整数。 将bit-map扩展一下,用2bit表示一个数即可,0表示未出现, 1表示出现一次,2表示出现2次及以上。或者我们不用2bit来进行 表示,我们用两个bit-map即可模拟实现这个2bit-map。 4•堆 适用范围:海量数据前n大,并且n比较小,堆可以放入内存 基本原理及要点:最大堆求前n小,最小堆求前n大。方法, 比如求前n小,我们比较当