一、Map 和 Set 的简介
1、Set 和 Map
Map 和 Set 是集合类框架学习的最后一部分。Map 和 Set 都是接口，需要通过 TreeSet、HashSet 和 TreeMap、HashMap 实例化。注意，Set 实现了 Collection，Map 并没有。
Set 存放的是键（Key），必须唯一；而 Map 存放的是键值对（Key-Value），Value可以不唯一。
2、Set 和 Map 的应用场景
应用于需要搜索的场景。我们常用的搜索方法有：
- 遍历。（大数据量时，效率低，O(N)）。
- 二分查找。（效率较高，O(logN)，但要求数据有序）。
以上两种适用于静态数据的搜索，比如，用二分查找搜索动态数据，每次更改数据值都会使数据重新排序，导致效率低下。动态数据的搜索场景适合用 Set 和 Map，一是效率高，最高达 O(logN) 或 O(1)；二是动态扩展性能良好，能自动调整内部结构，保持原有性质。
3、Map 的使用
3.1、Map.Entry<K, V>
内部类，相当于二叉树中的 Node。
属性：
提供的方法：获取 key、value，设置 value，重写的 equals、toString、hashCode。
3.2、常用方法
补充：HashMap 不是线程安全的，currentHashMap 是线程安全的。
4、Set 的使用
4.1、常用方法
4.2、其它
- Set 的底层是 Map，TreeSet 中默认 value 是 Object 对象插入TreeMap。
- LinkedHashSet 是在 HashSet 的基础上，维护一个双向链表记录元素的插入顺序或访问顺序，使 HashSet 可以按照这个顺序迭代。
二、二叉搜索树
1、什么是二叉搜索树
- 左子树所有结点小于根结点。
- 右子树所有结点大于根结点。
- 所有子树都满足以上条件。
2、二叉搜索树的性能
如果搜索 key，从 root 开始判断，比 root.val 小直接往左走，比 root.val 小直接往右走。对于完全二叉搜索树来说，最差时间复杂度是树高 O(logN)；对于极度不平衡的二叉搜索树来说，最差时间复杂度是 O(N)，相当于遍历了所有结点。
因此，我们希望二叉搜索树尽量平衡。在源码中，TreeMap 和 TreeSet 的底层是用红黑树实现的，红黑树能通过各种操作使二叉搜索树平衡（高度差≤1）。
3、实现简单的二叉搜索树（不考虑平衡）
3.1、属性
public class BinarySearchTree {static class TreeNode {int val;TreeNode left;TreeNode right;public TreeNode(int val) {this.val = val;}}private TreeNode root;......
}3.2、查找
- 子树为空，结束查找，未找到，返回 null。
- key 与子树根值相同，返回根。
- key 与子树根值不相同：若 key 比子树根值小，继续查找子树的左子树；若 key 比子树根值大，继续查找子树的右子树。
public TreeNode search(int key) {TreeNode curRoot = root; // 当前子树根节点while (curRoot!= null) {if (key == curRoot.val) { // 找到return curRoot;}else if (key < curRoot.val) { // 继续查找左子树curRoot = curRoot.left;}else {curRoot = curRoot.right; // 继续查找右子树}}return null; // 没有找到}3.3、插入
- 树为空，新结点作为根。
- 比子树根小，插入到左子树中。
- 比子树根大，插入到右子树中。
- 子树为空，插入为其父结点的孩子节点。若空树是父节点的左子树（key 比父节点小），插入为左孩子；若空树是父节点的右子树（key 比父节点大），插入为右孩子。
public void insert(int val) {TreeNode newNode = new TreeNode(val);if (root == null) { // 树为空，直接插入为根节点root = newNode;return;}TreeNode preRoot = null; // 记录父节点TreeNode curRoot = root;while (curRoot!= null) {if (val == curRoot.val) { // 已经存在，不再插入return;} else if (val < curRoot.val) { // 插入左子树preRoot = curRoot;curRoot = curRoot.left;} else { // 插入右子树preRoot = curRoot;curRoot = curRoot.right;}}if (val < preRoot.val) { // 插入为父节点的左子树preRoot.left = newNode;} else { // 插入为父节点的右子树preRoot.right = newNode;}}3.4、删除
- 空树，不需要删除。
- search，找到需要删除的节点 node。
- 如果 node 没有左孩子，右孩子替换 node 。node 为树根，右孩子作为树根；node 不为树根，node 的父节点接 node 的右孩子。
- 如果 node 没有右孩子，左孩子替换 node 。node 为树根，左孩子作为树根；node 不为树根，node 的父节点接 node 的左孩子。
- 如果 node 有左右孩子，找到 node 的左子树中的最大节点（最深的一个右孩子）或者右子树中的最小节点（最深的一个左孩子），替换 node。
情况1，delete 不是 parent：parent 的 left 接 target 的 right。
情况2，delete 是 parent：parent 的 right 接 target 的 right。
public void delete(int val) {
// if (root == null) { // 树为空，不再删除
// return;
// }// 找到待删除节点TreeNode preRoot = null; // 记录待删除节点的父节点TreeNode curRoot = root;while (curRoot!= null) {if (val == curRoot.val) { // 找到待删除节点break;} else if (val < curRoot.val) { // 继续查找左子树preRoot = curRoot;curRoot = curRoot.left;} else { // 继续查找右子树preRoot = curRoot;curRoot = curRoot.right;}}if (curRoot == null) { // 待删除节点不存在，包含树空的情况return;}deleteNode(curRoot, preRoot);}private void deleteNode(TreeNode node, TreeNode preNode) {// 待删除节点左子树为空if (node.left == null) {if(root == node) { // 待删除节点是根节点root = node.right;} else if (preNode.left == node) { // 待删除节点是父节点的左子树preNode.left = node.right;} else { // 待删除节点是父节点的右子树preNode.right = node.right;}return;}// 待删除节点右子树为空if (node.right == null) {if(root == node) { // 待删除节点是根节点root = node.left;} else if (preNode.left == node) { // 待删除节点是父节点的左子树preNode.left = node.left;} else { // 待删除节点是父节点的右子树preNode.right = node.left;}return;}// 待删除节点左右子树均不为空// 找到右子树的最小值，用最小值替换待删除节点，并删除最小值TreeNode parent = node;TreeNode target = node.right;// 找到右子树中最深的左孩子 target，即最小值while (target.left != null) {parent = target;target = target.left;}// 最小值替换待删除节点node.val = target.val;// 情况1：target 是右子树的根if (parent == node) {parent.right = target.right;} else { // 情况2：target 是右子树的孩子parent.left = target.right;}}3.5、性能分析
插入、删除操作都要经历搜索操作，因此查找效率 O(logN) 代表了二叉搜索树各个操作的性能。
三、哈希表
3.1、什么是哈希表
通过哈希函数，输入 key 计算 value 的存放位置，通过这种哈希方法构造的结构就叫哈希表（散列表）。因为只需要计算一次哈希函数，所以删除、插入、搜索操作都是 O(1)。
3.2、哈希冲突
3.2.1、什么是哈希冲突
不同的 key，通过哈希函数，得到相同的映射。哈希冲突是必然发生的，我们需要尽可能降低哈希冲突发生的概率。
3.2.2、如何避免哈希冲突
- 设计合理的哈希函数：地址值域应包含映射值域；映射值分布均匀；比较简单。
常见的哈希函数：
① 直接定址法：hash(key) = a*key+b，根据 key 的分布确定线性函数。
② 除留余数法：hash(key) = key % p，p ≤ m 且尽量接近 m 的质数，m 是地址范围大小。
- 调节负载因子：负载因子 = 填入表中的元素个数 / 散列表长度。冲突率与负载因子的增减趋势一致，想降低冲突率，就要降低负载因子。数据是必须要添加的，因此只能增加散列表长度。在源码中，负载因子超过一定值，就会自动扩容哈希表。
3.2.3、如何解决哈希冲突
当冲突发生，我们要解决冲突，让每个元素都能填入。
- 闭散列地址法（开放）：冲突发生，表未满，找下一个空位置。
① 线性探测法：从冲突位置开始，依次往后找第一个空位置，插入元素。
缺点：容易造成冲突元素堆积；不能随意删除，需要设置伪删除标记。
② 二次探测法：Hash_i(key) = (Hash_0 ± i^2) % m，m 为散列表大小，i 为冲突次数。
缺点：虽然冲突堆积更分散，但还是会造成堆积。
散列表优点：不使用额外数据结构（链表）。
- 开散列（哈希桶 / 链地址法）：同映射的 key 为一个集合（桶），用链表串起来。源码用的哈希桶。
- 冲突严重时，一个桶的搜索效率不佳（太多元素堆积）。当桶超过一定长度，可以将这个桶转为搜索树或者哈希表。
3.3、实现简单的哈希桶
3.3.1、属性
public class HashBucket {static class Node {int key;int value;Node next;public Node(int key, int value) {this.key = key;this.value = value;}}public Node[] arr = new Node[10];public int usedSize; // 已有元素数量public static final float LOAD_FACTOR = 0.75f; // 装载因子阈值......
}3.3.2、添加元素
// 哈希函数public int hash(int key) {return key % arr.length;}// 计算负载因子public float loadFactor() {return (float) usedSize / arr.length;}// 扩容public void resize() {Node[] newArr = new Node[arr.length * 2]; // 扩容为原数组的两倍// 遍历原数组，将元素添加到新数组中for (Node node : arr) {Node curr = node;while (curr != null) {int newIndex = hash(curr.key); // 计算新索引位置// 头插法，将元素添加到新数组中Node next = curr.next;curr.next = newArr[newIndex];newArr[newIndex] = curr;curr = next;}}arr = newArr;}// 添加元素public void add(int key, int value) {int index = hash(key); // 计算索引位置Node newNode = new Node(key, value);// 如果该位置为空，则直接添加if (arr[index] == null) {arr[index] = newNode;} else { // 如果该位置不为空，则遍历链表，找到对应的key，更新valueNode curr = arr[index];while (curr.next!= null) {if (curr.key == key) {curr.value = value;return;}curr = curr.next;}// 如果遍历完链表，没有找到对应的key，则添加到链表尾部curr.next = newNode;}usedSize++;// 如果已有元素数量超过负载因子阈值，则扩容，目的是降低冲突概率if (loadFactor() >= LOAD_FACTOR) {resize();}}3.3.3、根据 key 查找 value
public int get(int key) {int index = hash(key); // 计算索引位置Node curr = arr[index];// 遍历链表，找到对应的key，返回valuewhile (curr!= null) {if (curr.key == key) {return curr.value;}curr = curr.next;}return -1; // 没有找到对应的key}3.3.4、删除元素
public void delete(int key) {int index = hash(key); // 计算索引位置Node curr = arr[index];Node prev = null;// 遍历链表，找到对应的key，删除节点while (curr!= null) {if (curr.key == key) {if (prev == null) { // 如果是头节点，则直接删除arr[index] = curr.next;} else { // 如果不是头节点，则将前节点的next指针指向当前节点的next指针prev.next = curr.next;}usedSize--;return;}prev = curr;curr = curr.next;}}3.3.5、泛型版
public class HashBucket2<K, V> {static class Node<K, V> {K key;V value;Node<K, V> next;public Node(K key, V value) {this.key = key;this.value = value;}}public Node<K, V>[] arr = (Node<K, V>[])new Node[10];public int usedSize; // 已有元素数量public static final float LOAD_FACTOR = 0.75f; // 装载因子阈值// 哈希函数public int hash(K key) {return key.hashCode() % arr.length;}// 计算负载因子public float loadFactor() {return (float) usedSize / arr.length;}// 扩容public void resize() {Node<K, V>[] newArr = (Node<K, V>[])new Node[arr.length * 2]; // 扩容为原数组的两倍// 遍历原数组，将元素添加到新数组中for (Node<K, V> node : arr) {Node<K, V> curr = node;while (curr != null) {int newIndex = hash(curr.key); // 计算新索引位置// 头插法，将元素添加到新数组中Node<K, V> next = curr.next;curr.next = newArr[newIndex];newArr[newIndex] = curr;curr = next;}}arr = newArr;}// 添加元素public void add(K key, V value) {int index = hash(key); // 计算索引位置Node<K, V> newNode = new Node<>(key, value);// 如果该位置为空，则直接添加if (arr[index] == null) {arr[index] = newNode;} else { // 如果该位置不为空，则遍历链表，找到对应的key，更新valueNode<K, V> curr = arr[index];while (curr.next!= null) {if (curr.key.equals(key)) {curr.value = value;return;}curr = curr.next;}// 如果遍历完链表，没有找到对应的key，则添加到链表尾部curr.next = newNode;}usedSize++;// 如果已有元素数量超过负载因子阈值，则扩容，目的是降低冲突概率if (loadFactor() >= LOAD_FACTOR) {resize();}}// 根据key查找valuepublic V get(K key) {int index = hash(key); // 计算索引位置Node<K, V> curr = arr[index];// 遍历链表，找到对应的key，返回valuewhile (curr!= null) {if (curr.key.equals(key)) {return curr.value;}curr = curr.next;}return null; // 没有找到对应的key}// 删除元素public void delete(K key) {int index = hash(key); // 计算索引位置Node<K, V> curr = arr[index];Node<K, V> prev = null;// 遍历链表，找到对应的key，删除节点while (curr!= null) {if (curr.key.equals(key)) {if (prev == null) { // 如果是头节点，则直接删除arr[index] = curr.next;} else { // 如果不是头节点，则将前节点的next指针指向当前节点的next指针prev.next = curr.next;}usedSize--;return;}prev = curr;curr = curr.next;}}
}
重点：
- 类型改成泛型。
- key 的哈希编码使用 hashCode 计算。
- key 的比较使用 equals。
四、二叉搜索树和哈希表的对比
| TreeSet / TreeMap | HashSet / HashMap | |
| key 大小是否有序 | 有序 | 无序 |
| 底层实现 | 红黑树 | 哈希桶 |
| 比较与重写 | key 必须能够比较（自定义类重写 compareTo 或者传入自定义比较器，重写了 compare）。 | 自定义类必须重写 equals 和 hashCode |
五、源码阅读
5.1、属性
5.2、哈希编码
5.3、构造函数
5.4、添加一个键值对
更错：(n-1) & hash 等价于 hash % arr.length。
5.5、扩容
5.6、树化
5.7、关键点总结
- 通过扩容代码得知，调用无参构造方法，第一次 put 添加元素，会分配 16 大小的内存。
- 通过扩容代码得知，正常扩容的情况，每次 2 倍扩容。
- 通过添加键值对的代码得知，链表转化为红黑树的第一个条件是，链表长度达到 8。
- 通过树化的代码得知，链表转化为红黑树的第二个条件是，数组容量达到 64。
六、OJ 题练习
6.1、只出现一次的数
136. 只出现一次的数字 - 力扣（LeetCode）
思路：遍历所有元素，不存在就添加，存在就删除，最后剩下的就是单身狗。使用 HashSet，它的搜索、删除、添加操作都是 O(1) 的复杂度，遍历一边就是 O(N)。
class Solution {public int singleNumber(int[] nums) {HashSet<Integer> set = new HashSet<>();// 遍历数组for(int num : nums) {// 如果不存在于 set，添加if(!set.contains(num)) {set.add(num);} else { // 存在则删除set.remove(num);}}// set 中剩下的那个就是单身狗return set.toArray(new Integer[0])[0];}
}6.2、随机链表的复制
138. 随机链表的复制 - 力扣（LeetCode）
思路：
1、遍历一遍链表，记录当前节点的上一个节点，创建好当前节点后，用记录好的上一个节点与当前节点连接起来。但是 random 是随机的，无法在第一遍中复制。如果再遍历一次，依然无法直接复制 random，除非先找到旧 random，再计算当前节点与 random 节点的距离，最后根据距离找到新节点的 random 节点。非常麻烦。
2、将旧、新节点绑定为键值对（遍历一次），再通过搜索旧节点（next 和 random）找到绑定的新节点（第二次遍历）。使用HashMap实现。注：节点的地址是唯一的，可作key。
/*
// Definition for a Node.
class Node {int val;Node next;Node random;public Node(int val) {this.val = val;this.next = null;this.random = null;}
}
*/class Solution {public Node copyRandomList(Node head) {Map<Node, Node> map = new HashMap<>();// 遍历旧链表，创建新节点，并与旧节点绑定Node tmp = head;while(tmp != null) {Node newNode = new Node(tmp.val);map.put(tmp, newNode);tmp = tmp.next;}// 遍历旧链表，搜索 map 中的旧 next 和 random 节点，找到对应的新节点，并连接tmp = head;Node newHead = map.get(tmp);Node newTmp = newHead;while(tmp != null) {newTmp.next = map.get(tmp.next);newTmp.random = map.get(tmp.random);tmp = tmp.next;newTmp = newTmp.next;}return newHead;}
}6.3、宝石和石头
771. 宝石与石头 - 力扣（LeetCode）
思路：遍历宝石，放入 set（宝石唯一，不需要重复，且便于后面进行搜索）。遍历石头，存在于 set 就计数。
class Solution {public int numJewelsInStones(String jewels, String stones) {Set<Character> set = new HashSet<>();int cnt = 0;// 宝石放入 setfor(int i = 0; i < jewels.length(); i++) {set.add(jewels.charAt(i));}// 遍历石头，是宝石的就计数for(int i = 0; i < stones.length(); i++) {char ch = stones.charAt(i);if(set.contains(ch)) {cnt++;}}return cnt;}
}6.4、坏键盘
旧键盘 (20)__牛客网
<br/> 是换行，不管。第一行是应该输入，第二行是实际输入。
思路：英文字母坏键只输出大写，将输入转为大写。用 set 存放实际输入，让字符无重复，便于搜索（类似于宝石/实际输入和石头/应该输入）。遍历应该输入，不存在于 set 的就是坏键。不同于宝石和石头的是，坏键不能重复，用 set 存（需要搜索坏键是否已存）。
import java.util.Scanner;
import java.util.Set;
import java.util.HashSet;public class Main {public static void main(String[] args) {Scanner in = new Scanner(System.in);while (in.hasNextLine()) { // 注意 while 处理多个 caseString str1 = in.nextLine(); // 应该输入String str2 = in.nextLine(); // 实际输入// 实际输入转大写放入 setSet<Character> set = new HashSet<>();for(char ch : str2.toUpperCase().toCharArray()) {set.add(ch);}// 遍历应该输入（转大写），在 set 中搜索是否存在，不存在的是坏键盘，放入无重复的 brokenSetSet<Character> brokenSet = new HashSet<>();for(char ch : str1.toUpperCase().toCharArray()) {if(!set.contains(ch) && !brokenSet.contains(ch)) {brokenSet.add(ch);System.out.print(ch);}}}}
}6.5、二叉搜索树转双向链表
二叉搜索树与双向链表_牛客题霸_牛客网
分析：中序遍历，把打印改成调整节点。需要记录调整的前一个结点 preNode，调整当前节点时，与 preNode 连接起来。
public class Solution {private TreeNode head;private TreeNode pre;public TreeNode Convert(TreeNode pRootOfTree) {Convert2(pRootOfTree);return head;}public void Convert2(TreeNode pRootOfTree) {// 空树，不调整if (pRootOfTree == null){return;}Convert(pRootOfTree.left); // 遍历左子树// 调整结点if (pre == null) { // 当前节点是头节点，没有 prehead = pRootOfTree;} else {pRootOfTree.left = pre;pre.right = pRootOfTree;}pre = pRootOfTree; // 更新 preConvert(pRootOfTree.right); // 遍历右子树}
}6.6、前 K 个高频单词
692. 前K个高频单词 - 力扣（LeetCode）
分析：单词（不可重复）和计数（可重复）为键值对，使用 HashMap。遍历数组，map 不存在该单词，添加，计数；存在，仅计数。k-top 大算法，使用优先级队列，建立小根堆，大小为 k。大的入堆，计数不同时，计数多的优先；计数相同时，字典排序小的字符串优先。
public List<String> topKFrequent(String[] words, int k) {// 建立HashMap，并遍历数组，计数Map<String, Integer> map = new HashMap<>();for(String word : words) {// 不存在，添加并默认计数 0+1=1// 存在，仅自增1map.put(word, map.getOrDefault(word, 0)+1); }// k-top 大，k 大小的优先级队列// 小根堆。计数不等，计数小的优先；计数相等，字典排序大的优先Comparator<Map.Entry<String, Integer>> comparator = (a, b) -> !a.getValue().equals(b.getValue())? a.getValue()-b.getValue() : b.getKey().compareTo(a.getKey());Queue<Map.Entry<String, Integer>> queue = new PriorityQueue<>(k, comparator);// map 中前 k 个入队// map 不可以 forEach 迭代，转为 set 可迭代for(Map.Entry<String, Integer> entry : map.entrySet()) {if(queue.size() < k) {queue.offer(entry);} else {// 比堆顶大的就删掉堆顶，入队if(comparator.compare(entry, queue.peek()) > 0) {queue.poll();queue.offer(entry);}}}// 前 K 大出队，单词包装成 list，升序List<String> list = new ArrayList<>(k);while(!queue.isEmpty()) {list.add(queue.poll().getKey());}// 降序Collections.reverse(list);return list;}6.7、存在重复元素
217. 存在重复元素 - 力扣（LeetCode）
分析：遍历一遍，使用 Set 存储。该数字存在，直接返回 true；不存在，就添加。遍历结束了都没有重复的，返回 false。
public boolean containsDuplicate(int[] nums) {Set<Integer> set = new HashSet<>();for(int num : nums) {if(set.contains(num)) {return true;}set.add(num);}return false;}6.8、存在重复元素Ⅱ
219. 存在重复元素 II - 力扣（LeetCode）
分析：遍历一遍，使用 Map 存储，value 是索引。该数字存在，且索引值满足条件，直接返回 true；不存在，就添加。遍历结束了都没有重复的，返回 false。
public boolean containsNearbyDuplicate(int[] nums, int k) {Map<Integer, Integer> map = new HashMap<>();int index = 0;for(int j = 0; j < nums.length; j++) {if(map.containsKey(nums[j]) && Math.abs(map.get(nums[j]) - j) <= k) {return true;}map.put(nums[j], index++);}return false;}
