代码随想录八股训练营第三十六天| C++
前言
一、push_back()和emplace_back()的区别?
1.1.push_back():
1.2.emplace_back():
1.3.区别总结:
1.4.使用场景:
二、map dequeu list 的实现原理?
2.1.std::map:
2.2. std::deque:
2.3. std::list:
2.4. 区别总结:
总结
前言
在C++编程中,选择合适的容器对于优化程序性能和内存使用至关重要。std::vector
、std::map
、std::deque
和std::list
是C++标准库中常用的几种容器,它们各自具有独特的特性和适用场景。理解这些容器的实现原理和操作方法,可以帮助开发者更加高效地使用它们。本文将详细探讨push_back()
和emplace_back()
的区别,以及std::map
、std::deque
和std::list
的实现原理。
一、push_back()和emplace_back()的区别?
在C++标准库中,push_back()
和emplace_back()
都是用于向容器(如std::vector
、std::list
等)的末尾添加元素的成员函数。它们的主要区别在于元素的添加方式:
1.1.push_back():
push_back()
函数接受一个元素作为参数,这个元素可以是一个对象、一个对象的拷贝或者是一个对象的移动引用。- 当你使用
push_back()
时,如果传入的是一个对象的拷贝,那么这个对象会被拷贝构造到容器中。如果传入的是一个对象的移动引用,那么这个对象会被移动构造到容器中。
container.push_back(value);
1.2.emplace_back():
emplace_back()
函数接受一个或多个参数,这些参数将被用来就地(in-place)构造一个元素,即直接在容器的内存空间中构造元素,而不需要先构造一个临时对象再拷贝或移动。emplace_back()
通常用于避免不必要的拷贝或移动操作,提高效率。
container.emplace_back(arg1, arg2, ...);
1.3.区别总结:
push_back()
总是涉及到对象的拷贝或移动,而emplace_back()
则直接在容器的内存中构造对象。emplace_back()
通常比push_back()
更高效,因为它避免了额外的拷贝或移动操作。emplace_back()
允许使用初始化列表来构造对象,这在某些情况下非常有用,比如当你需要构造一个对象,而这个对象的构造函数不接受单独的参数时。
1.4.使用场景:
vector
通常在内存使用上更紧凑,因为它是一个连续的存储块。list
由于每个元素都需要额外的空间来存储指针(至少两个指针,指向前一个和后一个元素),因此内存使用上不如vector
紧凑。
std::vector<int> vec;
vec.push_back(10); // 拷贝或移动10到vec中
vec.emplace_back(20); // 直接在vec中构造一个值为20的int对象
二、map dequeu list 的实现原理?
在C++标准库中,std::map
、std::deque
和std::list
是三种不同的容器,它们各自有不同的实现原理和数据结构:
2.1.std::map:
- 数据结构:
std::map
通常是基于红黑树实现的。红黑树是一种自平衡的二叉搜索树,它保证了树的平衡性,使得最坏情况下的查找、插入和删除操作的时间复杂度为O(log n)。 - 元素存储: 每个节点存储一个键值对(
std::pair<const Key, T>
),其中键是唯一的,并且按照键的顺序自动排序。 - 操作: 插入、删除和查找操作都是通过对红黑树进行相应的树操作来完成的,如旋转和重新着色。
2.2. std::deque:
- 数据结构:
std::deque
(double-ended queue)通常由一个或多个动态数组(也称为块)和一个指向这些数组的指针数组组成。每个动态数组可以存储固定数量的元素。 - 元素存储: 元素可以存储在这些动态数组中的任意位置,
std::deque
维护了指向这些数组的指针,以及每个数组中元素的起始和结束位置。 - 操作: 在两端插入和删除元素是非常高效的,因为可以在常数时间内完成,不需要移动其他元素。但是,如果需要在中间位置插入或删除元素,则可能需要移动多个元素,这在最坏情况下的时间复杂度为O(n)。
2.3. std::list:
- 数据结构:
std::list
是一个双向链表。每个节点包含一个元素和两个指针,分别指向前一个节点和后一个节点。 - 元素存储: 元素在链表中按顺序存储,每个元素都通过指针与前一个和后一个元素相连。
- 操作: 插入和删除操作非常高效,因为只需要修改相邻节点的指针。这些操作的时间复杂度为O(1),前提是你已经有了要插入或删除位置的迭代器。查找特定元素需要从头开始遍历链表,直到找到目标元素,因此查找操作的时间复杂度为O(n)。
2.4. 区别总结:
std::map
提供了基于键的快速查找和有序存储,但不支持在中间位置的高效插入和删除。std::deque
提供了在两端的快速插入和删除,以及随机访问能力,但不支持基于键的查找。std::list
提供了高效的插入和删除操作,无论位置如何,但不支持随机访问和基于键的查找。
总结
本文首先分析了push_back()
和emplace_back()
这两种向容器添加元素的方法。push_back()
通过拷贝或移动对象来添加元素,而emplace_back()
则直接在容器内存中构造对象,避免了不必要的拷贝或移动,从而提高了效率。接着,文章深入探讨了std::map
、std::deque
和std::list
三种容器的实现原理和数据结构。std::map
基于红黑树,提供了基于键的快速查找和有序存储;std::deque
由动态数组组成,支持两端的快速插入和删除;std::list
则是一个双向链表,提供了高效的插入和删除操作。每种容器都有其特定的使用场景和性能特点,选择合适的容器对于提高程序的效率和性能至关重要。
相关文章:
代码随想录八股训练营第三十六天| C++
前言 一、push_back()和emplace_back()的区别? 1.1.push_back(): 1.2.emplace_back(): 1.3.区别总结: 1.4.使用场景: 二、map dequeu list 的实现原理? 2.1.std::map: 2.2. std::deque: 2.3. std::list: 2.4. 区别总结: 总结 前言…...

学习计算机网络
a类0~127,b类128~191,c类192~223 网络地址:看子网掩码,分网络位和主机位,后面是主机位,主机位全部为0,网络地址。 直接广播地址:看子网掩码,分网络位和主机位ÿ…...

Django发送邮件
【图书介绍】《Django 5企业级Web应用开发实战(视频教学版)》_django 5企业级web应用开发实战(视频教学版)-CSDN博客 Django 5框架Web应用开发_夏天又到了的博客-CSDN博客 本文学习怎么使用Django发送邮件。 尽管使用Python的smtplib模块发送电子邮件…...

T7:咖啡豆识别
T7:咖啡豆识别 **一、前期工作**1.设置GPU,导入库2.导入数据3.查看数据 **二、数据预处理**1.加载数据2.可视化数据3.配置数据集 **三、构建CNN网络模型**1、手动搭建2、直接调用官方模型 **四、编译模型****五、训练模型****六、模型评估****七、预测**八、暂时总结…...

【MATLAB】FIR滤波器的MATLAB实现
FIR滤波器的MATLAB实现 FIR滤波器的设计fir1函数fir2函数 与IIR滤波器相比,FIR滤波器既有其优势也有其局限性。FIR滤波器的主要优点包括: 精确的线性相位响应;永远保持稳定性;设计方法通常是线性的;在硬件实现中具有更…...

【RabbitMQ之一:windows环境下安装RabbitMQ】
目录 一、下载并安装Erlang1、下载Erlang2、安装Erlang3、配置环境变量4、验证erlang是否安装成功 二、下载并安装RabbitMQ1、下载RabbitMQ2、安装RabbitMQ3、配置环境变量4、验证RabbitMQ是否安装成功5、启动RabbitMQ服务(安装后服务默认自启动) 三、安…...

ISO26262和Aspice之间的关联
ASPICE 介绍: ASPICE(Automotive Software Process Improvement and Capability dEtermination)是汽车软件过程改进及能力评定的模型,它侧重于汽车软件的开发过程。ASPICE 定义了一系列的过程和活动,包括需求管理、软…...

对极约束及其性质 —— 公式详细推导
Title: 对极约束及其性质 —— 公式详细推导 文章目录 前言1. 对极约束 (Epipolar Constraint)2. 坐标转换 (Coordinate Transformations)3. 像素坐标 (Pixel Coordinates)4. 像素坐标转换 (Transformations of Pixel Coordinates)5. 本质矩阵 (Essential Matrix)6. 线坐标 (Co…...
【论文精读】SCINet-基于降采样和交互学习的时序卷积模型
《SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction》的作者团队来自香港中文大学,发表在NeurIPS 2022会议上。 动机 该论文的出发点是观察到时间序列数据具有独特的属性:即使在将时间序列下采样成两个子序列后,时间关系(例如数据…...

深度学习与大模型第1课环境搭建
文章目录 深度学习与大模型第1课环境搭建1. 安装 Anaconda2. 修改环境变量2.1 修改 .condarc 文件2.2 使用 Anaconda Prompt 修改环境变量 3. 新建 .ipynb 文件 机器学习基础编程:常见问题: 深度学习与大模型第1课 环境搭建 1. 安装 Anaconda 首先&am…...

JDK新特性
LTS Record jdk16 不是方法 是一个定 # Sealed Class/Interface jdk17 限制只能由某些类继承 CompletableFuture jkd8 PatternMatching of instanceOf jdk16 switch expressions jdk14 Stream.collect() Collector Collector API Collector.groupBy Collector实战 1. …...
数据处理与数据填充在Pandas中的应用
在数据分析和机器学习项目中,数据处理是至关重要的一步。Pandas作为Python中用于数据分析和操作的一个强大库,提供了丰富的功能来处理和清洗数据。本文将深入探讨Pandas在数据处理,特别是数据填充方面的应用。 在实际的数据集中,…...
【百日算法计划】:每日一题,见证成长(010)
题目 合并两个排序的链表 输入两个递增排序的链表,合并这两个链表并使新链表中的节点仍然是递增排序的 示例1: 输入:1->2->4, 1->3->4 输出:1->1->2->3->4->4 思路 引入一个带虚拟头结点和tail指针的…...

【WPF】WPF学习之【二】布局学习
WPF布局学习 常用布局Grid网格布局StackPanel 布局CanvasDockPanel布局WrapPanel布局 常用布局 1、StackPanel: 学习如何使用StackPanel进行垂直和水平布局。 2、Grid: 掌握Grid的网格布局技术。 3、Canvas: 了解Canvas的绝对定位布局。 4、DockPanel: 学习DockPanel的停靠…...

KEIL中编译51程序 算法计算异常的疑问
KEIL开发 51 单片机程序 算法处理过程中遇到的问题 ...... by 矜辰所致前言 因为产品的更新换代, 把所有温湿度传感器都换成 SHT40 ,替换以前的 SHT21。在 STM32 系列产品上的替换都正常,但是在一块 51 内核的无线产品上面,数据…...

pikachu文件包含漏洞靶场
本地文件包含 1、先随意进行提交 可以得出是GET传参 可以在filename参数进行文件包含 2、准备一个2.jpg文件 内容为<?php phpinfo();?> 3、上传2.jpg文件 4、访问文件保存的路径uploads/2.jpg 5、将我们上传的文件包含进来 使用../返回上级目录 来进行包含木马文件 …...

基于DPU与SmartNIC的K8s Service解决方案
1. 方案背景 1.1. Kubernetes Service介绍 Kubernetes Service是Kubernetes中的一个核心概念,它定义了一种抽象,用于表示一组提供相同功能的Pods(容器组)的逻辑集合,并提供了一种方式让这些Pods能够被系统内的其他组…...

SLM561A系列 60V 10mA到50mA线性恒流LED驱动芯片 为智能家居照明注入新活力
SLM561A系列选型参考: SLM561A10ae-7G SOD123 SLM561A15ae-7G SOD123 SLM561A20ae-7G SOD123 SLM561A25ae-7G SOD123 SLM561A30ae-7G SOD123 SLM561A35ae-7G SOD123 SLM561A40ae-7G SOD123 SLM561A45ae-7G SOD123 SLM561A50ae-7G SOD123 …...
Requests库对session的支持
场景:如何获取登录时响应消息中的sessionid,以及如何在后续请求中把sessionid添到cookie中 Requests库提供了一个Session类,通过requests库中的session对象,requests库会自动帮我们保存服务端返回的cookie数据(set-cookie里的内容…...

利用深度学习实现验证码识别-2-使用Python导出ONNX模型并在Java中调用实现验证码识别
1. Python部分:导出ONNX模型 首先,我们需要在Python中定义并导出一个已经训练好的验证码识别模型。以下是完整的Python代码: import string import torch import torch.nn as nn import torch.nn.functional as FCHAR_SET string.digits# …...

SpringBoot-17-MyBatis动态SQL标签之常用标签
文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…...
conda相比python好处
Conda 作为 Python 的环境和包管理工具,相比原生 Python 生态(如 pip 虚拟环境)有许多独特优势,尤其在多项目管理、依赖处理和跨平台兼容性等方面表现更优。以下是 Conda 的核心好处: 一、一站式环境管理:…...
Oracle查询表空间大小
1 查询数据库中所有的表空间以及表空间所占空间的大小 SELECTtablespace_name,sum( bytes ) / 1024 / 1024 FROMdba_data_files GROUP BYtablespace_name; 2 Oracle查询表空间大小及每个表所占空间的大小 SELECTtablespace_name,file_id,file_name,round( bytes / ( 1024 …...

Cilium动手实验室: 精通之旅---20.Isovalent Enterprise for Cilium: Zero Trust Visibility
Cilium动手实验室: 精通之旅---20.Isovalent Enterprise for Cilium: Zero Trust Visibility 1. 实验室环境1.1 实验室环境1.2 小测试 2. The Endor System2.1 部署应用2.2 检查现有策略 3. Cilium 策略实体3.1 创建 allow-all 网络策略3.2 在 Hubble CLI 中验证网络策略源3.3 …...
Golang dig框架与GraphQL的完美结合
将 Go 的 Dig 依赖注入框架与 GraphQL 结合使用,可以显著提升应用程序的可维护性、可测试性以及灵活性。 Dig 是一个强大的依赖注入容器,能够帮助开发者更好地管理复杂的依赖关系,而 GraphQL 则是一种用于 API 的查询语言,能够提…...
TRS收益互换:跨境资本流动的金融创新工具与系统化解决方案
一、TRS收益互换的本质与业务逻辑 (一)概念解析 TRS(Total Return Swap)收益互换是一种金融衍生工具,指交易双方约定在未来一定期限内,基于特定资产或指数的表现进行现金流交换的协议。其核心特征包括&am…...
C++中string流知识详解和示例
一、概览与类体系 C 提供三种基于内存字符串的流,定义在 <sstream> 中: std::istringstream:输入流,从已有字符串中读取并解析。std::ostringstream:输出流,向内部缓冲区写入内容,最终取…...
GitHub 趋势日报 (2025年06月08日)
📊 由 TrendForge 系统生成 | 🌐 https://trendforge.devlive.org/ 🌐 本日报中的项目描述已自动翻译为中文 📈 今日获星趋势图 今日获星趋势图 884 cognee 566 dify 414 HumanSystemOptimization 414 omni-tools 321 note-gen …...
Caliper 配置文件解析:config.yaml
Caliper 是一个区块链性能基准测试工具,用于评估不同区块链平台的性能。下面我将详细解释你提供的 fisco-bcos.json 文件结构,并说明它与 config.yaml 文件的关系。 fisco-bcos.json 文件解析 这个文件是针对 FISCO-BCOS 区块链网络的 Caliper 配置文件,主要包含以下几个部…...

【论文阅读28】-CNN-BiLSTM-Attention-(2024)
本文把滑坡位移序列拆开、筛优质因子,再用 CNN-BiLSTM-Attention 来动态预测每个子序列,最后重构出总位移,预测效果超越传统模型。 文章目录 1 引言2 方法2.1 位移时间序列加性模型2.2 变分模态分解 (VMD) 具体步骤2.3.1 样本熵(S…...