目录
1.哈希映射
1.1哈希的概念
1.2哈希冲突
1.3哈希函数
1.31直接定值法
1.32除留余数法
2.解决哈希冲突
2.1闭散列法
2.11线性探测
2.12二次探测
3代码实现
3.1状态：
3.2创建哈希节点类
3.21哈希表扩容：
3.3数据插入
3.4查找与删除
3.5仿函数
完整cpp表
4.开散列哈希桶
4.1概念
4.2仿函数
4.3哈希桶结点构建
4.4哈希桶的查找和删除
4.5哈希桶的插入
- 在顺序结构以及平衡树中，元素关键码与其存储位置之间没有对应的关系，因此在查找一个元素时，必须要经过关键码的多次比较。顺序查找时间复杂度为O(N)，平衡树中为树的高度，即O(logN)，搜索的效率决于搜索过程中元素的比较次数。
- 理想的搜索方法：可以不经过任何比较，一次直接从表中得到要搜索的元素。 如果构造一种存储结构，通过某种函数(hashFunc)使元素的存储位置与它的关键码之间能够建立一一映射的关系，那么在查找时通过该函数可以很快找到该元素。
当向该结构中：
- 插入元素：根据待插入元素的关键码，以此函数计算出该元素的存储位置并按此位置进行存放
- 搜索元素：对元素的关键码进行同样的计算，把求得的函数值当做元素的存储位置，在结构中按此位置取元素比较，若关键码相等，则搜索成功
该方式即为哈希(散列)方法，哈希方法中使用的转换函数称为哈希(散列)函数，构造出来的结构称为哈希表(Hash Table)(或者称散列表)。
unordered_map和unordered_set的底层就是哈希来实现的，它是无序的。
- Hash（key）=key%capacity。
聪明的小伙伴已经找到矛盾了，如果说再添加一个数据5，那他存那？
所以这种方式建立起来的映射就十分的不合理，所以我们要改进。
哈希设计的原则：
- 哈希函数的定义域必须包括需要存储的全部关键码，而如果散列表允许有m个地址时，其值域必须在0到m-1之间。
- 哈希函数计算出来的地址能均匀分布在整个空间中。
- 哈希函数应比较简单。
1.31直接定值法
取关键字的某个线性函数为散列地址：Hash(key)= A*key + B
优点：简单，速度快，节省空间，查找key O(1)的时间复杂度
缺点：当数据范围大时会浪费空间，不能处理浮点数，字符串数据
使用场景：适用于整数，数据范围比较集中
1.32除留余数法
把数据映射到有限的空间里面。设散列表中允许的地址数为m，取一个不大于m，但最接近或者等于m的质数p作为除数，按照哈希函数：Hash(key) = key% p(p<=m)，将key转换成哈希地址。
哈希函数设计的越精妙，产生哈希冲突的可能性就越低，但是无法避免哈希冲突。
看1.1节的例子
解决哈希冲突最常用的方法是闭散列和开散列。
闭散列：也叫开放定址法，当发生哈希冲突时，如果哈希表未被装满，说明在哈希表中必然还有空位置，那么可以把key存放到冲突位置中的“下一个” 空位置中去。
但是咋去找下一个空位置才是最关键的？
2.11线性探测
线性探测：从发生冲突的位置开始，依次向后探测，直到寻找到下一个空位置为止。
- 插入：通过哈希函数获取待插入元素在哈希表中的位置。如果该位置中没有元素则直接插入新元素，如果该位置中有元素发生哈希冲突，使用线性探测找到下一个空位置，插入新元素。
- 删除：采用闭散列处理哈希冲突时，不能随便物理删除哈希表中已有的元素，否则会影响其他元素的搜索。比如删除元素1，如果直接删除掉，11查找起来可能会受影响。因此线性探测采用标记的伪删除法来删除一个元素。
给每个位置一个标记，用空、存在、删除3种状态来区分。
- 负载因子 = 存储的有效数据个数/空间的大小 。
- 负载因子越大，冲突的概率越高，增删查改效率越低。
- 负载因子越小，冲突的概率越低，增删查改的效率越高，但是空间利用率低，浪费多。
- 负载因子 <1，就能保证发生哈希冲突时一定能找到空位置。
线性探测的优缺点:
- 线性探测优点：实现非常简单。
- 线性探测缺点：一旦发生哈希冲突，所有的冲突连在一起，容易产生数据“堆积”，即：不同关键码占据了可利用的空位置，使得寻找某关键码的位置需要许多次比较，导致搜索效率降低。
2.12二次探测
二次探测改进了一些线性探测，但是也就那样，这里我就不给太多画面了。
所谓的二次探测我们可以理解为飞跃式，线性是一个一个找空位置，二次就是跳着找。
方法：hash(key) + i^2
hash(11)=11%10+0*2=1,但是1的位置被占了，所以变成hash(11)+1*2,如果这个位置是空的就放进去，不是的话，i继续加。
状态：这里需要三种状态：空，已占用，已删除
如果只用有/没有来代表状态，那删除一个数据后，这个位置就是空的，那就不会再遍历了，但是它后面还有数据的话就存在问题了，所以我们用已删除这个状态来表示的话，还可以遍历后面的数据。
- 查找：当数据是1时，直接映射到下标1处，此时该位置的状态是EXIST，数据是11时，映射到下标1处，但是已经有1了所以++往后找空位置找到后状态更新为EXIST。
- 删除：删除1，找11，当删除1后，状态更新为DELETE，查找11时下标发现状态是DELETE时会继续往后移动，然后找到11.
3.21哈希表扩容：
当插入的数据较多，而哈希表较短时，就要考虑到扩容，但是哈希的扩容不简单，因为一扩容，下标就变了，那很多数据的映射后的位置就变了。
现在的11在下标11处，就不在2处了。
所以我们在上面提到了负载因子： 填入表中的元素个数 / 散列表的长度
由于散列表的长度一定，所以负载因子和表中的元素个数成正比。元素个数越多，哈希冲突越大，所以我们一般将负载因子定在0.7~0.8，在代码中我们就定在0.7。
插入时我们再介绍。
插入的详细步骤：
- 去除重复：
- 插入的值可能 已经存在，所以用用Find先进行查找
- 找到就返回false,没找到在插入。
- 空间扩容：
- 如果表是空的就给10个空间，否则扩大2倍。
- 建立一个新哈希表，把旧表的值插入到新表
- 探测找位
- 如果位置的状态是EXIST,继续往后移
- 找到空位置后，插入，状态变为存在，_n++。
在1.0版本中我注意两个细节：
- hashi为啥要模size而不是capacity?
计算机开辟了20个空间，只存储10个数据，但是只能让计算机在前十个空间存，要不一旦用空的空间，遍历时遇到后就不在往后进行了。所以开的空间一般和数据个数一致。
- while循环中为啥要加一步hashi%=_table.size()?
比如我们开了20个空间，下标16以后都存满了但是前面还有位置，但是我们存一个37，那他就一直找位置，直到找到19，然后就出这个哈希表了，所以要让他返回到表上再到下标靠前的位置去找。
接下来就要开辟空间了。但是这个可不简单。
当插入的数据较多，而哈希表较短时，就要考虑到扩容，但是哈希的扩容不简单，因为一扩容，下标就变了，那很多数据的映射后的位置就变了。
现在的11在下标11处，就不在2处了。
所以我们在上面提到了负载因子： 填入表中的元素个数 / 散列表的长度
由于散列表的长度一定，所以负载因子和表中的元素个数成正比。元素个数越多，哈希冲突越大，所以我们一般将负载因子定在0.7~0.8，在代码中我们就定在0.7。
在这里我们就要重新建一个哈希表。
如果哈希表中已经有插入的值时，我们就要去除冗杂，用find函数。
查找的大致思路和插入的很接近，这里就不在重复了。
删除时，我们直接把要删除的数据状态改成DELETE就行了，甚至内部的数据都不用删除。
这里的取模用的都是整数，那如果数据是浮点型？更甚至是字符串怎么搞？所依我们就要用到仿函数来进行类型转换。
完整cpp表
开散列也叫拉链法：先对所有key用散列函数计算散列地址，把有相同地址的key每个key都作为一个桶，通过单链表链接在哈希表中。
此时的表里面存储一个链表指针，就是把冲突的数据通过链表的形式挂起来。
它的算法公式：hash(key)=key%capacity
这里的插入可以是头插也可以是尾插，插入时是无序的。
也就是说哈希桶的根本是一个指针数组，哈希桶的每一个位置存的都是一个链表指针。
这个指针数组里的每一个元素都是结点指针，并且头插的效率比较高。
这次我们先弄模板来将其他类型转换为size_t。
因为是指针数组，所以结点中的成员变量多了一个指向下一个桶的指针。
这里的查找删除操作和上面的如出一辙，但是哈希桶的存储是链表的形式，所以会和链表的相关操作很接近。
- 去除重复：
- 插入的值可能 已经存在，所以用用Find先进行查找
- 找到就返回false,没找到再进行插入。
- 空间扩容：
- 如果负载因子==1就进行扩容。
- 建立一个新哈希表，把旧表的值插入到新表。
- 再把新表交换到旧表那里。
但是在把旧表映射到新表时要释放掉旧表，vector类型会自动调用析构函数，然而存储的数据是Node*类型的，是内置类型，不会自动释放，结果就是哈希表释放了但是表中存的数据没释放，所以我们要手写一个析构函数。
- 头插操作
- 根仿函数找到合适映射位置
- 进行头插操作并更新桶内数据个数。
所以我们首先写一个析构函数：
整体代码：