Performance STL向量的性能（内存和速度方面）+；排序+；相等与无序_集与使用纯集

我有以下情况：

我有一堆元素，它们不需要按连续顺序排列

我将能够在初始化期间第一次插入元素

我需要执行containerA==containerB操作

元素的数量

N

最多可以是100个，但是为了进行平均分析，我会说

N

可以是100、10k或100k

鉴于此，我的需求std:：set不是一个好的选择。我可以使用push_back

N*O（1）

和std:：sort

O（NlogN）

在向量中插入所有元素，并进行相等比较（N）；总

2N+NlogN

，可轻松超过std:：set内存/速度

这里已经对该主题进行了详细的回顾： 在这里：

让我们来看看，如果我使用新的无序_集会发生什么。

N

元素的插入（

N*O（1））

+相等查找（

N

avg.case）总计为

2N

现在，对于无序的_集，我需要创建一个散列器，这对我来说并不容易。我猜，对于我复杂的数据结构，仅仅是散列部分就会导致这个问题超过

2N

但是，为什么对于一个简单的唯一的\u ptr值插入，会有人得到以下性能结果：

向量排序+相等似乎仍然比无序_集更有效，最多可达大量元素（100k）。无序集不使用红黑树，对吗？那么，这场表演热是从哪里来的呢

这里有一个稍微相关的帖子：

---

如果您的元素有一个简单的排序函数，并且您知道它们是不同的，那么您最好将它们放在向量中并对它们进行排序。理论上，具有良好哈希函数的基于哈希表的解决方案可以进行O（n）而不是O（n log n）的比较，但有许多缓解因素：

• logn是一个小数字。例如，如果n是二十亿，logn是31（使用二进制日志，这通常是隐含的）

• 标准库无序集合需要为每个元素进行分配。这实际上是规范所要求的，因为向无序集合添加元素不会使对现有元素的引用无效，这与标准库向量的情况不同

• 对无序集合的迭代是按每个bucket进行的（同样，这在规范中），其结果是迭代涉及随机内存访问。在向量上迭代是顺序的，这对缓存友好得多

简言之，即使排序为O（n logn），基于O（n）哈希的解决方案很可能具有较大的每元素常量，并且由于logn是一个较小的数字，因此基于向量的解决方案将更快。通常要快得多

基于散列的解决方案的速度取决于分配器的速度，不同的标准库实现之间存在很大的差异。但是，即使是一个超级快速的分配器也不太可能给您提供有竞争力的性能，并且当您的表足够大时，哈希表的缓存不友好性将变得非常重要

---

即使您有一些重复的元素，使用向量可能会更好，但这取决于您有多少重复的元素。由于哈希表占用的内存可能至少是具有相同元素数的向量的两倍，因此一个简单的经验法则可能是使用向量，只要您不希望元素数超过唯一元素数的两倍。（排序后很容易消除重复项。有一个标准的库函数可以做到这一点。）

如果您的元素有一个简单的排序函数，并且您知道它们是不同的，那么您最好将它们放在向量中并对它们进行排序。理论上，具有良好哈希函数的基于哈希表的解决方案可以进行O（n）而不是O（n log n）的比较，但有许多缓解因素：

• logn是一个小数字。例如，如果n是二十亿，logn是31（使用二进制日志，这通常是隐含的）

• 标准库无序集合需要为每个元素进行分配。这实际上是规范所要求的，因为向无序集合添加元素不会使对现有元素的引用无效，这与标准库向量的情况不同

• 对无序集合的迭代是按每个bucket进行的（同样，这在规范中），其结果是迭代涉及随机内存访问。在向量上迭代是顺序的，这对缓存友好得多

简言之，即使排序为O（n logn），基于O（n）哈希的解决方案很可能具有较大的每元素常量，并且由于logn是一个较小的数字，因此基于向量的解决方案将更快。通常要快得多

基于散列的解决方案的速度取决于分配器的速度，不同的标准库实现之间存在很大的差异。但是，即使是一个超级快速的分配器也不太可能给您提供有竞争力的性能，并且当您的表足够大时，哈希表的缓存不友好性将变得非常重要

即使您有一些重复的元素，使用向量可能会更好，但这取决于您有多少重复的元素。由于哈希表占用的内存可能至少是具有相同元素数的向量的两倍，因此一个简单的经验法则可能是使用向量，只要您不希望元素数超过0的两倍