String 将一百万个字符串映射到c++；11

我有一百万个ASCII字符串，没有重复项，每个最多7字节长。我需要将每个字符串映射到一个正整数。这些INT中最大的应该不会超过一百万。虽然初始化可能很慢，但查找应该很快：给定一个字符串，返回相应的int（如果找不到，则返回-1）。如何在C++11中实现这一点

一种解决方案是：将字符串累积到

std:：无序_映射中

；然后在映射上迭代，从递增计数器分配整数。然后要查找，只需

unordered_map:：find（“foo”）->second

。但它闻起来像其他容器更快，开销更小（内置索引，而不是手工编码）。可能是

无序集
和指针算法

范围限制似乎使完美散列变得困难

（int的范围受到限制，因为它索引到传递给的特征向量中。该软件不使用稀疏存储，因此具有数万亿（大部分为零）元素的向量使其内存不足。因此，这个字符串到int的预处理排序实现了一种稀疏数据结构。）
您描述的内容如下所示

<>有实现完美散列的C++库，例如
如果你有100万个字符串，每个字节长度都是7个字节，那么这是使用基数排序的完美先决条件；基本上，首先将所有10^6字符串存储在一个大数组中（它只有7MB/6.7MB，所以很容易管理），然后使用基数排序算法进行排序-时间复杂度O（wn），w=7，n=10^6在您的情况下，可以在原地实现。实现的细节对于保持低的线性复杂度很重要，但基数排序很容易实现

作为基数排序的替代方法，您可以简单地将字符串视为
uint64\t
，并使用
std:：sort
（它实现了经过良好优化的内部排序，尽管时间复杂度更高，但其性能可能与约束的基数一样好）

一旦对数组进行排序，您将对其进行迭代，并将数组的索引放入普通
std:：unordered_map
，并将字符串作为键。因此，最终您在基本线性时间内创建了完美的哈希，并以平均O（1）的反向查找结束

[编辑]要将字符串放入无序映射，您可能需要实现自己的哈希算法，我建议使用djb2，它具有良好的统计特性，并且易于实现。
将字符串转换为
int64\t
，将其存储在
无序映射集中
，并使用迭代器作为唯一索引。
实际上，您将实现O（1）查找，加上O（N）计算迭代器偏移量。您还可以保证最大索引不会超过数组的大小

  unordered_set<int> s;
  s.insert(10);
  s.insert(2000000);
  s.insert(5000000);

  int index = std::distance(s.find(10), s.end());
  cout << index << endl;
  index = std::distance(s.find(2000000), s.end());
  cout << index << endl;
  index = std::distance(s.find(5000000), s.end());
  cout << index << endl;

现在您有了一个唯一的映射，使用
无序映射
来实现您的目标，并放弃
无序映射集
：

  unordered_set<int> s;
  unordered_map<int,int> m;
  s.insert(10);
  s.insert(2000000);
  s.insert(5000000);

  int index = std::distance(s.find(10), s.end());
  m[10] = index;
  cout << index << endl;
  index = std::distance(s.find(2000000), s.end());
  m[2000000] = index;
  cout << index << endl;
  index = std::distance(s.find(5000000), s.end());
  m[5000000] = index;
  cout << index << endl;

  s.clear();
  cout << m[10] << " " << m[2000000] << " " << m[5000000] <<  endl;

无序的集合；
无序地图m；
s、 插入（10）；
s、 插入（2000000）；
s、 插入（5000000）；
int index=std:：distance（s.find（10），s.end（））；
m[10]=指数；
你能举一个这样的映射的例子吗？我遗漏了什么<代码>10^6
字符串，每个不超过7字节，并且没有重复？这不是一个解决方案，但我会将它们放在一个向量中，排序，然后使用二进制搜索。标记，O（n）查找太慢了。Fran，O（logn）更好，但仍然比无序映射的O（1）慢。是的，在这个术语中，我需要一个几乎“最小完美散列函数”。但制作一个是。@CamilleGoudeseune你看过我提供的CHD基本库链接了吗？GNU gperf已经过时了，80%的负载系数太棒了！我主要是想避免低于0.01%：）一个7字节的sting适合一个int64\t，而散列是。。。本身@艾米利奥加拉瓦格利亚嗯。。。
这些int的最大值应该不超过一百万
？有些字符串小于7字节。即便如此，将它们视为64位整数还是很聪明的！如果在查找过程中使用的数据结构是一个
无序的\u映射
，为什么还要事先进行排序呢？这听起来并不比我最初提出的解决方案简单。你问题中的第二句话是：“这些INT中最大的应该不超过一百万”；）好的，我会详细说明-你最初的建议很好，但你是对的-它可能会有太多的开销。我认为，为连续内存区域实现排序比在
std:：unordered\u set
的迭代过程中到处跳跃要快。因此，构建映射将比您最初建议的略快一些。我仍然不知道在填充u_映射之前进行排序有什么帮助。u_图存储数据，所以，嗖，再见到参考位置。
  unordered_set<int> s;
  unordered_map<int,int> m;
  s.insert(10);
  s.insert(2000000);
  s.insert(5000000);

  int index = std::distance(s.find(10), s.end());
  m[10] = index;
  cout << index << endl;
  index = std::distance(s.find(2000000), s.end());
  m[2000000] = index;
  cout << index << endl;
  index = std::distance(s.find(5000000), s.end());
  m[5000000] = index;
  cout << index << endl;

  s.clear();
  cout << m[10] << " " << m[2000000] << " " << m[5000000] <<  endl;