集合
集合的特点
不存放重复的元素
集合使用场合
存放新增IP，统计新增IP量；存放词汇，统计词汇量等
集合的接口设计
集合实现思路
集合可以通过我们的之前介绍的数据结构去实现，例如有动态数组，链表，二叉搜索数（AVL数，红黑树）等，因为我们之前说过红黑树的性能相对来说会比较好，所以demo中我们会采取红黑树去实现，具体代码会在文章末尾给出来
映射（Map）
Map概念
Map在一些编程语言之后又称作字典(dictionary,比如OC，Swift，Python等）
是一个键值对来的，买一个value都对应这个一个key，同理通过key可以获取到相应的value，如下图所示
Map中的每一个key都是唯一的
Map的接口设计
通过对比Map与Set，发现Map中所有的key组合在一起，其实就是一个Set，其实也可以间接利用Map来做内部实现
哈希表
哈希表出现原由？假设现在设计一个写字楼通讯录，存放所有公司的通讯信息，座机号码座位key(假设座机号码最长是8位)，公司详情(名称地址等)作为value，添加，删除，搜索的时间复杂度要求是O(1)
我们可以通过数组来满足这个任务：
这样设计会存在什么问题呢？
从demo图可以看到，这个就是一个哈希表，但是这样的设计会导致空间使用率非常低，并且浪费内存空间，因此这个时候哈希表的高效处理就派上用途了。
它是如何实现高效处理数据的？请看下图：
但是会存在一种问题，就是有可能会导致哈希冲突，意思就是两个不同的key，经过哈希函数计算出相同的结果，这种现象称为哈希冲突，如下：
解决哈希冲突的方法
1.开放地址法（Open Addressing）
按照一定规则向其他地址探测，知道遇到空桶
2.再哈希法（Re-Hashing）
设计多个哈希函数
3.链地址法（Separate Chaining）
比如通过链表或者红黑树将同一index的元素串起来
哈希函数
生成哈希表中哈希函数的实现步骤如下：
1.下生成key的哈希值（必须是整数）
2.再让key的哈希值跟数组的大小进行相关运算，生成一个索引值
public int hash(Object key){
return hash_code(key) % table.lenght;
}
为了提高效率，可以使用&位运算取代%运算，墙体是数组的长度设计为2的幂
public int hash(Object key) {
return hash_code(key) & (table.lenght - 1)
}
如何生成key的哈希值
良好的哈希函数能够让哈希值更加均匀分布，减少哈希冲突次数，提升哈希表性能
key的常见种类可能有如下：
1.整数，浮点数，字符串，自定义对象
2.不同种类的key，哈希值的生成方式不一样，当目标是一样的（尽量让每个key的哈希值是唯一，尽量让key的所有信息参与运算）
下面以JAVA语言为例说明相关内容：
在Java中，HashMap的key必须实现hashCode，equal方法，并且允许key为nil
当key为整数(整数值当做哈希值)
public static int hashCode(int Value){
return value;
}
当key为浮点数
将存储的二进制格式转为整数值
float类型
public static int hashCode(float value){
return floatToIntBits(value);
}
Long类型
public static int hashCode(long value){
return (int)(value ^ (value >>> 32));
}
Double类型
public static int hashCode(double value){
long bits = doubleToLongBits(value);
return (int)(bits ^ (bits >>> 32));
}
上面的>>>和^的作用是用来将value的高32bit和低32bit混合计算出32bit的哈希值，如下图所示：
当key是字符串
字符串是由若干个字符组成的，比如字符串jack，由j，a，c，k四个字符组成，因此jack的哈希值可以表示为
j * + a *
+ c *
+ k *
等价于[*j * n + a) * n + c] * n + k,在JDK中，乘数n为31，为什么使用31呢？
是因为31是一个奇素数(既是奇数，又是素数，也就是质数)，素数和其他数相乘的结果比其他方式更容易产生唯一性，减少哈希冲突，并且JVM会将31 * i优化成(i << 5)-i;
自定义对象的哈希值
自定义对象作为key
自定义对象作为key，最好同时重写hashCode，equals方法
equals:用于判断2个key是否为同一个key
自反性：对于任何非null的x,x.equals(x) 必须返回true
对称性：对于任何非null的x,y，如果y.equals(x)返回true,x.equals(y)必须返回true
传递性：对于任何非null的x，y，z，如果x.equals(y),y.equals(z)返回true，那么x.equals(z)必须返回true
一致性：对于任何非null的x,y,只要equals的比较操作在对象中所用的信息没有被修改，多次调用x.equals(y),就会一致地返回true，或者一致地返回false，另外对于任何非null的x，x.equals(null)必须返回false
hasCode
必须保证equals为true的2个key的哈希值一样，反过来hashCode相等的key，不一定equals为true
接口设计
接口的设计和实现会在例子中给出来，因为都是基于红黑树来实现的，所以这里就不一一再次解释，不懂可以回到红黑树文章想看一篇，然后再看例子哈，稍微有不同的就是元素节点类型不一样，以前是Node<E> 现在变成了Node<K,V>,并且还多出了哈希函数和装填因子，还有扰动计算等，在这里主要说几个方法：
private Node node(Node node, K k1) 查找Node节点图
这个方法是先比较哈希值，1.哈希值大的从右边取，2.哈希值小的从左边取，3.哈希值相等判断key是否相同，如果相同直接返回node值，4.如果哈希值相等，但是key不相等，并且key不等于空且是同一种类型并具有可比性的话，对比compareTo的结果，为什么需要对比呢，假设有个Person对象存放三个属相new Person("forest","23","m") new Person("macal","23","m"),如果compareTo比较的仅仅是年龄的话，判断cmp=0，就直接覆盖，这样的操作明显是错误的，所以这里需要获取compareTo的结果，cmp大于0的取后边，cmp小于0的取左边,cmp等于0的话，再扫描其他节点（左右节点）
public V put(K key, V value) 添加元素
大致分析思路和上面说寻找node节点的差不多，但是可以看到多啦searched这个bool变量值，这个bool变量值是用来标志是否已经搜索个整个树了，这样可以提高算法效率，另外或者这里有人会有疑问，就是，我将h1>h2和h1<h2,然后再将cmp=System.identityHashCode(k1)-System.identityHashCode(k2)统一成cmp=1,也可以实现效果呀，就算一直往右添加，但是红黑树有个fix的操作，最终也不会导致失衡，的确是达到效果，但是从实现上面去说的话，可以看到，性能差好多，因为每次进去一开头就是equal，如果equal不满足，马上就要遍历整棵树了，算法效率较低，你可以尝试一下;
扰动计算private int hash(K key);
对key的hashCode进行扰动计算，防止不同hashCode的高位不同但低位相同导致的hash冲突。简单点说，就是为了把高位的特征和低位的特征组合起来，降低哈希冲突的概率；
private void resize() 扩容
在讲扩容之前，我们先看看索引的情况先：
当扩容为原来容量的2倍时，节点的索引有两种情况，第一种：保持不变；第二种：index = index + 旧容量；
扩容的思路是将我们原来哈希表上面的值，直接移到新的哈希表上，这样可以节省空间内存，可以看到上面方法中有一个移动的操作：
可以看到会有一个重置的操作，为什么需要重置？是因为将节点移动过去之后，原来的parent，left，right等属性都还在，但是我们不能保持原来的这种关系，我们要维护的是新的关系表，所以需要重置，但是为了防止重置影响扩容，所在在扩容方法执行move之前，需要将left，right入队，这也是为什么moveNode要放在queue.offer 方法后面;
LinkedHashMap
linkedHashMap是指遵循一定的添加顺序的，使得遍历的结果是遵从添加顺序的，可以在HashMap的基础上维护元素的添加顺序，使得遍历的结果是遵从添加顺序的，设计形式如下图所示：
因为是基于HashMap实现的，所以很多东西都是相同的，只有个小细节需要更改一下，第一个是需要自定义一个节点继承原来的节点Node，并在自定义的新节点里面添加两个变量子节点，命名为prev，next(因为是用双链表实现的),另外一个就是需要在put方法里面做修改，创建节点的时候，暴露一个创建节点的方法给子节点去实现(目的是为了创建的时候建立双链表的指向链接)代码图如下：
createNode 是由多肽方式实现的，实际就是在父类的put方法里面创建所调用，也就是添加元素，到此，添加元素已经可以说是设计完毕了，另外，还有一个方法就是删除方法，删除方法稍微会复杂点，因为涉及到度为2的叶子节点，我们用之前的双链表删除的方法是否还能达到效果呢？且看一下：
可以发现以前的删除双链表元素的方法在这里稍微会有点问题，正确的做法，是在执行删除代码之前，先互换一下删除节点和前驱\后继节点的位置，然后再进行删除，示例图如下：
代码实现图：
第一个红框判断，如果是度为2的叶子节点，就会进入，因为节点会被重新赋值，所以会有不相等的情况
第二个红框交换prev的值
第三个红框交换next的值
第四个红框删除元素
到这里哈希表可以说是介绍完了，具体的实现代码会上传到demo中；
补充知识
1.关于使用%来计算索引
如果使用%来计算索引，建议把哈希表的长度设计为素数，这样可以大大减少哈希冲突
下面表格列出了不同数据规模对应的最佳素数，特点如下：每个素数略小于前一个素数的2倍，每个素数尽可能接近2的幂
