为什么重写 equals时必须重写 hashCode 方法?
ztj100 2025-05-23 21:35 17 浏览 0 评论
公众号 《java编程手记》记录JAVA学习日常,分享学习路上点点滴滴,从入门到放弃,欢迎关注
前言
直接进入正题,hashCode方法和equals方法
hashCode
public native int hashCode();
hashCode方法用来获取当前对象的哈希码,也称为散列码,本质上是一个int类型的整数。哈希码的作用是确定该对象在我们常见的Java集合中如HashMap,Hashtable,HashSet中的位置,每个对象对应的hashCode不一样,避免在集合类中进行存放时出现hash碰撞
equals
public boolean equals(Object obj) {
return (this == obj);
}
默认equals方法的实现为直接对象两个对象的是否在内存中为同一个对象,在我们日常开发中,使用equals方法更多的是判断两个对象是否相等,而非是同一个对象,所以会重写equals方法,如Integer中,equals方法对比的是对应包装的基本类型int的值,同样Integer中也重写了hashCode方法,保证相同对象返回的hashCode也保持一致
public boolean equals(Object obj) {
if (obj instanceof Integer) {
return value == ((Integer)obj).intValue();
}
return false;
}
@Override
public int hashCode() {
return Integer.hashCode(value);
}
public static int hashCode(int value) {
return value;
}
那为什么要在重写equals的同时,重写hashCode方法呢,或者更加准确地说,为什么在重写equals方法的同时,重写hashCode方法来保证equals方法结果为true时,hashCode也相等呢
本质上,当两个对象相等时,在散列表中的位置应当是一致的,而在散列表中,计算对象存放位置的方式就是通过hash算法计算对象的hashCode得到hash值,如HashMap中,设置kv时,需要先计算hash值来确认槽位,hash值则通过hashCode运算得到
public V put(K key, V value) {
return putVal(hash(key), key, value, false, true);
}
static final int hash(Object key) {
int h;
return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
}
同样在获取对应值时,则先通过hash值进行槽定位获取,当计算的hash值不相同时,就可能出现put进去数据但获取不到的尴尬结果
public V get(Object key) {
Node<K,V> e;
return (e = getNode(hash(key), key)) == null ? null : e.value;
}
同时,计算hashCode要避免变量性强的字段,当hashCode的计算涉及到某些变量时,改变变量的值后,可能就取不出来了
@Data
public class Data implements Serializable {
private Integer id;
public boolean equals(Object obj) {
if(obj instanceof Data){
Data obj1 = (Data) obj;
return obj1.id == this.id;
}
return false;
}
@Override
public int hashCode() {
return id+1;
}
}
public static void main(String[] args) {
Data data = new Data();
data.setId(1);
Map<Data, Integer> map = new HashMap<>();
map.put(data,1);
System.out.println(map.get(data));
data.setId(2);
System.out.println(map.get(data));
}
输出结果为
1
null
相关推荐
- 其实TensorFlow真的很水无非就这30篇熬夜练
-
好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...
- 交叉验证和超参数调整:如何优化你的机器学习模型
-
准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...
- 机器学习交叉验证全指南:原理、类型与实战技巧
-
机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...
- 深度学习中的类别激活热图可视化
-
作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...
- 超强,必会的机器学习评估指标
-
大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...
- 机器学习入门教程-第六课:监督学习与非监督学习
-
1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...
- Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置
-
你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...
- 神经网络与传统统计方法的简单对比
-
传统的统计方法如...
- 自回归滞后模型进行多变量时间序列预测
-
下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...
- 苹果AI策略:慢哲学——科技行业的“长期主义”试金石
-
苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...
- 时间序列预测全攻略,6大模型代码实操
-
如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- idea eval reset (50)
- vue dispatch (70)
- update canceled (42)
- order by asc (53)
- spring gateway (67)
- 简单代码编程 贪吃蛇 (40)
- transforms.resize (33)
- redisson trylock (35)
- 卸载node (35)
- np.reshape (33)
- torch.arange (34)
- npm 源 (35)
- vue3 deep (35)
- win10 ssh (35)
- vue foreach (34)
- idea设置编码为utf8 (35)
- vue 数组添加元素 (34)
- std find (34)
- tablefield注解用途 (35)
- python str转json (34)
- java websocket客户端 (34)
- tensor.view (34)
- java jackson (34)
- vmware17pro最新密钥 (34)
- mysql单表最大数据量 (35)