我想知道基于不同字段搜索大型数据集的最佳方法是什么。 例如，Person 对象定义如下:
Person:
first name
last name
phone numbers
我有 10 万个 Person 类型的对象，我想根据任何字段搜索特定的人？
我尝试使用不同的字段对数据集进行排序，以便在 O(logn) 时间内执行搜索操作，但我知道这不是正确的方法。
最佳答案
对此没有唯一的答案，因为正确的答案(在很大程度上)取决于您对速度与额外存储的关注程度。
如果你想要绝对的最大速度，并且根本不关心使用额外的存储空间，是的，你可以创建三个数据拷贝，每个字段排序一个，当输入搜索时，只需使用适当的一。这可能不像它第一次出现时那么可怕。假设您的字符串平均每个约 10 个字节，因此结构的总大小约为 30 个字节。其中 100'000 每个拷贝大约有 3 兆字节，总计约 9 兆字节。在过去，这显然是令人望而却步的——但现在一台典型的机器至少有 8 GB 的 RAM，这并没有那么糟糕。
假设您排除了这种可能性，下一个最明显的可能性是在原始数据中建立索引——将原始数据放入一个数组中，然后为每个字段建立一个索引，索引中的每个条目都包含数据对于一个字段，以及指向主要数据的指针/下标。每个索引条目可以是 ~14 字节，因此每个索引大约是整个数据大小的一半。只有三个字段，您不会节省很多，但确实可以节省一些——而且极复杂性成本最低。有了更多字段，您将节省更多。
另一种可能性是将您的索引实现为哈希表。这里的主要优点是您可以避免重复存储日期。例如，如果您计算一个 16 位散列，每个桶有 2 个条目，您可以在 ~512K 字节中存储一个索引。如果桶已满，但没有条目与您的输入匹配，您将重新散列并尝试另一个桶。继续前进，直到找到您的元素或找到一个空桶。
关于c++ - 基于多个字段搜索大数据集的有效方法，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/19691333/