LRU 缓存 -- 哈希链表

相关题目
146. LRU 缓存

要让 put 和 get ⽅法的时间复杂度为 O(1)，我们可以总结出 cache 这个数据结构必要的条件：
1、显然 cache 中的元素必须有时序，以区分最近使⽤的和久未使⽤的数据，当容量满了之后要删除最久未使⽤的那个元素腾位置。
2、我们要在 cache 中快速找某个 key 是否已存在并得到对应的 val。
3、每次访问 cache 中的某个 key，需要将这个元素变为最近使⽤的，也就是说 cache 要⽀持在任意位置快速插⼊和删除元素。

哈希表查找快，但是数据⽆固定顺序；链表有顺序之分，插⼊删除快，但是查找慢，所以结合⼆者的⻓处，可以形成⼀种新的数据结构：哈希链表 LinkedHashMap

在Python中，可以使用collections模块中的OrderedDict类来实现类似于Java中LinkedHashMap的功能。

本文最后还提供了一种 结合双向链表和哈希表的 从零开始的实现，供参考。

// 使用 LinkedHashMap 实现
class LRUCache {
    int cap;
    LinkedHashMap<Integer, Integer> cache = new LinkedHashMap<>();
    public LRUCache(int capacity) {
        this.cap = capacity;
    }
    public int get(int key) {
        if (!cache.containsKey(key)) {
            return -1;
        }
        // 将 key 变为最近使⽤
        makeRecently(key);
        return cache.get(key);
    }
    public void put(int key, int val) {
        if (cache.containsKey(key)) {
            // 修改 key 的值
            cache.put(key, val);
            // 将 key 变为最近使⽤
            makeRecently(key);
            return;
        }
        
        if (cache.size() >= this.cap) {
            // 链表头部就是最久未使⽤的 key
            int oldestKey = cache.keySet().iterator().next();
            cache.remove(oldestKey);
        }
        // 将新的 key 添加链表尾部
        cache.put(key, val);
    }
    private void makeRecently(int key) {
        int val = cache.get(key);
        // 删除 key，重新插⼊到队尾
        cache.remove(key);
        cache.put(key, val);
    }
}

# 使用 OrderedDict 实现
from collections import OrderedDict

class LRUCache:

    def __init__(self, capacity: int):
        self.cc = capacity
        self.d = OrderedDict()
        
    def get(self, key: int) -> int:
        if key in self.d:
            self.d.move_to_end(key)
            return self.d[key]
        return -1

    def put(self, key: int, value: int) -> None:
        if key in self.d:
            del self.d[key]
        self.d[key] = value
        if len(self.d) > self.cc:
            self.d.popitem(last=False)

# 手撸LRU算法，结合双向链表和哈希表，LinkedHashMap
# 先定义双向链表节点
class DoubleListNodeLRU:
    next, last = None, None

    def __init__(self, k, v):
        self.k = k
        self.v = v


class NodeLRU:
    head, tail = None, None
    size = None

    def __init__(self):
        # head tail 为 头尾虚拟节点
        self.head = DoubleListNodeLRU(0, 0)
        self.tail = DoubleListNodeLRU(0, 0)
        self.head.next = self.tail
        self.tail.last = self.head
        self.size = 0

    # 链表尾部添加节点 时间 O(1)
    def addLast(self, x: DoubleListNodeLRU):
        x.last = self.tail.last
        x.next = self.tail
        self.tail.last.next = x
        self.tail.last = x
        self.size += 1

    # 删除链表中的 x 节点（x ⼀定存在）
    # 由于是双链表且给的是⽬标Node节点，时间O(1)
    def remove(self, x: DoubleListNodeLRU):
        x.last.next = x.next
        x.next.last = x.last
        self.size -= 1

    # 删除链表中第⼀个节点，并返回该节点，时间 O(1)
    def removeFirst(self):
        if self.head.next == self.tail:
            return None
        first = self.head.next
        self.remove(first)
        return first


class LRUCache:

    def __init__(self, capacity: int):
        self.cap = capacity
        # key -> node(key, val)
        self.map = dict()
        self.cache = NodeLRU()


    # 将某个 key 提升为最近使⽤的
    def makeRecently(self, k):
        node = self.map.get(k)
        self.cache.remove(node)
        self.cache.addLast(node)

    # 添加最近使⽤的元素
    def addRecently(self, k, v):
        node = DoubleListNodeLRU(k, v)
        self.cache.addLast(node)
        self.map[k] = node

    # 删除某⼀个 key
    def deletekey(self, k):
        node = self.map[k]
        self.map.pop(k)
        self.cache.remove(node)

    def removeLeastRecently(self):
        deleteNode = self.cache.removeFirst()
        deletekey = deleteNode.k
        self.map.pop(deletekey)

    def get(self, k):
        if k not in self.map:
           return -1
        self.makeRecently(k)
        return self.map.get(k).v

    def put(self, k, v):
        if k in self.map:
            self.deletekey(k)
            self.addRecently(k, v)
            return

        if self.cache.size == self.cap:
            self.removeLeastRecently()

        self.addRecently(k, v)