Cache 缓存
1. 记忆
2. 空间有限
3. 钱包 - 储物柜
4. 类似背代码模板，O(n) 变 O(1)
LRU Cache
缓存替换算法
1. Least Recently Used（最近最少使⽤的淘汰掉）
2. Hash Table + Double LinkedList（哈希表 + 双向链表）
3. O(1) 查询 （cache只要查询第一个）
4. O(1) 修改、更新（同3；要是处理最中间的话就是O(n)了）
双向链表实现：
LFU Cache
也记录元素出现的频次，即使最近刚出现的，也未必就会挪到最前面。
缓存内始终按频次排序，如果超了缓存空间限制，还是新进的元素把原先频次最低的顶走。
1. LFU - least frequently used（最近最不常用⻚⾯置换算法，频次越高的放越前面)
2. LRU - least recently usd（最近最少使⽤页⾯置换算法)
Leetcode 146. LRU缓存机制 https://leetcode-cn.com/problems/lru-cache/
运用你所掌握的数据结构，设计和实现一个 LRU (最近最少使用) 缓存机制。它应该支持以下操作： 获取数据 get 和 写入数据 put 。
获取数据 get(key) - 如果密钥 (key) 存在于缓存中，则获取密钥的值（总是正数），否则返回 -1。
写入数据 put(key, value) - 如果密钥不存在，则写入其数据值。当缓存容量达到上限时，它应该在写入新数据之前删除最近最少使用的数据值，从而为新的数据值留出空间。
进阶:
你是否可以在 O(1) 时间复杂度内完成这两种操作？
解：
考虑用 ordered dict 实现
1 import collections
2 class LRUCache:
3 def __init__(self, capacity: int):
4 self.dic = collections.OrderedDict()
5 self.remain = capacity
6
7 def get(self, key: int) -> int:
8 if key not in self.dic:
9 return -1
10 v = self.dic.pop(key)
11 self.dic[key] = v # 如果在key在dict中，就pop出来后再set成最新的key
12 return v
13
14 def put(self, key: int, value: int) -> None:
15 if key in self.dic:
16 self.dic.pop(key)
17 else:
18 if self.remain > 0:
19 self.remain -= 1
20 else: # 如果已经满了，就删除第一个key-value对（即最早put的键值对。令last=False即可）
21 self.dic.popitem(last=False)
22
23 self.dic[key] = value # put进去作为最新的键值对
24
25
26 # Your LRUCache object will be instantiated and called as such:
27 # obj = LRUCache(capacity)
28 # param_1 = obj.get(key)
29 # obj.put(key,value)
布隆过滤器 Bloom Filter
过滤器的作用：判断元素在还是不在。（如图查询 w 在不在集合中）
布隆过滤器：⼀个很长的二进制向量和一系列随机映射函数。
布隆过滤器可以用于检索一个元素是否在⼀个集合中（如果检测出元素不在集合中，那一定不在；如果检测出元素在集合中，有一定可能判断错误）。
它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。布隆过滤器后面一定要跟一个完备的搜索系统。
判断 C 不存在，一定正确；判断 B 存在，判断错了
案例
1. ⽐特币网络
2. 分布式系统(Map-Reduce)