博客
关于我
Rust 内置 trait :PartialEq 和 Eq
阅读量:416 次
发布时间:2019-03-06

本文共 1727 字,大约阅读时间需要 5 分钟。

Rust语言中的PartialEq和Eq特性解析

在Rust语言中,PartialEq(局部等价关系)和Eq(等价关系)特性是比较常用的比较操作,它们定义了值之间的相等和不等关系。PartialEq主要用于比较两个值是否相等,而Eq则扩展了PartialEq的功能,确保自反性(即x == x)。

PartialEq特性

PartialEq是一个trait,用于定义值之间的相等关系。它通过eq方法来判断两个值是否相等。当一个类型实现PartialEq时,Rust会自动为该类型生成ne方法,该方法返回的值是self和other不相等的结果。

示例:自定义PartialEq实现

enum BookFormat {    Paperback,    Hardback,    Ebook,}struct Book {    isbn: i32,    format: BookFormat,}impl PartialEq for Book {    fn eq(&self, other: &Self) -> bool {        self.isbn == other.isbn    }}

在这个示例中,Book结构体实现了PartialEq的eq方法,比较了两个Book实例的ISBN字段。如果ISBN相同,则返回true,否则返回false。

Eq特性

Eq特性是PartialEq的扩展版本,它要求自反性(x == x)。Eq的实现通常比PartialEq简单,因为它只需要确保类型满足自反性,而Rust会自动利用PartialEq的实现来支持Eq。

示例:实现Eq

enum BookFormat {    Paperback,    Hardback,    Ebook,}struct Book {    isbn: i32,    format: BookFormat,}impl PartialEq for Book {    fn eq(&self, other: &Self) -> bool {        self.isbn == other.isbn    }}impl Eq for Book {}

在这个示例中,Book实现了Eq特性,虽然没有显式定义eq方法,但Rust会使用PartialEq的实现来支持Eq。

PartialEq和Eq的区别

PartialEq和Eq的主要区别在于自反性。PartialEq不要求x == x返回true,而Eq则要求。这是因为PartialEq适用于那些可能不满足自反性的情况,比如浮点数的NaN值。

浮点数的PartialEq示例

let a = 1.0;let b = 1.0;let c = NaN;assert!(a == b); // trueassert!(a != c); // true

在这个示例中,浮点数实现了PartialEq,但没有实现Eq,因为NaN != NaN。

Eq和Hash特性

当一个类型同时实现了Eq和Hash特性时,意味着当两个值相等时,它们的哈希值也相等。这对于哈希表(如HashMap和HashSet)来说非常重要,因为哈希表需要确保相同的键具有相同的哈希值。

示例:Eq和Hash的应用

use std::collections::HashMap;use std::hash::Hash;struct User {    id: i32,    name: String,}let users: HashMap
= HashMap::new();let user1 = User { id: 1, name: "Alice".to_string() };let user2 = User { id: 1, name: "Alice".to_string() };users.insert(user1, 1);assert!(users.contains(&user2)); // true

在这个示例中,User实现了Eq和Hash特性,因此两个具有相同id和name的User实例可以被正确地识别和比较。

转载地址:http://srkuz.baihongyu.com/

你可能感兴趣的文章
opencv32-基于距离变换和分水岭的图像分割
查看>>
opencv4-图像操作
查看>>
opencv5-图像混合
查看>>
opencv9-膨胀和腐蚀
查看>>
OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
查看>>
OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
查看>>
OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
查看>>
OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
查看>>
OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
查看>>
OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
查看>>
OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>