C++20 范围视图:take、drop 及其变体详解
2025-06-24 17:33:49作者:尤辰城Agatha
本文基于 CXX20-The-Complete-Guide 项目内容,深入解析 C++20 标准库中的四种重要范围视图:take_view、take_while_view、drop_view 和 drop_while_view。这些视图为开发者提供了强大的范围操作能力,能够高效地处理和转换数据序列。
1. take_view:获取前 N 个元素
1.1 基本概念
std::ranges::take_view 是一个范围适配器,用于获取源范围的前 N 个元素。其核心特性包括:
- 类型:
std::ranges::take_view<> - 内容:源范围的前 N 个元素(最多)
- 适配器:
std::views::take() - 元素类型:与源范围相同
- 要求:至少是输入范围
1.2 使用方式
take_view 可以通过构造函数或适配器创建:
std::vector<int> data{1, 2, 3, 4, 5, 6};
// 使用构造函数
auto tv1 = std::ranges::take_view{data, 3};
// 使用适配器
auto tv2 = std::views::take(data, 3);
auto tv3 = data | std::views::take(3);
1.3 特殊优化
适配器会根据输入类型进行智能优化:
- 输入为空视图时直接返回空视图
- 对于随机访问范围,可能返回优化后的子范围(如子范围、iota视图等)
1.4 性能特点
- 迭代器:使用源范围的迭代器
- 通用性:当源范围是通用范围时,take_view 也是通用范围
- 缓存:无缓存机制
2. take_while_view:获取满足条件的连续元素
2.1 基本概念
std::ranges::take_while_view 获取源范围中满足谓词条件的连续前导元素:
- 类型:
std::ranges::take_while_view<> - 内容:满足谓词的前导连续元素
- 适配器:
std::views::take_while()
2.2 使用示例
std::vector<int> data{1, 2, 3, 4, 5};
auto is_less_than_4 = [](int x) { return x < 4; };
// 获取小于4的连续前导元素
auto twv = data | std::views::take_while(is_less_than_4);
// 结果:1, 2, 3
2.3 注意事项
- 谓词必须满足
std::predicate概念 - 谓词不应修改传递的值(应声明为按值或const引用接收参数)
3. drop_view:跳过前 N 个元素
3.1 基本概念
std::ranges::drop_view 与 take_view 相反,它跳过源范围的前 N 个元素:
- 类型:
std::ranges::drop_view<> - 内容:源范围中除前 N 个元素外的所有元素
- 适配器:
std::views::drop()
3.2 使用示例
std::vector<int> data{1, 2, 3, 4, 5};
auto dv = data | std::views::drop(2);
// 结果:3, 4, 5
3.3 性能特点
- 缓存机制:首次调用 begin() 时会缓存结果(除非是随机访问范围)
- 性能建议:重用 drop_view 比重复创建更高效
3.4 注意事项
- 修改底层范围后,缓存的迭代器可能失效
- const drop_view 的迭代能力受限(需要随机访问范围)
4. drop_while_view:跳过满足条件的连续前导元素
4.1 基本概念
std::ranges::drop_while_view 跳过源范围中满足谓词条件的连续前导元素:
- 类型:
std::ranges::drop_while_view<> - 内容:跳过满足谓词的前导元素后的所有元素
- 适配器:
std::views::drop_while()
4.2 使用示例
std::vector<int> data{1, 2, 3, 4, 5};
auto is_less_than_3 = [](int x) { return x < 3; };
auto dwv = data | std::views::drop_while(is_less_than_3);
// 结果:3, 4, 5
4.3 特殊注意事项
- 缓存机制:总是缓存 begin() 结果
- const限制:const drop_while_view 不能调用 begin()
5. 综合比较
| 特性 | take_view | take_while_view | drop_view | drop_while_view |
|---|---|---|---|---|
| 缓存机制 | 无 | 无 | 有 | 有 |
| 通用范围 | 可能 | 从不 | 可能 | 可能 |
| 长度范围 | 可能 | 从不 | 可能 | 可能 |
| 常量可迭代 | 可能 | 可能 | 受限 | 从不 |
6. 实际应用建议
- 性能优化:对于 drop 系列视图,尽量重用视图对象而非重复创建
- 范围修改:避免在修改底层范围后继续使用缓存的视图
- 泛型编程:使用转发引用(auto&&)处理可能为const的视图
- 谓词安全:确保谓词不修改传递的值,按值或const引用接收参数
这些范围视图为C++20中的范围处理提供了强大的工具,合理使用可以显著提高代码的简洁性和效率。
登录后查看全文
热门项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C098
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00
最新内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
477
3.56 K
React Native鸿蒙化仓库
JavaScript
287
340
暂无简介
Dart
728
175
Ascend Extension for PyTorch
Python
287
320
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
849
446
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
235
98
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
10
1
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
450
180
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.28 K
705