unordered 系列关联式容器
在 C++98 中,STL 提供了底层为红黑树结构的一系列关联式容器,在查询时效率可达到 O(logN),即最差情况下需要比较红黑树的高度次,当树中的节点非常多时,查询效率也不理想。最好的查询是,进行很少的比较次数就能够将元素找到。
因此在 C++11 中,STL 又提供了 4 个 unordered 系列的关联式容器,这四个容器与红黑树结构的关联式容器使用方式基本类似,只是其底层结构不同,下面只对 unordered_map 和 unordered_set 进行介绍,unordered_multimap 和 unordered_multiset 的具体内容可查看文档介绍。
- unordered 系列关联式容器,遍历出来不是有序的,迭代器是单向迭代器。
- unordered_map 和 unordered_set 不允许数据冗余,支持 [ ] 操作符。
- unordered_multimap 和 unordered_multiset 允许 数据冗余,不支持 [ ] 操作符。
unordered 系列的关联式容器之所以效率比较高,是因为其底层使用了哈希结构。 在一般情况下,建议使用 unordered 系列的关联式容器。
unordered_map
unordered_map 的介绍
链接: unordered_map - C++ Reference (cplusplus.com)
【翻译】
- unordered_map 是存储 <key, value> 键值对的关联式容器,其允许通过 key 快速的索引到与其对应的 value。
- 在 unordered_map 中,键值通常用于唯一地标识元素,而映射值是一个对象,其内容与此键关联。键和映射值的类型可能不同。
- 在内部,unordered_map没有对 <key, value> 按照任何特定的顺序排序, 为了能在 O(1) 内找到 key 所对应的 value,unordered_map 将相同哈希值的键值对放在相同的桶中。
- unordered_map 容器通过 key 访问单个元素要比 map 快,但它通常在遍历元素子集的范围迭代方面效率较低。
- unordered_map 实现了直接访问操作符(operator[ ]),它允许使用 key 作为参数直接访问 value。
- 它的迭代器至少是前向(单向)迭代器。
unordered_map 的接口说明
构造函数
链接: https://cplusplus.com/reference/unordered_map/unordered_map/unordered_map/
容量函数
迭代器
元素访问
注意:该函数中实际调用哈希桶的插入操作,用参数 key 与 V() 构造一个默认值往底层哈希桶中插入,如果 key 不在哈希桶中,则插入成功,返回 V();如果 key 在哈希桶中,那么插入失败,返回 key 对应的 value。
查询操作
修改操作
桶操作
unordered_set
unordered_set 的介绍
链接: unordered_set - C++ Reference (cplusplus.com)
【翻译】
- unordered_set 是一种不按特定顺序存储唯一元素的容器,允许基于它们的 key 快速检索单个元素
- 在 unordered_set 中,元素的值与唯一标识它的 key 同时存在,key 是不可变的。unordered_set 中的元素不能在容器中修改(元素总是 const),但是可以从容器中插入或删除它们。
- 在内部,unordered_set 中的元素并不按照任何特定的顺序排序,而是根据它们的哈希值插入到相应的桶中,允许根据它们的值在 O(1) 范围内访问单个元素。
- unordered_set 容器通过 set 访问单个元素要比 map 快,但它通常在遍历元素子集的范围迭代方面效率较低。
- 它的迭代器至少是前向(单向)迭代器。
unordered_set 的接口说明
构造函数
容量函数
迭代器
查询操作
注意 :unordered_set 中 key 是不能重复的,因此 count 函数的返回值最大为 1。
修改操作
桶操作
底层结构
unordered 系列的关联式容器之所以效率比较高,是因为其底层使用了哈希结构。
哈希概念
顺序结构以及二叉平衡树中,元素关键码与其存储位置之间没有对应的关系,因此在查找一个元素时,必须要经过关键码的多次比较。顺序查找时间复杂度为 O(N), 二叉平衡树中查找时间复杂度为树的高度 O(log₂ N),搜索的效率取决于搜索过程中元素的比较次数。
理想的搜索方法:可以不经过任何比较,一次直接从表中得到要搜索的元素。如果构造一种存储结构,通过某种函数(hashFunc)使元素的存储位置与它的关键码之间能够建立一一映射的关系,那么在查找时通过该函数可以很快找到该元素。方便我们搜索。
【插入元素】
根据待插入元素的关键码,用哈希函数计算出该元素的存储位置并按此位置进行存放。
【搜索元素】
对元素的关键码进行同样的计算,把求得的函数值当做元素的存储位置,在结构中按此位置取元素比较,若关键码相等,则搜索成功。
该方式即为哈希(散列)方法,哈希方法中使用的转换函数称为哈希(散列)函数,构造出来的结构称 为哈希表(Hash Table / 散列表)。
例如:数据集合 {1,7,6,4,5,9}。
哈希函数设置为:hash(key) = key % capacity; capacity 为存储元素底层空间总的大小。
用该方法进行搜索不必进行多次关键码的比较,因此搜索的速度比较快。
哈希冲突
对于两个数据元素的关键字 ki 和 kj (i != j),有 ki != kj,但有:Hash(ki) == Hash(kj)
即:不同关键字通过相同哈希哈数计算出相同的哈希地址,该种现象称为 哈希冲突 或 哈希碰撞 。把具有不同关键码而具有相同哈希地址的数据元素称为 “同义词”。
哈希函数
引起哈希冲突的一个原因可能是:哈希函数设计不够合理。
哈希函数设计原则:
- 哈希函数的定义域必须包括需要存储的全部关键码,而如果散列表允许有 n 个地址时,其值域必须在 0 到 n-1 之间。
- 哈希函数计算出来的地址能均匀分布在整个空间中。
- 哈希函数应该比较简单。
【常见哈希函数】
直接定址法(常用)
取关键字的某个线性函数为散列地址:Hash(Key)= A*Key + B
- 优点:简单、均匀。
- 缺点:需要事先知道关键字的分布情况。
- 使用场景:适合查找比较小且连续的情况。
比如:- 计数排序。
- 一些 OJ 题中用哈希映射来统计字符出现次数。
- 利用字符的 ASCII 码值来映射字符,利用 int 型变量的数值来映射该变量。
除留余数法(常用)
开一段固定大小的空间,比如哈希表中允许的地址数为 n,按照 哈希函数: Hash(key) = key % n,得到的余数就是该关键码的哈希地址,存放到哈希表对应位置中。
缺陷:
- 适用于整数的存储(字符串、浮点数不能直接存储,因为不能直接取模)。
- 余数相同时,会出现哈希冲突。
平方取中法(了解)
假设关键字为 1234,对它平方就是 1522756,抽取中间的 3 位 227 作为哈希地址;
再比如关键字为 4321,对它平方就是 18671041,抽取中间的 3 位 671(或 710)作为哈希地址。
平方取中法比较适合:不知道关键字的分布,而位数又不是很大的情况。
折叠法(了解)
折叠法是将关键字从左到右分割成位数相等的几部分(最后一部分位数可以短些),然后将这几部分叠加求和,并按散列表表长,取后几位作为散列地址。
- 折叠法适合事先不需要知道关键字的分布,适合关键字位数比较多的情况。
随机数法(了解)
选择一个随机函数,取关键字的随机函数值为它的哈希地址,即 H(key) = random(key),其中 random 为随机数函数。
通常应用于关键字长度不等时采用此法。
数学分析法(了解)
设有 n 个 d 位数,每一位可能有 r 种不同的符号,这 r 种不同的符号在各位上出现的频率不一定相同,可能在某些位上分布比较均匀,每种符号出现的机会均等,在某些位上分布不均匀只有某几种符号经常出现。可根据散列表的大小,选择其中各种符号分布均匀的若干位作为散列地址。例如:
假设要存储某家公司员工登记表,如果用手机号作为关键字,那么极有可能前 7 位都是相同 的,那么我们可以选择后面的四位作为散列地址,如果这样的抽取工作还容易出现冲突,还可以对抽取出来的数字进行反转(如 1234 改成 4321)、右环位移(如 1234 改成 4123)、左环移位、前两数与后两数叠加(如 1234 改成 12+34=46)等方法。
- 数字分析法通常适合处理关键字位数比较大的情况,如果事先知道关键字的分布且关键字的若干位分布较均匀的情况。
注意 :哈希函数设计的越精妙,产生哈希冲突的可能性就越低,但是无法避免哈希冲突。
哈希冲突解决
解决哈希冲突两种常见的方法是:闭散列 和 开散列。
解决哈希冲突两种常见方法的介绍
闭散列
闭散列 :也叫开放定址法,当发生哈希冲突时,如果哈希表未被装满,说明在哈希表中必然还有空位置,那么可以把 key 存放到冲突位置中的 “下一个” 空位置中去。
【核心思想】
通过哈希函数计算出这个数据对应的哈希位置,如果该位置出现了哈希冲突,我们就重新探测一个空闲位置,将其插入。
那如何重新探测新的位置呢?
当我们往散列表中插入数据时,如果某个数据经过散列函数散列之后,存储位置已经被占用了,我们就从当前位置开始,依次往后查找,看是否有空闲位置,直到找到为止。如果数组整个都没有空位置,这个时候就需要对数组进行扩容操作。
而我们要获取数据的时候就需要先 Hash 运算,然后得到下标后再去拿值,拿到值后要比对是不是要拿的数据,因为有可能 Hash 冲突了,此时的值并不是你想要的,如果是就直接取出,不是的话就需要重新遍历数组,直到找到对应的数。
下一个空位置
当前哈希位置已经存放了数据,下一个元素也是映射的这个位置,发生哈希冲突了,该怎么办呢?
- 如果哈希表未被装满,说明在哈希表中必然还有空位置,那么可以把该元素存放到冲突位置的“下一个空位置”中去。
- 如果整个数组都没有空位置了,这个时候就需要对数组进行扩容操作。
找下一个空位置有两种方法:线性探测和二次线性探测。
① 线性探测
线性探测:从发生冲突的位置开始,依次向后探测,直到寻找到下一个空位置为止。
【插入】
通过哈希函数获取待插入元素在哈希表中的位置。
如果该位置中没有元素则直接插入新元素,如果该位置中有元素发生哈希冲突,使用线性探测找到下一个空位置,插入新元素。
hash(44) = 44%10 = 4
出现哈希冲突:哈希地址 4 已经存放了数据,从冲突位置开始往后找空位置。
【删除】
采用 闭散列处理哈希冲突 时,不能随便物理删除哈希表中已有的元素,若直接删除元素 会影响其他元素的搜索。
比如删除元素 4,如果直接删除掉,44 查找起来可能会受影响。因此线性探测采用标记的伪删除法来删除一个元素。
// 哈希表每个空间给个标记
// EMPTY此位置空, EXIST此位置已经有元素, DELETE元素已经删除
enum State{EMPTY, EXIST, DELETE};
【线性探测的实现】
// 注意:假如实现的哈希表中元素唯一,即key相同的元素不再进行插入
// 为了实现简单,此哈希表中我们将比较直接与元素绑定在一起
template<class K, class V>
class HashTable
{
struct Elem
{
pair<K, V> _val;
State _state;
};
public:
HashTable(size_t capacity = 3)
: _ht(capacity), _size(0)
{
for(size_t i = 0; i < capacity; ++i)
_ht[i]._state = EMPTY;
}
bool Insert(const pair<K, V>& val)
{
// 检测哈希表底层空间是否充足
// _CheckCapacity();
size_t hashAddr = HashFunc(key);
// size_t startAddr = hashAddr;
while(_ht[hashAddr]._state != EMPTY)
{
if(_ht[hashAddr]._state == EXIST && _ht[hashAddr]._val.first == key)
return false;
hashAddr++;
if(hashAddr == _ht.capacity())
hashAddr = 0;
/*
// 转一圈也没有找到,注意:动态哈希表,该种情况可以不用考虑,哈希表中元素个数到达一定的数量,哈希冲突概率会增大,需要扩容来降低哈希冲突,因此哈希表中元素是不会存满的
if(hashAddr == startAddr)
return false;
*/
}
// 插入元素
_ht[hashAddr]._state = EXIST;
_ht[hashAddr]._val = val;
_size++;
return true;
}
int Find(const K& key)
{
size_t hashAddr = HashFunc(key);
while(_ht[hashAddr]._state != EMPTY)
{
if(_ht[hashAddr]._state == EXIST && _ht[hashAddr]._val.first == key)
return hashAddr;
hashAddr++;
}
return hashAddr;
}
bool Erase(const K& key)
{
int index = Find(key);
if(-1 != index)
{
_ht[index]._state = DELETE;
_size++;
return true;
}
return false;
}
size_t Size()const;
bool Empty() const;
void Swap(HashTable<K, V, HF>& ht);
private:
size_t HashFunc(const K& key)
{
return key % _ht.capacity();
}
private:
vector<Elem> _ht;
size_t _size;
};
- 线性探测优点:实现非常简单。
- 线性探测缺点:一旦发生哈希冲突,所有的冲突连在一起,容易产生数据“堆积”,即:不同关键码占据了可利用的空位置,使得寻找某关键码的位置需要许多次比较,导致搜索效率降低。
如何缓解呢?
插入和查找的效率都会降低很多,插入元素时,从冲突位置开始不断往后找到下一个空位置;查找元素时,从冲突位置开始不断往后找,需要比较许多次,导致搜索效率降低。最坏情况下要直到找到空位置时,才能说明没有该元素。
② 二次探测
线性探测的缺陷是产生冲突的数据堆积在一块,这与其找下一个空位置有关系,因为找空位置的方式就是挨着往后逐个去找,因此二次探测为了避免该问题,找下一个空位置的方法为:Hash(key) = key % n + i² ( i = 1,2,3… )。
通过哈希函数 Hash(key) 计算出元素的关键码 key 对应的位置再加上 i 的平方,n 是表的大小。
二次探测相比线性探测的好处:
如果一个位置有很多数据冲突,那么二次探测会让这些数据存储位置会比较分散,不会集中在一起,导致一片一片的冲突。
如果上面要插入 44,产生冲突,使用解决后的情况为:
研究表明:当表的长度为质数且表装载因子 a 不超过 0.5 时,新的表项一定能够插入,而且任 何一个位置都不会被探查两次。
因此只要表中有一半的空位置,就不会存在表满的问题。在 搜索时可以不考虑表装满的情况,但在插入时必须确保表的装载因子 a 不超过 0.5,如果超出必须考虑增容。
因此:比散列最大的缺陷就是 空间利用率比较低 ,这也是哈希的缺陷。
【二次探测相比线性探测的好处】
如果一个位置有很多数据冲突,那么二次探测会让这些数据存储位置会比较分散,不会集中在一起,导致一片一片的冲突。
【插入】
如果要插入 333 和 33,产生冲突,分别使用线性探测和二次探测,解决后的情况为:
闭散列的实现
哈希表就是数组,只不过是按照某种映射关系把元素存放进去的数组。
闭散列的结构(KV模型)
// 闭散列
namespace close_hash
{
// 标记哈希表中某个位置的存储状态
enum Status
{
EMPTY, // 此位置空
EXIST, // 此位置已有元素
DELETE // 此位置元素已被删除
};
// 定义哈希表中元素的结构
template<class K, class V>
struct HashData
{
pair<K, V> _kv; // 键值对
Status _status = EMPTY; // 存储状态标记,默认为空
};
// 仿函数(解决哈希函数采用除留余数法时,将不能取模的类型转换成可以取模的size_t类型)
// 默认仿函数类
template<class K>
struct HashFunc
{
// 针对size_t类型和能够隐式类型转换成size_t的类型
size_t operator()(const K& key)
{
return key;
}
};
// 特化仿函数
template<>
struct HashFunc<string>
{
// 把string类型转换成可以取模的size_t类型
size_t operator()(const string& key)
{
size_t hash_key = 0;
for (size_t i = 0; i < key.size(); i++)
{
hash_key *= 131;
hash_key += key[i];
}
return hash_key;
}
};
// 定义哈希表(KV模型)
// Hash = HashFunc<K>:仿函数,给一个默认的仿函数
template<class K, class V, class Hash = HashFunc<K>>
class HashTable
{
public:
// 构造、拷贝构造、赋值重载、析构都不需要写,调用vector的就行了
HashData<K, V>* Find(const K& key); // 查找元素
bool Insert(const pair<K, V>& kv); // 插入元素
bool Erase(const K& key); // 删除元素
private:
vector<HashData<K, V>> _tables; // 哈希表
size_t _n = 0; // 存储的有效元素个数,默认为0
// 注意:因为元素不是挨着挨着存的,所以需要一个变量去表示有效元素个数
};
}
如何表示哈希表中某个位置是否存放的有元素?
肯定不能用 0 / -1 来表示,万一需要存放的数据就有 0 / -1 呢?
哈希表中每个位置存储数据的同时,再存储一个状态标记,表示该位置的存储状态(空、存在、删除)
enum Status
{
EMPTY, // 此位置空
EXIST, // 此位置已有元素
DELETE // 此位置元素已被删除
};
插入元素
先要知道要严格控制闭散列中的元素数量
原因:
如果元素数量太多,插入元素时很容易发生哈希冲突。
如果元素数量太多,又存在哈希冲突,就会导致插入和查找的效率大幅度降低。
因为查找元素最坏要查找到空位置时才能停止,所以闭散列是不能存满的,如果存满了,就没有空位置了,当查找的元素又不在闭散列中时,就会陷入死循环。
所以,第一步:当闭散列中的元素数量达到一定程度时,就必须要扩容,降低哈希冲突的概率,提高性能。
这里需要引入一个概念:
【负载因子】
- 负载因子越大,表明填入表中的元素越多,发生哈希冲突的可能性越大,空间浪费少。
- 负载因子越小,表明填入表中的元素越少,发生哈希冲突的可能性越小,空间浪费多。
void CheckCapacity()
{
if(_size * 10 / _ht.capacity() >= 7)
{
HashTable<K, V, HF> newHt(GetNextPrime(ht.capacity));
for(size_t i = 0; i < _ht.capacity(); ++i)
{
if(_ht[i]._state == EXIST)
newHt.Insert(_ht[i]._val);
}
Swap(newHt);
}
}
比如闭散列的容量是10,负载因子是 0.7,10 * 0.7 = 7,也就是说,当容量超过 7 的时候就会进行扩容操作。
【注意 1】
如果当前的闭散列容量是 10,表中有 n 个元素,如何判断当前闭散列的负载因子是否超过 0.7 了:
不能直接这样写:if (n / 10 >= 0.7),两个整数相除等于 0,无法判断。
正确写法,强转成double:if ((double)(n / 10) >= 0.7),或者同乘10: if (n * 10 / 10 >= 7)。
第二步: 再通过哈希函数计算出待插入元素在哈希表中的位置:
- 如果该位置有元素(即存储状态为:EXIST),说明发生了哈希冲突,使用线性探测(或二次探测)找到下一个空位置,然后插入新元素;
- 如果该位置中没有元素(即存储状态为: EMPTY / DELETE),则直接插入新元素。
【测试】插入元素过程中,分别用线性探测和二次探测来找下一个空位置。
代码如下:
bool Insert(const pair<K, V>& kv)
{
// 防止数据冗余
if (Find(kv.first) != nullptr)
{
return false; // 若待插入元素的关键码已存在表中,则插入失败
}
// 1、如果表为空或表的负载因子>=0.7,那么需要检查哈希表是否需要扩容
if (_tables.size() == 0 || _n * 10 / _tables.size() >= 7) // 注意
{
// 计算新容量(按2倍扩容)
size_t new_size = _tables.size() == 0 ? 10 : _tables.size() * 2;
// 开始扩容
// 定义一个新的哈希表(局部变量)
HashTable<K, V, Hash> new_hash_table;
new_hash_table._tables.resize(new_size); // 更改新表容量
// 遍历旧表中的所有元素,重新计算它在新表中的位置,一一插入到新表中
for (size_t i = 0; i < _tables.size(); i++)
{
if (_tables[i]._status == EXIST) // EXIST: 此位置已有元素
{
new_hash_table.Insert(_tables[i]._kv); // 递归调用Insert,复用代码
}
}
// 交换新表和旧表的内容(即交换新旧表vector的内容)
_tables.swap(new_hash_table._tables);
}
// 2、再通过哈希函数计算出待插入元素在哈希表中的位置
// 这里要模size(),不能模capacity(),因为vector中能存放元素的个数为size()
size_t start = Hash()(kv.first) % _tables.size();
size_t i = 0;
size_t index = start;
// 3、该位置有元素,说明发生了哈希冲突,则使用线性检测找到下一个空位置
while (_tables[index]._status == EXIST) // EXIST: 表示该位置已经有元素
{
i++; // 往后找
index = start + i; // 线性探测
// index = start + i * i; // 二次探测
// 如果超出表尾了,又从表头继续开始找
index %= _tables.size();
}
// 4、该位置没有元素则直接插入
_tables[index]._kv = kv;
_tables[index]._status = EXIST; // 标记该位置的存储状态:存在
_n++; // 有效元素个数+1
// 5、插入成功,返回true
return true;
}
【注意 2】
如果有重复元素,会导致闭散列中不同的位置中存放着相同的关键码,那么将会引起歧义。该如何防止数据冗余呢?
插入前先 Find(key) 查找一下,判断待插入元素是否已经存在表中,如果存在,就不要再插入了。
查找元素
先检查哈希表是否为空:
- 若为空,查找失败,直接返回 nullptr,再通过哈希函数计算出要查找元素在哈希表中对应的位置。
- 如果该位置不为空(即存储状态为:EXIST / DELETE),开始往后查找,直到遇到空位置才停止(如果遇到空位置都还没查找到,说明哈希表中没有该元素),查找过程中,如果当前位置存储状态为存在,则判断是不是要查找的元素:
- 如果是,查找成功,返回该元素的地址;
- 如果不是,继续往后找。
如果该位置为空(即存储状态为:EMPTY),返回 nullptr。
代码如下:(这里写了线性探测 / 二次探测两个版本)
HashData<K, V>* Find(const K& key)
{
// 先检查哈希表是否为空
if (_tables.size() == 0) // 说明查找失败
{
return nullptr;
}
// 1、先通过哈希函数计算出要查找元素在哈希表中对应的位置
size_t start = Hash()(key) % _tables.size();
size_t i = 0;
size_t index = start;
// 2、该位置不为空
while (_tables[index]._status != EMPTY)
{
/*
* 当前位置存储状态为存在,才去判断当前位置是不是要查找的元素。为什么呢?
* 因为我们采用标记的伪删除法来删除一个元素,并没有清除元素的关键码,所以还可以被查找到
*/
if (_tables[index]._status == EXIST && key == _tables[index]._kv.first)
{
return &_tables[index]; // 返回该元素的地址
}
i++;
index = start + i; // 线性探测
// index = start + i * i; // 二次探测
index %= _tables.size(); // 如果超出表尾了,又从表头继续开始找
}
// 3、该位置为空
return nullptr;
}
删除元素
采用闭散列处理哈希冲突时,不能随便物理删除哈希表中已有的元素,若直接删除元素会影响其他元素的搜索。
直接删除掉了元素 333,那么元素 44 查找起来就会受影响(因为哈希位置 4 此时为空),导致查找不到,所以用线性探测采用标记的伪删除法来删除一个元素。哈希表中每个位置存储数据的同时,再存储一个状态标记,表示该位置的存储状态(空、存在、删除)
代码如下:
// 删除元素
bool Erase(const K& key)
{
// 查找,判断该元素是否在表中
HashData<K, V>* ret = Find(key);
// 待删除元素的关键码不在表中
if(ret == nullptr)
{
return false;
}
// 待删除元素的关键码在表中
ret->_status = DELETE; // 伪删除,标记该位置的存储状态为:删除
_n--; // 有效元素个数-1
return true;
}
【思考1】 因为哈希函数采用的是除留余数法,被模的 key 必须要为整型才可以处理,导致闭散列只能存储 key 为整型的元素,其他类型怎么解决?
如果 key 是 string 类型或其它自定义类型,不能直接取模来计算出它的位置,我们就传一个对应的仿函数,来将其转换成整型。
// 定义一个默认仿函数类(针对size_t类型和能够隐式类型转换成size_t的类型)
template<class K>
struct HashFunc
{
// key: 元素关键码
// 如果key是整数,转换成size_t,然后返回key
// 如果key是浮点数,隐式类型转换成size_t,然后返回key
size_t operator()(const K& key)
{
return key;
}
};
// 定义仿函数类(专门针对元素关键码是string类型的,将其转换成可以取模的size_t类型)
struct HashFuncString
{
size_t operator()(const string& key)
{
// 方法一:每个字符的ASCII码值加起来
// 缺陷:不同字符串可能加出同样的结果,无法保证key的唯一性
size_t hash_key = 0;
for (size_t i = 0; i < key.size(); i++)
{
hash_key += key[i];
}
return hash_key;
}
};
【思考2】 unordered 系列容器底层就是哈希表,但我们用的时候也并没有传仿函数。因为 string 类型作为元素关键码 key 很常见,我们也不可能每次都去写一个仿函数。那是如何做到的呢?
写一个针对 string 类型取模的特化版本仿函数。
// 默认仿函数类(针对size_t类型和能够隐式类型转换成size_t的类型)
template<class K>
struct HashFunc
{
size_t operator()(const K& key)
{
return key;
}
};
// 特化仿函数(把string类型转换成可以取模的size_t类型)
template<>
struct HashFunc<string>
{
size_t operator()(const string& key)
{
size_t hash_key = 0;
for (size_t i = 0; i < key.size(); i++)
{
hash_key *= 131;
hash_key += key[i];
}
return hash_key;
}
};
闭散列的效率
从上面可以明显的看出来开发寻址法并不是一种好的方案。
最好的情况时,时间复杂度为 O(1),而最坏的情况时就需要遍历整个数组从而时间复杂度退化为 O(n),平均时间复杂度为 O(1)。
开散列
开散列概念
开散列法又叫哈希桶、链地址法, 首先对关键码集合用散列函数计算散列地址,具有相同地址的关键码归于同一子集合, 每一个子集合称为一个桶 ,各个桶中的元素通过一个单链表链 接起来,各链表的头结点存储在哈希表中。
我们获取数据的时候只需要 Hash 运算后拿到下标,然后拿到链表比对是否为获取的数据即可,看起来好像复杂度和开放寻址法也差不多。但其实不然,首先 Hash 冲突并不是每次都会发生,其次因为会不断的进行动态扩容,所以碰撞的几率会减少,所以冲突的链表并不会像开放寻址法的数组那样长。
从上图可以看出,开散列中每个桶中放的都是发生哈希冲突的元素。
开散列实现
开散列的结构(KV模型)
【思考】 因为哈希函数采用的是除留余数法,被模的 key 必须要为整型才可以进行处理,导致开散列只能存储 key 为整型的元素,那么其他类型怎么解决?
如果 key 是 string 类型或者是其它的自定义类型,那么通过传对应的仿函数,将不能取模的类型转换成可以取模的 size_t 类型。
namespace hash_bucket
{
// 定义哈希表节点结构(KV模型)
template<class K, class V>
struct HashNode
{
pair<K, V> _kv; // 数据域:键值对
HashNode<K, V>* _next; // 后继指针
// 构造函数
HashNode(const pair<K, V>& kv)
: _kv(kv)
, _next(nullptr)
{}
};
// 仿函数(解决哈希函数采用除留余数法时,将不能取模的类型转换成可以取模的size_t类型)
// 默认仿函数类
template<class K>
struct HashFunc
{
// 针对size_t类型和能够隐式类型转换成size_t的类型
size_t operator()(const K& key)
{
return key;
}
};
// 特化仿函数
template<>
struct HashFunc<string>
{
// 把string类型转换成可以取模的size_t类型
size_t operator()(const string& key)
{
size_t hash_key = 0;
for (size_t i = 0; i < key.size(); i++)
{
hash_key *= 131;
hash_key += key[i];
}
return hash_key;
}
};
// 定义哈希表结构(KV模型)
// Hash = HashFunc<K>:仿函数,给一个默认的仿函数
template<class K, class V, class Hash = HashFunc<K>>
{
typedef HashNode<K, V> Node;
public:
// 构造、拷贝构造、赋值重载需要自己写,因为这里是哈希桶结构
// ...
~HashTable() // 析构函数
{
// 遍历哈希表,找到不为空的哈希桶
for (size_t i = 0; i < _tables.size(); i++)
{
Node* cur = _tables[i];
while (cur) // 哈希桶不为空,释放哈希桶中的所有节点
{
Node* next = cur->_next; // 记录cur指向节点的下一个节点
delete cur; // 释放节点
cur = next; // 继续去释放下一个节点
}
_tables[i] = nullptr;
}
_n = 0;
}
Node* Find(const K& key); // 查找节点
bool Insert(const pair<K, V>& kv); // 插入节点
bool Erase(const K& key); // 删除节点
private:
vector<Node*> _tables; // 哈希表存储各链表的头结点地址
size_t _n = 0; // 哈希表中有效节点的个数,缺省为0
};
}
查找节点
开散列的搜索效率由桶的长度决定,桶的长度短,效率就高。
查找节点思路:
- 先检查哈希表是否为空,若为空,直接返回 nullptr。
- 通过哈希函数计算出该元素映射的哈希桶的位置,然后遍历该哈希桶,查找节点,若找到,返回节点地址;若没找到,返回空。
Node* Find(const K& key)
{
// 1、先检查哈希表是否为空
if (_tables.size() == 0)
{
return nullptr;
}
// 2、再通过哈希函数计算出该元素所映射的位置(即映射的哈希桶位置)
size_t index = Hash()(key) % _tables.size();
// 3、遍历该哈希桶,查找节点
Node* cur = _tables[index]; // cur指向该哈希桶
while (cur) // 遍历该哈希桶的所有节点
{
if (key == cur->_kv.first)
{
return cur; // 找到了,返回节点地址
}
cur = cur->_next;
}
// 4、没找到,返回空
return nullptr;
}
插入节点
- 负载因子
哈希桶一般是把负载因子控制在 1 以内(平均每个位置下面挂了一个节点),等于 1 就要扩容了。
- 开散列扩容
桶的个数是一定的,随着元素的不断插入,每个桶中元素的个数不断增多,极端情况下,可能会导致一个桶中链表节点非常多,会影响的哈希表的性能,因此在一定条件下需要对哈希表进行增容,那该条件怎么确认呢?
开散列最好的情况是:每个哈希桶中刚好挂一个节点,再继续插入元素时,每一次都会发生哈希冲突。因此,当元素个数刚好等于桶的个数时,可以给哈希表增容。
思路:
- 先检查哈希表是否需要扩容:表为空或者负载因子为 1。
扩容时,需要把旧表的所有节点转移到新表中,然后再交换新表和旧表。- 再通过哈希函数计算出待插入节点映射的哈希桶的位置。
- 检查该哈希桶中是否存在该节点:
若不存在,则进行头插;
若存在,不允许数据冗余,插入失败。
bool Insert(const pair<K, V>& kv)
{
// 1、先检查哈希表是否需要扩容:表为空或者负载因子超过1
if (_n == _tables.size())
{
// 计算新容量(按2倍扩)
size_t newSize = _tables.size() == 0 ? 10 : _tables.size() * 2;
// 计算新容量(素数大小,按近似2倍扩)
// size_t newSize = GetNextPrime(_tables.size());
// 开始扩容
// 创建一个新表(局部变量)
vector<Node*> newTables;
newTables.resize(newSize);
/*
* 遍历完旧表中的所有节点,重新计算它在新表中的位置,转移到新表中
* 这里是把旧表的节点转移到新表中,而不是构造新的节点插入到新表中
*/
for (size_t i = 0; i < _tables.size(); i++)
{
Node* cur = _tables[i]; // cur当前指向的哈希桶
// 哈希桶不为空,开始转移哈希桶中的节点
while (cur != nullptr)
{
// 保存cur指向节点的下一个节点
Node* next = cur->_next;
// 重新计算cur指向的旧表节点,映射到新表中的位置
size_t index = Hash()(cur->_kv.first) % newSize;
// 把cur指向的旧表节点,转移到新表中
cur->_next = newTables[index];
newTables[index] = cur;
// 继续转移下一个旧表节点
cur = next;
}
// 节点转移完毕,把当前哈希桶置空
_tables[i] = nullptr;
}
// 旧表所有节点全部转移到新表中了,交换新表与旧表
_tables.swap(newTables);
}
// 2、再通过哈希函数计算出待插入元素映射的哈希桶的位置
size_t index = Hash()(kv.first) % _tables.size();
// 3、插入节点到该位置的哈希桶中
// (1)先检查哈希桶中是否存在重复节点(因为不允许数据冗余)
Node* cur = _tables[index]; // cur指向哈希桶的第一个节点
while (cur)
{
if (kv.first == cur->_kv.first)
{
return false; // 存在重复节点,插入失败
}
cur = cur->_next;
}
// (2)开始头插
Node* newNode = new Node(kv); // 申请新节点
newNode->_next = _tables[index]; // 头插
_tables[index] = newNode;
_n++; // 有效节点个数+1
// (3)插入成功
return true;
思考:
1、只能存储key为整形的元素,其他类型怎么解决?
// 哈希函数采用处理余数法,被模的key必须要为整形才可以处理,此处提供将key转化为
整形的方法
// 整形数据不需要转化
template<class T>
class DefHashF
{
public:
size_t operator()(const T& val)
{
return val;
}
};
// key为字符串类型,需要将其转化为整形
class Str2Int
{
public:
size_t operator()(const string& s)
{
const char* str = s.c_str();
unsigned int seed = 131; // 31 131 1313 13131 131313
unsigned int hash = 0;
while (*str)
{
hash = hash * seed + (*str++);
}
return (hash & 0x7FFFFFFF);
}
};
// 为了实现简单,此哈希表中我们将比较直接与元素绑定在一起
template<class V, class HF>
class HashBucket
{
// ...
private:
size_t HashFunc(const V& data)
{
return HF()(data.first)%_ht.capacity();
}
};
2、除留余数法,最好模一个素数,如何每次快速取一个类似两倍关系的素数?
哈希表每次扩容时,调用 GetNextPrime(_tables.size()) 获取下一个素数,既保证了表的大小是一个素数,而且还达到了近似2倍的扩容,还保证了计算哈希位置时是模一个素数。
// 素数表,放了经过筛选的28个素数
size_t GetNextPrime(size_t prime)
{
const int PRIMECOUNT = 28;
static const size_t primeList[PRIMECOUNT] =
{
53ul, 97ul, 193ul, 389ul, 769ul,
1543ul, 3079ul, 6151ul, 12289ul, 24593ul,
49157ul, 98317ul, 196613ul, 393241ul, 786433ul,
1572869ul, 3145739ul, 6291469ul, 12582917ul, 25165843ul,
50331653ul, 100663319ul, 201326611ul, 402653189ul, 805306457ul,
1610612741ul, 3221225473ul, 4294967291ul
};
size_t i = 0;
for (; i < PRIMECOUNT; ++i)
{
if (primeList[i] > prime)
return primeList[i];
}
return primeList[i];
}
【补充】ul: unsigned long
扩容问题
哈希桶一般是把负载因子控制在 1 以内(平均每个位置下面挂了一个节点),等于 1 就要扩容了。
如果出现极端情况,所有节点都挂在了哈希表中的一个桶下面,导致链表越来越长,这将会极大影响查找节点和删除节点的效率,插入节点的效率倒不影响,因为是头插。
如何解决呢?
当链表长度达到一定长度的时候,就会把链表转化为红黑树。
但 C++ 库里面暂时没有这样做,Java 的 HashMap 使用的是这种方案,原因就是因为红黑树查询的时间复杂度是比链表要快的(JDK 中每个桶默认超过 8 个就会转成红黑树)。
删除节点
思路:
- 先判断哈希表是否为空,若为空,则删除失败。
- 再通过哈希函数计算出待删除节点对应的哈希桶的位置。
- 遍历该哈希桶,查找待删除节点和它的前驱节点。
若找到,判断是头节点还是非头节点,好确定删除方式;
若没找到,则删除失败。
// 删除节点
bool Erase(const K& key)
{
// 1、先判断哈希表是否为空
if (_tables.size() == 0)
{
return false; // 表为空,删除失败
}
// 2、通过哈希函数计算出待删除节点所映射哈希桶的位置
size_t index = Hash()(key) % _tables.size();
// 3、遍历该哈希桶,查找待删除节点,以及它的前驱节点
Node* cur = _tables[index];
Node* prev = nullptr;
while (cur)
{
if (key == cur->_kv.first) // 找到该节点了
{
if (cur == _tables[index]) // cur是头节点,进行头删
{
_tables[index] = cur->_next;
}
else // cur不是头节点
{
prev->_next = cur->_next;
}
delete cur;
cur = nullptr;
_n--; // 有效节点个数-1
return true;
}
prev = cur;
cur = cur->_next;
}
return false;
}
开散列的效率
开散列每次扩容 2 倍,或者一个素数的大小,都是为了减少 Hash 冲突,而减少 Hash 冲突的原因就是让时间复杂度降低到 O(1),因为一旦 Hash 冲突,时间复杂度可能就不在是 O(1)。
开散列与闭散列比较
应用链地址法处理溢出,需要增设链接指针,似乎增加了存储开销。
事实上,由于开地址法必须保持大量的空闲空间以确保搜索效率,如二次探查法要求装载因子a <= 0.7,而表项所占空间又比指针大的多,所以使用链地址法反而比开地址法节省存储空间。