哈希表：解锁高效数据存储的秘密

于 2025-03-13 18:48:01 发布
阅读量888 收藏 23
点赞数 21
文章标签： 数据结构 哈希算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84107961/article/details/146236112
版权

 1.哈希概念

哈希(hash)⼜称散列，是⼀种组织数据的⽅式。从译名来看，有散乱排列的意思。本质就是通过哈希函数把关键字Key跟存储位置建⽴⼀个映射关系，查找时通过这个哈希函数计算出Key存储的位置，进⾏快速查找。

1.1直接定址法 

当关键字的范围⽐较集中时，直接定址法就是⾮常简单⾼效的⽅法，⽐如⼀组关键字都在[0,99]之间，那么我们开⼀个100个数的数组，每个关键字的值直接就是存储位置的下标。再⽐如⼀组关键字值都在[a,z]的⼩写字⺟，那么我们开⼀个26个数的数组，每个关键字acsii码-a ascii码就是存储位置的下标。也就是说直接定址法本质就是⽤关键字计算出⼀个绝对位置或者相对位置。

 387. 字符串中的第一个唯一字符 - 力扣（LeetCode）

class Solution {
public:
	int firstUniqChar(string s) {
		// 每个字⺟的ascii码-'a'的ascii码作为下标映射到count数组，数组中存储出现的次数
		int count[26] = { 0 };
		// 统计次数
		for (auto ch : s)
		{
			count[ch - 'a']++;
		}
		for (size_t i = 0; i < s.size(); ++i)
		{
			if (count[s[i] - 'a'] == 1)
				return i;
		}
		return -1;
	}
};

1.2哈希冲突 

直接定址法的缺点也⾮常明显，当关键字的范围⽐较分散时，就很浪费内存甚⾄内存不够⽤。假设我们只有数据范围是[0, 9999]的N个值，我们要映射到⼀个M个空间的数组中(⼀般情况下M >= N)，那么就要借助哈希函数(hash function)hf，关键字key被放到数组的h(key)位置，这⾥要注意的是h(key)计算出的值必须在[0, M)之间。
这⾥存在的⼀个问题就是，两个不同的key可能会映射到同⼀个位置去，这种问题我们叫做哈希冲突，或者哈希碰撞。理想情况是找出⼀个好的哈希函数避免冲突，但是实际场景中，冲突是不可避免的，所以我们尽可能设计出优秀的哈希函数，减少冲突的次数，同时也要去设计出解决冲突的⽅案。

 1.3负载因子

假设哈希表中已经映射存储了N个值，哈希表的⼤⼩为M，那么 ，负载因⼦有些地⽅也翻译为载荷因⼦/装载因⼦等。负载因⼦越⼤，哈希冲突的概率越⾼，空间利⽤率越⾼；负载因⼦越⼩，哈希冲突的概率越低，空间利⽤率越低。

1.4将关键字转为整数 

我们将关键字映射到数组中位置，⼀般是整数好做映射计算，如果不是整数，我们要想办法转换成整数，这个细节我们后⾯代码实现中再进⾏细节展⽰。下⾯哈希函数部分我们讨论时，如果关键字不是整数，那么我们讨论的Key是关键字转换成的整数。

1.5哈希函数 

⼀个好的哈希函数应该让N个关键字被等概率的均匀的散列分布到哈希表的M个空间中，但是实际中却很难做到，但是我们要尽量往这个⽅向去考量设计。

 

 1.5.1除法散列法/除留余数法

  • 除法散列法也叫做除留余数法，顾名思义，假设哈希表的⼤⼩为M，那么通过key除以M的余数作为映射位置的下标，也就是哈希函数为：h(key) = key % M。
  • 当使⽤除法散列法时，要尽量避免M为某些值，如2的幂，10的幂等。如果是 2ª ，那么key %2ª  本质相当于保留key的后a位，那么后a位相同的值，计算出的哈希值都是⼀样的，就冲突了如：{63 , 31}看起来没有关联的值，如果M是16，也就是 2⁴ ，那么计算出的哈希值都是15，因为63的⼆进制后8位是 00111111，31的⼆进制后8位是 00011111。如果是 10ª ，就更明显了，保留的都是10进值的后a位，如：{112, 12312}，如果M是100，也就是 10² ，那么计算出的哈希值都是12。
  • 当使⽤除法散列法时，建议M取不太接近2的整数次幂的⼀个质数(素数)。

1.6处理哈希冲突 

实践中哈希表⼀般还是选择除法散列法作为哈希函数，当然哈希表⽆论选择什么哈希函数也避免不了冲突，那么插⼊数据时，如何解决冲突呢？主要有两种两种⽅法，开放定址法和链地址法。

1.6.1 开放定址法

在开放定址法中所有的元素都放到哈希表⾥，当⼀个关键字key⽤哈希函数计算出的位置冲突了，则按照某种规则找到⼀个没有存储数据的位置进⾏存储，开放定址法中负载因⼦⼀定是⼩于的。这⾥的规则有三种：线性探测、⼆次探测、双重探测。

线性探测

  • 从发⽣冲突的位置开始，依次线性向后探测，直到寻找到下⼀个没有存储数据的位置为⽌，如果⾛到哈希表尾，则回绕到哈希表头的位置。
  • h(key) = hash0 = key % M, hash0位置冲突了，则线性探测公式为：hc(key,i) = hashi = (hash0 + i) % M， i = {1, 2, 3, ..., M − 1}，因为负载因⼦⼩于1，则最多探测M-1次，⼀定能找到⼀个存储key的位置。

下⾯演⽰ {19,30,5,36,13,20,21,12} 等这⼀组值映射到M=11的表中。

h(19) = 8 ， h(30) = 8 ， h(5) = 5 ， h(36) = 3 ， h(13) = 2 ， h(20) = 9 ， h(21) = 10， h(12) = 1

 

线性探测的⽐较简单且容易实现，线性探测的问题假设，hash0位置连续冲突，hash0，hash1，
hash2位置已经存储数据了，后续映射到hash0，hash1，hash2，hash3的值都会争夺hash3位
置，这种现象叫做群集/堆积。下⾯的⼆次探测可以⼀定程度改善这个问题。

二次探测 

  • 从发⽣冲突的位置开始，依次左右按⼆次⽅跳跃式探测，直到寻找到下⼀个没有存储数据的位置为止，如果往右⾛到哈希表尾，则回绕到哈希表头的位置；如果往左⾛到哈希表头，则回绕到哈希表尾的位置。
  • h ( key ) = hash 0 = key % M , hash0位置冲突了，则⼆次探测公式为： hc ( key , i ) = hashi = ( hash 0 ± i ² ) % M ， i = {1, 2, 3, ..., }。
  •  ⼆次探测当 hashi = (hash0 − i² )%M 时，当hashi<0时，需要hashi += M。

下⾯演⽰ {19,30,52,63,11,22} 等这⼀组值映射到M=11的表中。 

h(19) = 8, h(52) = 8, h(30) = 8 , h(63) = 8, h(11) = 0, h(22) = 0

1.6.2开放定址法代码实现 

开放定址法在实践中，不如下⾯讲的链地址法，因为开放定址法解决冲突不管使⽤哪种⽅法，占⽤的都是哈希表中的空间，始终存在互相影响的问题。所以开放定址法，我们简单选择线性探测实现即可。

开放定址法的哈希表结构 

enum State
{
	EXIST,
	EMPTY,
	DELETE
};
template<class K, class V>
struct HashData
{
	pair<K, V> _kv;
	State _state = EMPTY;
	
};

template < class K, class V>
class HashTable
{
private:
	vector<HashData<K, V>> _tables;
	size_t _n = 0; // 表中存储数据个数
};

 

要注意的是这⾥需要给每个存储值的位置加⼀个状态标识，否则删除⼀些值以后，会影响后⾯冲突的值的查找。如下图，我们删除30，会导致查找20失败，当我们给每个位置加⼀个状态标识 （{EXIST,EMPTY,DELETE} ），删除30就可以不⽤删除值，而是把状态改为 DELETE ，那么查找20时就不会因为遇到EMPTY停止，就可以找到20。
h(19) = 8 ， h(30) = 8 ， h(5) = 5 ， h(36) = 3 ， h(13) = 2 ， h(20) = 9 ， h(21) = 10， h(12) = 1

 

 扩容

这⾥我们哈希表负载因⼦控制在0.7，当负载因⼦到0.7以后我们就需要扩容了，我们还是按照2倍扩容，但是同时我们要保持哈希表⼤⼩是⼀个质数，第⼀个是质数，2倍后就不是质数了。我们用sgi版本的哈希表使⽤的⽅法，给了⼀个近似2倍的质数表，每次去质数表获取扩容后的⼤⼩。 
inline unsigned long __stl_next_prime(unsigned long n)
{
	// Note: assumes long is at least 32 bits.
	static const int __stl_num_primes = 28;
	static const unsigned long __stl_prime_list[__stl_num_primes] =
	{
		53, 97, 193, 389, 769,
		1543, 3079, 6151, 12289, 24593,
		49157, 98317, 196613, 393241, 786433,
		1572869, 3145739, 6291469, 12582917, 25165843,
		50331653, 100663319, 201326611, 402653189, 805306457,
		1610612741, 3221225473, 4294967291
	};
	const unsigned long* first = __stl_prime_list;
	const unsigned long* last = __stl_prime_list + __stl_num_primes;
	const unsigned long* pos = lower_bound(first, last, n);
	return pos == last ? *(last - 1) : *pos;
}

 key不能取模的问题

当key是string/Date等类型时，key不能取模，那么我们需要给HashTable增加⼀个仿函数，这个仿函数⽀持把key转换成⼀个可以取模的整形，如果key可以转换为整形并且不容易冲突，那么这个仿函数就⽤默认参数即可，如果这个Key不能转换为整形，我们就需要⾃⼰实现⼀个仿函数传给这个参数，实现这个仿函数的要求就是尽量key的每值都参与到计算中，让不同的key转换出的整形值不同。string做哈希表的key⾮常常⻅，所以我们可以考虑把string特化⼀下。

 

template<class K>
class HashFunc
{
public:
	size_t operator()(const K& key)
	{
		return (size_t)key;
	}
};

// 特化
template<>
class HashFunc<string>
{
// 字符串转换成整形，可以把字符ascii码相加即可
// 但是直接相加的话，类似"abcd"和"bcad"这样的字符串计算出是相同的
// 这⾥我们使⽤BKDR哈希的思路，⽤上次的计算结果去乘以⼀个质数，这个质数⼀般去31, 131
// 等效果会⽐较好
public:
	size_t operator()(const string& key)
	{
		size_t hash = 0;
		for (auto ch : key)
		{
			hash += ch;
			hash *= 131;
		}

		return hash;
	}
};
template<class K, class V, class Hash = HashFunc<K>>
class HashTable
{
public:
private:
	vector<HashData<K, V>> _tables;
	size_t _n = 0; // 表中存储数据个数
};
完整代码实现 
namespace open_address
{
	enum State
	{
		EXIST,
		EMPTY,
		DELETE
	};
	template<class K, class V>
	struct HashData
	{
		pair<K, V> _kv;
		State _state = EMPTY;
	};
	template<class K, class V, class Hash = HashFunc<K>>
	class HashTable
	{
	public:
		inline unsigned long __stl_next_prime(unsigned long n)
		{
			// Note: assumes long is at least 32 bits.
			static const int __stl_num_primes = 28;
			static const unsigned long __stl_prime_list[__stl_num_primes] =
			{
				53, 97, 193, 389, 769,
                1543, 3079, 6151, 12289, 24593,
                49157, 98317, 196613, 393241, 786433,
                1572869, 3145739, 6291469, 12582917, 25165843,
                50331653, 100663319, 201326611, 402653189, 805306457,
                1610612741, 3221225473, 4294967291
			};
			const unsigned long* first = __stl_prime_list;
			const unsigned long* last = __stl_prime_list +
				__stl_num_primes;
			const unsigned long* pos = lower_bound(first, last, n);
			return pos == last ? *(last - 1) : *pos;
		}
		HashTable()
		{
			_tables.resize(__stl_next_prime(_tables.size()));
		}
		bool Insert(const pair<K, V>& kv)
		{
			if (Find(kv.first))
				return false;
			// 负载因⼦⼤于0.7就扩容
			if (_n * 10 / _tables.size() >= 7)
			{
				// 这⾥利⽤类似深拷⻉现代写法的思想插⼊后交换解决
				HashTable<K, V, Hash> newHT;
				newHT._tables.resize(__stl_next_prime(_tables.size()));
				for (size_t i = 0; i < _tables.size(); i++)
				{
					if (_tables[i]._state == EXIST)
					{
						newHT.Insert(_tables[i]._kv);
					}
				}
				_tables.swap(newHT._tables);
			}
			Hash hs;
			size_t hashi = hs(kv.first) % _tables.size();
			while (_tables[hashi]._state == EXIST)
			{
				++hashi;
				hashi %= _tables.size();
			}
			_tables[hashi]._kv = kv;
			_tables[hashi]._state = EXIST;
			++_n;
			return true;
		}
		HashData<K, V>* Find(const K& key)
		{
			Hash hs;
			size_t hashi = hs(key) % _tables.size();
			while (_tables[hashi]._state != EMPTY)
			{
				if (_tables[hashi]._state == EXIST
					&& _tables[hashi]._kv.first == key)
				{
					return &_tables[hashi];
				}
				++hashi;
				hashi %= _tables.size();
			}
			return nullptr;
		}
		bool Erase(const K& key)
		{
			HashData<K, V>* ret = Find(key);
			if (ret == nullptr)
			{
				return false;
			}
			else
			{
				ret->_state = DELETE;
				return true;
			}
		}
	private:
		vector<HashData<K, V>> _tables;
		size_t _n = 0; // 表中存储数据个数
	};
}

1.6.3 链地址法

解决冲突的思路 

开放定址法中所有的元素都放到哈希表⾥，链地址法中所有的数据不再直接存储在哈希表中，哈希表中存储⼀个指针，没有数据映射这个位置时，这个指针为空，有多个数据映射到这个位置时，我们把这些冲突的数据链接成⼀个链表，挂在哈希表这个位置下⾯，链地址法也叫做拉链法或者哈希桶。
下⾯演⽰ {19,30,5,36,13,20,21,12,24,96} 等这⼀组值映射到M=11的表中。

 

h(19) = 8 ， h(30) = 8 ， h(5) = 5 ， h(36) = 3 ， h(13) = 2 ， h(20) = 9 ， h(21) = 10， h(12) = 1,h(24) = 2,h(96) = 88
扩容
开放定址法负载因⼦必须⼩于1，链地址法的负载因⼦就没有限制了，可以⼤于1。负载因⼦越⼤，哈希冲突的概率越⾼，空间利⽤率越⾼；负载因⼦越⼩，哈希冲突的概率越低，空间利⽤率越低；stl中unordered_xxx的最⼤负载因⼦基本控制在1，⼤于1就扩容，我们下⾯实现也使⽤这个⽅式。

 1.6.4链地址法代码实现

namespace hash_bucket
{
	template<class K, class V>
	struct HashNode
	{
		pair<K, V> _kv;
		HashNode<K, V>* _next;
		HashNode(const pair<K, V>& kv)
			:_kv(kv)
			, _next(nullptr)
		{}
	};
	template<class K, class V, class Hash = HashFunc<K>>
	class HashTable
	{
		typedef HashNode<K, V> Node;
		inline unsigned long __stl_next_prime(unsigned long n)
		{
			static const int __stl_num_primes = 28;
			static const unsigned long __stl_prime_list[__stl_num_primes] =
			{
			53, 97, 193, 389, 769,
			1543, 3079, 6151, 12289, 24593,
			49157, 98317, 196613, 393241, 786433,
			1572869, 3145739, 6291469, 12582917, 25165843,
			50331653, 100663319, 201326611, 402653189, 805306457,
			1610612741, 3221225473, 4294967291
			};
			const unsigned long* first = __stl_prime_list;
			const unsigned long* last = __stl_prime_list +
				__stl_num_primes;
			const unsigned long* pos = lower_bound(first, last, n);
			return pos == last ? *(last - 1) : *pos;
		}
	public:
		HashTable()
		{
			_tables.resize(__stl_next_prime(_tables.size()), nullptr);
		}
		~HashTable()
		{
			// 依次把每个桶释放
			for (size_t i = 0; i < _tables.size(); i++)
			{
				Node* cur = _tables[i];
				while (cur)
				{
					Node* next = cur->_next;
					delete cur;
					cur = next;
				}
				_tables[i] = nullptr;
			}
		}
		bool Insert(const pair<K, V>& kv)
		{
			Hash hs;
			size_t hashi = hs(kv.first) % _tables.size();
			// 负载因⼦==1扩容
			if (_n == _tables.size())
			{
				/*HashTable<K, V> newHT;
				newHT._tables.resize(_tables.size() * 2);
				for (size_t i = 0; i < _tables.size(); i++)
				{
				    Node* cur = _tables[i];
				    while(cur)
				    {
				        newHT.Insert(cur->_kv);
				        cur = cur->_next;
				    }
				}
				_tables.swap(newHT._tables);*/
				// 这⾥如果使⽤上⾯的⽅法，扩容时创建新的结点，后⾯还要使⽤就结点，浪费了
				// 下⾯的⽅法，直接移动旧表的结点到新表，效率更好
				vector<Node*> newtables(__stl_next_prime(_tables.size()), nullptr);
				for (size_t i = 0; i < _tables.size(); i++)
				{
					Node* cur = _tables[i];
					while (cur)
					{
						Node* next = cur->_next;
						// 旧表中节点，挪动新表重新映射的位置
						size_t hashi = hs(cur->_kv.first) %
							newtables.size();
						// 头插到新表
						cur->_next = newtables[hashi];
						newtables[hashi] = cur;
						cur = next;
					}
					_tables[i] = nullptr;
				}
				_tables.swap(newtables);
			}
			// 头插
			Node* newnode = new Node(kv);
			newnode->_next = _tables[hashi];
			_tables[hashi] = newnode;
			++_n;
			return true;
		}
		Node* Find(const K& key)
		{
			Hash hs;
			size_t hashi = hs(key) % _tables.size();
			Node* cur = _tables[hashi];
			while (cur)
			{
				if (cur->_kv.first == key)
				{
					return cur;
				}
				cur = cur->_next;
			}
			return nullptr;
		}
		bool Erase(const K& key)
		{
			Hash hs;
			size_t hashi = hs(key) % _tables.size();
			Node* prev = nullptr;
			Node* cur = _tables[hashi];
			while (cur)
			{
				if (cur->_kv.first == key)
				{
					if (prev == nullptr)
					{
						_tables[hashi] = cur->_next;
					}
					else
					{
						prev->_next = cur->_next;
					}
					delete cur;
					--_n;
					return true;
				}
				prev = cur;
				cur = cur->_next;
			}
			return false;
		}
private:
	vector<Node*> _tables; // 指针数组
	size_t _n = 0; // 表中存储数据个数
};
}

 

小跌—
关注
掌握C#字典力量：一键解锁高效数据查找的秘密
java专栏
06-08 384
通过上述步骤，我们详细了解了在C#中使用进行查找操作的方法，包括创建、添加、查找（安全和非安全方式）、更新和删除元素，以及如何遍历字典。这些基础知识对于理解和应用C#中的键值对数据结构至关重要。
Day 59 哈希表储存
nihap123456的博客
09-17 224
哈希表，首先要确定表的大小。如果12个数据存到表大小为12的表中。则存的时候会比较浪费时间一些。 取值的时候一把就可以取出来。取得时候时间复杂度为O（1） #ifndef HASH_H #define HASH_H #include <stdio.h> #include <string.h> #include <stdlib.h> typedef int DAT...
哈希表存储结构以及字符串哈希
ZS8787的博客
02-24 1041
哈希表存储结构以及字符串哈希方式
哈希表（Hash Table）详解：高效数据存储与查找的利器
m0_64974617的博客
10-25 1627
哈希表（Hash Table）是一种用于高效存储和检索数据的数据结构。它通过一个名为哈希函数（Hash Function）的映射机制，将键（Key）和值（Value）对存储到数组中，以便快速访问数据。哈希表的最大优势在于平均情况下可以实现 O(1) 的查找、插入和删除操作，这使其在处理大量数据时非常高效。哈希表作为一种高效的数据结构，广泛应用于各种场景，特别是在需要快速存取数据的场景中表现优异。
哈希表（散列表）
weixin_75188368的博客
04-27 1060
除留余数法用关键字除以p得到的余数作为关键字的存储位置.(p是一个整数) 那么关键是怎么取到合适的除数p?技巧:设表长为m,取p<=m且为质数例如{15,23,27,38,53,61,70},散列函数Hash(key)=key%7,那么哈希表为:查找的时候同样用这个哈希函数,比如我们要查找70.用10除以7余数为0,直接去0号位置查找.以上就是我们常用的散列表的构造方法:直接定址法和除留余数法.非同义词不会冲突,无”聚集”现象;链表上节点空间动态申请,更适合于表长不确定的情况.
哈希表存储
w75779的博客
05-15 2630
哈希表最常见的存储结构有两种：开放寻址法、拉链法。 通常的映射方式为对一个数取模，这种方法很可能会将两个不同的数映射为一个相同的数，我们把这称为冲突。开放寻址法、拉链法就是两种处理冲突的方法。 较为简单方式----拉链法 const int N=10003; int h[N]; int val[N],ne[N],idx; 开一个一维数组存储所有的哈希值 void insert(int x) { int k=(x%N+N)%N;//使变为正数 val[idx]=x; ne[id
探秘 Map 和 Set 底层：二叉搜索树与哈希表的深度解析，解锁高效数据存储秘密！
最新发布
02-15
在探索高效数据存储的秘密时，了解Map和Set的底层数据结构是至关重要的。Map和Set是Java集合框架中最为常见的接口，其中TreeMap和TreeSet的底层使用了二叉搜索树，更准确地说是二叉平衡树的一个特例——红黑树。 ...
Python复合数据类型：解锁高效编程的秘密武器
qq_44771627的博客
08-23 523
复合数据类型是Python语言的重要组成部分，它们允许我们以更加灵活和高效的方式组织和操作数据。在日常编程中，这些数据结构的应用极为广泛，从简单的数据处理到复杂的算法设计，几乎处处可见它们的身影。掌握这些数据类型的使用方法，不仅能够提高代码的效率，还能让你在解决问题时游刃有余。
CGI性能优化秘策：解锁代码运行的秘密
!... # 摘要 CGI技术在Web开发领域广泛应用，但也面临性能问题。本文首先介绍了CGI技术的基本概念及性能问题的严重性，然后阐述了性能优化的理论基础，包括工作原理、性能瓶颈、代码优化和服务器环境配置。...
【ETL工具白皮书】：解锁数据抽取、清洗与质量管理的秘密
[【ETL工具白皮书】：解锁数据抽取、清洗与质量管理的秘密](https://opengraph.githubassets.com/e0ed6f773fefb6d1a3dc200e2fc5b3490f73468ff05cf2f86b69b21c69a169bb/pentaho/pentaho-kettle) # 摘要 随着信息技术...
哈希函数2：用于哈希表的存储和扩容
weixin_46838716的博客
05-27 1080
1）哈希表的存储，查询，都是要经过哈希函数转换地址的，f%N 2）哈希表往往是固定长度，当容量不够，自动扩容，但是整体上哈希表的操作仍然是o(1)时间复杂度！ 3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。
散列表（哈希表）及其存储结构和特点详解
空杯
10-13 7913
顺序存储的结构类型需要一个一个地按顺序访问元素，当这个总量很大且我们所要访问的元素比较靠后时，性能就会很低。散列表是一种空间换时间的存储结构，是在算法中提升效率的一种比较常用的方式，但是所需空间太大也会让人头疼，所以通常需要在二者之间权衡。我们会在之后的具体算法章节中得到更多的领悟。 什么是散列表 让我们想一下，若在手机通信录中查找一个人，那我们应该不会从第 1 个人一直找下去，因为这样实在是...
哈希存储、哈希表原理
热门推荐
dta0502的博客
06-29 2万+
哈希表的定义哈希存储的基本思想是以关键字Key为自变量，通过一定的函数关系（散列函数或哈希函数），计算出对应的函数值（哈希地址），以这个值作为数据元素的地址，并将数据元素存入到相应地址的存储单元中。查找时再根据要查找的关键字采用同样的函数计算出哈希地址，然后直接到相应的存储单元中去取要找的数据元素即可。哈希表的应用哈希表(hash table)是实现字典操作的一种有效的数据结构。尽管最坏的情况下，...
简单通俗地理解Hash哈希存储
nanaMasuda的博客
08-01 1万+
先来了解一下Hash的基本思路： 设要存储对象的个数为num, 那么我们就用len个内存单元来存储它们(len>=num); 以每个对象ki的关键字为自变量，用一个函数h(ki)来映射出ki的内存地址，也就是ki的下标，将ki对象的元素内容全部存入这个地址中就行了。这个就是Hash的基本思路。 Hash为什么这么想呢？换言之，为什么要用一个函数来映射出它们的地址单元呢？ This is
有关java中的hashCode问题
ahln8797的博客
03-31 307
1. HashSet集合存储数据的结构（哈希表） 1.1 什么是哈希表？ 哈希表底层使用的也是数组机制，数组中也存放对象，而这些对象往数组中存放时的位置比较特殊，当需要把这些对象给数组中存放时，那么会根据这些对象的特有数据结合相应的算法，计算出这个对象在数组中的位置，然后把这个对象存放在数组中。而这样的数组就称为哈希数组，即就是哈希表。 1.2 哈希表存储数据结构原理 当向哈希表中存放元...
hash储存机制
t0404的博客
06-23 5126
hash存储机制 Hash存储机制 目录 1 HASH存储 1 1.1 HASH存储 1 1.2 集合和引用 1 2 HASHMAP 1 2.1 HASHMAP存储实现 1 2.2 HASHMAP代码实现 2 3 HASHSET 9 3.1 HASHSET代码实现 9 3.2 HASHMAP的PUT与HASHSET的ADD 11 1 Hash存储
数据结构——线性表——散列存储结构——哈希表知识点总结
MISAYAONE的博客
05-14 1万+
散列(hashing)是一种重要的存储方法，也是一种常见的查找方法。 基本思想：以结点的关键字k为自变量，通过一个确定的函数关系f，计算出对应的函数值，吧这个函数值解释为结点的存储地址，将结点存入到f(k)所指示的存储位置上，在查找时再根据要查找的关键字，用同样的函数计算地址，然后到相应的单元中读取。散列法又被成为关键字——地址转换法。 顺序表的特点是：寻址容易，插入和删除困难
哈希表存储元素的过程
Benane的博客
05-24 1483
哈希表是由数组+链表组成,水平是数组,垂直是链表 HashSet set=new HashSet<>(); set.add(“王健林”); //hashCode:29089949 set.add(“王林”); //hashCode:943468 set.add(“通话”); //hashCode:1179395 set.add(“重地”); //hashCode:117939...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值