哈希表（Hash Table）

lin..6

已于 2024-03-02 14:19:38 修改

阅读量850

点赞数 18

文章标签：数据结构 c++

于 2024-03-02 14:19:08 首次发布

本文链接：https://blog.csdn.net/a111737289291/article/details/136414926

版权

1.定义

哈希表（Hash Table）是一种常见的数据结构，用于实现键值对的存储和快速查找。它通过将键映射到表中的一个位置来实现高效的查找操作。

在哈希表中，每个键值对都会经过哈希函数的处理，得到一个哈希值，然后根据哈希值确定该键值对在表中的存储位置。这样可以实现在接近常数时间复杂度内进行插入、删除和查找操作。

哈希表的主要特点包括：

快速查找： 哈希表可以在平均情况下实现接近常数时间复杂度的查找操作，因为通过哈希函数可以直接定位到存储位置。
高效的插入和删除： 插入和删除操作也可以在平均情况下实现接近常数时间复杂度，因为哈希表的设计允许快速定位到要操作的位置。
碰撞处理： 碰撞指的是不同的键经过哈希函数处理后得到相同的哈希值，这时需要采取一些策略来解决碰撞，常见的方法包括链地址法和开放寻址法。
哈希函数设计： 好的哈希函数应该能够将键均匀地映射到哈希表的不同位置，以减少碰撞的发生。
空间利用率： 哈希表的空间利用率通常比较高，但在处理碰撞时可能会导致额外的空间开销。

哈希表在实际应用中被广泛使用，例如在编程语言中的字典（Dictionary）、集合（Set）等数据结构中。它提供了快速的查找、插入和删除操作，适用于需要高效查询的场景。

2.哈希函数

哈希函数（Hash Function）是将任意长度的输入数据映射为固定长度的输出数据的函数。在计算机科学中，哈希函数通常用于将数据快速转换为索引，以便在数据结构（如哈希表）中进行快速查找、插入和删除操作。简单说要让键值对应到内存中的位置，就要为键值计算索引，也就是计算这个数据应该放到哪里，这个根据键值计算索引的函数就叫做哈希函数，也称散列函数。

好的哈希函数应该具备以下特点：

确定性： 相同的输入始终产生相同的输出。
高效性： 计算速度应该尽可能快。
均匀性： 输入空间中的不同值应该能够均匀地映射到输出空间，以减少碰撞的可能性。
抗碰撞性： 最小化碰撞的概率，即不同的输入值映射到相同的输出值的概率应该尽可能小。

在设计哈希函数时，需要根据具体的应用场景和需求选择合适的哈希函数。对于哈希表等数据结构，选择一个良好的哈希函数尤为重要，可以减少碰撞的发生，提高数据的检索效率。

除了常见的哈希函数外，还有一些特定领域的哈希函数，比如用于密码学的哈希函数，需要满足更高的安全性要求。

3.冲突

如果对于任意的键值，哈希函数计算出来的索引都不相同，那只用根据索引把 (key, value) 放到对应的位置就行了。但实际上，常常会出现两个不同的键值，他们用哈希函数计算出来的索引是相同的。这时候就需要一些方法来处理冲突。

常见的解决冲突的方式包括以下几种：

链地址法（Chaining）： 在链地址法中，哈希表的每个槽（桶）都连接一个链表或其他数据结构，当发生冲突时，新的键值对会被添加到对应槽的链表中。这样，即使发生冲突，仍然可以将多个键值对存储在同一个位置上。
开放寻址法（Open Addressing）： 在开放寻址法中，当发生冲突时，会尝试寻找表中的其他位置来存储冲突的键值对。常见的开放寻址法包括线性探测、二次探测和双重散列等方法。
再哈希（Rehashing）： 当哈希表中的负载因子（存储的元素数量与表大小的比值）超过一定阈值时，可以进行再哈希操作，即创建一个更大的哈希表，并将所有的键值对重新插入到新表中，从而减少冲突的概率。
建立更好的哈希函数： 通过设计更好的哈希函数，可以减少冲突的发生。一个好的哈希函数应该能够均匀地将键映射到哈希表中的位置，从而减少碰撞的可能性。
线性探测和二次探测： 在开放寻址法中，线性探测和二次探测是两种常见的冲突解决策略。线性探测是逐个地查看下一个位置，直到找到空槽或者找遍整个表；而二次探测则是通过二次探测函数来计算下一个探测位置。

3.1.链地址法

查询的时候需要把对应位置的链表整个扫一遍，对其中的每个数据比较其键值与查询的键值是否一致。如果索引的范围是[1,M]，哈希表的大小为N，那么一次插入/查询需要进行期望 $O(\frac{N}{M})$ 次比较。

const int SIZE = 1000000;
const int M = 999997;

struct HashTable {
  struct Node {
    int next, value, key;
  } data[SIZE];

  int head[M], size;

  int f(int key) { return (key % M + M) % M; }

  int get(int key) {
    for (int p = head[f(key)]; p; p = data[p].next)
      if (data[p].key == key) return data[p].value;
    return -1;
  }

  int modify(int key, int value) {
    for (int p = head[f(key)]; p; p = data[p].next)
      if (data[p].key == key) return data[p].value = value;
  }

  int add(int key, int value) {
    if (get(key) != -1) return -1;
    data[++size] = (Node){head[f(key)], value, key};
    head[f(key)] = size;
    return value;
  }
};