【散列表】哈希表

散列表(hash table)

         散列表，也叫哈希表，是实现字典操作的一种有效数据结构。尽管最坏情况下，散列表中查找一个元素的时间与链表中查找的时间相同，达到O(n)，然而实际应用中，散列查找的性能是极好的。在一些合理的假设下，在散列表中查找一个元素的平均时间是O(1)。是普通数组概念的推广，在散列表中不是直接把关键字key作为数组下标，而是根据关键字计算出相应下标。在构造散列函数时，会发生冲突，解决冲突的方法有两大类：开放寻址法和链地址法。所以一个散列表的研究主要有两个问题，如何构造散列函数，和如何处理冲突。

一、直接寻址表

　   当关键字的的全域（范围）U比较小的时，直接寻址是简单有效的技术，一般可以采用数组实现直接寻址表，数组下标对应的就是关键字的值，(类似于桶排的实现原理)，即具有关键字k的元素被放在直接寻址表的槽k中。直接寻址表的字典操作实现比较简单，直接操作数组即可以，只需O(1)的时间。

二、散列表

    直接寻址技术确定是非常明显的，如果全域(范围)U很大，要存储大小为U的一张不太实际，也还有关键字集合K相对U来说可能很小，使得空间大部分浪费掉。直接寻址方式下，具有关键字k的元素被存在槽k中，在散列方式下，该元素存放在槽H(k)中；

先来了解下一些概念：

   1)散列函数和散列地址：在记录的存储位置p和其关键字key之间建立一个确定的对应关系H，使得p=H(key)，称这个对应关系H为散列函数，p为散列地址。

   2)散列表：一个有限连续的地址空间，用以存储按散列函数计算得到相应散列地址的数据记录。通常散列表的存储空间是一个一维数组，散列地址是数组的下标。

   3)冲突和同义词：对不同的关键字可能得到同一散列地址，即key1!=key2，而H(key1)=H(key2)，这种现象称为冲突。具有相同函数值的关键字对该散列函数来说称作同义词，key1与key2互称为同义词。

   例如，对C语言某些关键字集合建立一个散列表，关键字集合为： 

        S1={main,int,float,while,return,break,switch,case,do}

  设定一个长度为26的散列表应该足够，散列表可定义为

                      char HT[26][8];

   假设散列函数的值取关键字key中第一个字母在字母表{a,b,...,z}的序号(序号范围为0-25)，即

                      H(key)=key[0]-'a';

   其中，设key的类型是长度为8的字符数组，根据此散列函数构造的散列表如下表所示。

   假设关键字集合扩从为：

       S2=S1+{short,default,double,static,for,struct}

    如果散列函数不变，新加入的七个关键字经过计算得到：H(short)=H(static)=H(struct)=18，H(default)=H(double)=3，H(for)=5,而18、3和5这几个位置均

已存放相应的关键字，这就发生了冲突现象，其中，switch、short、 static和struct称为同义词；float和for称为同义词，do、default和double称为同义词。

    集合S2中的关键字仅有15个，仔细分析这15个关键字的特性，应该不难构造一个散列函数避免冲突。但在实际应用中，理想化的、不产生冲突的散列函数极少存在

，这是因为通常散列表中关键字的取值集合远远大于表空间的地址集。因此，我们一方面可以通过精心设计的散列函数来尽量减少冲突的次数，另一方面仍需要有解决可

能出现冲突的办法。

三、散列函数

   一个好的散列函数应(近似地)满足简单均匀散列假设；每个关键字都被等可能地散列m个槽位中的任何一个，并与其它关键字已散列到哪个槽位无关。在实际应用

中，常常可以运用启发式方法来构造性能好的散列函数。散列函数的选择有两条标准：简单和均匀。简单指散列函数的计算简单快速；均匀指对于关键字集合中的任一关

键字，散列函数能以等概率将其映射到表空间的任何一个位置上。也就是说，散列函数能将子集K随机均匀地分布在表的地址集{0，1，…，m-1}上，以使冲突最小化。

   将关键字转换为自然数，多数散列函数都假定关键字的全域为自然数集N={0,1,2...}。因此所给关键字不是自然数，就需要找到一种方法来将它们转换为自然数

    例如，一个字符串可以被转换为按适当的基数符号表示的整数。这样，就可以将标志符pt转换为进制整数对(112,116)，这是因为在ASCII字符集中，p=112，t=116。然后，以128为基数来表示，pt即为(112×128)+116=14452。

1)平方取中法
     具体方法：先通过求关键字的平方值扩大相近数的差别，然后根据表长度取中间的几位数作为散列函数值。又因为一个乘积的中间几位数和乘数的每一位都相关，所以由此产生的散列地址较为均匀。
例如，将一组关键字(0100，0110，1010，1001，0111)平方后得(0010000，0012100，1020100，1002001，0012321)若取表长为1000，则可取中间的三位数作为散列地址集：(100，121，201，020，123)。
相应的散列函数用C实现很简单：

int Hash(int key)
{ //假设key是4位整数
   key*=key； 
   key/=100； //先求平方值，后去掉末尾的两位数
   return key％1000； //取中间三位数作为散列地址返回
}

2)除法散列法

   在用来设计散列函数的除法散列法中，通过取k除以m的余数，将关键k映射到m个槽中的某一个，即散列函数为 h(k)=k mod m

   例如，如果散列表的大小为m=12，所给关键字k=100，则h(k)=4。由于值需要做一次除法操作，所以除法散列法是非常快的。

   应用除法散列法时，需要避免选择m的某些值。例如，m不应为2的幂，一个不太接近2的整数幂的素数，常常是m的一个较好的选择。

   例如，假定我们要分配一张散列表并用链接法解决冲突，表中大约要存放n=2000个字符串，其中每个字符有8位。如果我们不介意一次不成功的查找需要平均检查3个元素，这样分配散列表的大小为m=701。原因是，它是一个接近2000/3但又不接近2的任何次幂的素数。其散列函数为 h(k)=k mod 701

(严蔚敏的数据结构中是这样介绍的：除留余数法 假设列表表长为m，选择一个不大于m的p，用p去除关键字，除后所得余数为散列地址，即H(key)=key%p

这个方法的关键是选取适当的p，一般情况下，可以选取p为小于表长的最大质数。例如，表长m=100，可取p=97。 它不仅可以对关键字直接取摸，也可在折叠、平方去中等运算之后取摸。)

C语言的实现：

int Hash(int key)
{
 return key%m;
}

3)乘法散列法

  构造散列函数的乘法散列法包含两个步骤。第一部分，用关键字k乘上参数A(0<A<1)，提取kA 小数部分。第二部分，用m乘以这个值，再向下取整。总之散列函数为：

 。

   乘法散列法的一个优点就是对m的选择不是特别关键，比如，完全可选择它是2的整数次幂。虽然该方法对任何A的值都适用，但对某些值效果会更好。Knuth建议选取

该函数的C语言代码：

int Hash(int key)
{
   double d=key *A； //不妨设A和m已有定义
   return (int)(m*(d-(int)d))；//(int)表示强制转换后面的表达式为整数
}

4)全域散列法

    随机的选择散列函数，全域散列法在执行开始时，就从一组精心设计的函数中，随机地选择一个作为散列函数，就像在快速排序中一样，随机化保证了没有哪一种输入

会始终导致最坏情况性能。因为随机地选择散列函数，算法在每一次执行时都会有所不同，甚至对相同的输入都会如此。(这样查找一个元素的时候怎么办？)

四、处理冲突的方法

   选择一个“好”的散列函数可以在一定程度上减少冲突，但在实际应用中很难完全避免发生冲突，所以选择一个有效的处理冲突的方法就是散列法的另一个关键问题。

按组织形式的不同，通常分两大类：开放寻址法和链地址法。

1.开放寻址法

     在开放寻址法(open addressing)中所有元素都存放在散列表里。当某一记录关键字key的初始散列地址H0=H(key)发生冲突时，以H0为基础，采取合适方法计算得到另一个地址H1，如果仍然发生冲突，以H1为基础再求下一个地址H2，若H2仍然冲突，再求得H3。依次类推，直到Hk不发生冲突为止，则Hk为该记录在表中的散列地址。

    有三种技术常用来计算开放寻址法中的探查序列：线性探索、二次探索和双重散列。 

             Hi=(H(key)+di)%m   i=1,2, ... ,k (k <= m-1)

1)线性探查(linear probing)

     di=1,2,3, ... ,m-1

    这种探查方法可以将散列表假想成一个循环表，发生冲突时，从冲突地址的下一单元顺序寻找空单元，如果到最后一个位置也没找到空单元，则回到表头开始进行寻找，直到找到一个空位，就把此元素放入此空位中。如果找不到空位，则说明散列表已满，需要进行溢出处理。

    线性探查方法比较容易实现，但他存在一个问题，称为一次群集(primary clustering)。随着连续被占用的散列地址不断增加，平均查找时间也随之不断增加。群集现象很容易出现，这是因为当一个空槽前有i个满的槽时，该空槽位下一个被占用的概率为(i+1)/m。

2)二次探查(quadratic probing)

    di=1^2, -(1^2), 2^2, -(2^2) , k^2, -(k^2) (k<=m/2)

    该偏移量以二次的方式依赖探查序号i。这种探查方法的效果比线性探查要好得多，但是也会导致一种轻度群集，称为二次群集(secondary clustering)。

3)双重散列(double hashing)

     是用于开放寻址法的最好方法之一，因为它所产生的排列具有随机选择排列的许多特性，双重散列采用如下形式的散列函数：

               h(k , i)=( h1(k)+ i*h2(k)) mod m

    其中h1和h2均为辅助散列函数，初始探查位置为T[h1(k)]，后续的探查位置是前一个位置加上偏移量h2(k)mod m。因此，不像线性探查和二次探查，这里的探查序列以两种不同方式依赖于关键字k，因为初始探查位置、偏移量或者二者都可能发生变化。为了能查找整个散列表，值h2(k)必须要与表的大小m互素。有一种简便的方法确保这个条件成立，就是取m为2的幂，并设计一个总产生奇数的h2。另一种方法是取m为素数，并设计一总是返回较m小的正整数的函数h2。下图给出了一个使用双重散列插入的例子。

    例如，取m为素数，并取 h1(k)=k mod m，h2(k)=1+(k mod m')   其中m'略小于m(比如，m-1)。

    例如，如果k=123 456，m=701，m'=700，则有h1(k)=80，h2(k)=257，可知我们的第一个探查位置为80，然后检查每第257个槽(模m)，直到找到关键字，或者遍历了所有槽。当m为素数或者2的幂时，双重散列法中用到了O(m^2)种探查序列，而线下探查或二次探查中用了O(m)种，故前者是后两种的一种改进。

开放寻址法优点：开放寻址法的好处在于它不用指针，而是计算出存取的散列地址，于是，不用存储指针而节省的空间，使得可以用同样的空间来提供更多的散列地址，潜在地减少了冲突，提高了检索速度。

2.链地址法

       把具有相同散列地址的记录放在同一个单链表中，称为同义词链表，有m个散列地址就有m个单链表，同时用数组HT[0...m-1]存放各个链表的头指针，凡是散列地址为i的记录都以结点的方式插入到以HT[i]为头结点的单链表中。(算法导论中说，用双向链表，加快插入与删除)

    例如，已知一组关键字为(19，14，23，1，68，20，84，27，55，11，10，79)，设散列函数H(key)=key%13，用链地址法处理冲突，试构造这组关键字的散列表。

   由散列函数H(key)=key%13得知散列地址的值域0-12，故整个散列表由13个单链表组成，用数组HT[0..12]存放各个链表的头指针。如散列地址均为1的同义词14、1、27、79构成一个单链表，链表的头指针保存在HT[1]中，同理们可以构造其他几个单链表，整个散列表的结构如下图。

链地址法优点：链地址法处理冲突时不会发生群集，因为散列地址不同的记录在不同的链表中，所以链地址的平均查找长度小于开放寻址法。另外由于地址法的结点空间是动态申请的，无需事先确定表的容量，因此更适用于表长不确定的情况。同时，易于插入与删除。

附：几种不同方法处理冲突时散列表的平均查找长度