哈希的概念及其操作

最新推荐文章于 2023-06-28 17:07:17 发布
最新推荐文章于 2023-06-28 17:07:17 发布
阅读量1k 收藏 6
点赞数
分类专栏： 数据结构与算法 c++学习之路
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/liuyuchen282828/article/details/103386490
版权

哈希概念

顺序结构以及平衡树中，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)，平衡树中为树的高度，即O( Log2N)，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。

当向该结构中：
  • 插入元素
    根据待插入元素的关键码，以此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)(或者称散列表)
在这里插入图片描述

哈希冲突

不同元素通过相同哈希函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”。
在这里插入图片描述
所以我们需要进一步的改进哈希函数来解决冲突

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m个地址时，其值域必须在0到m-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
常用的哈希函数
  1. 直接定制法
    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
  2. 除留余数法
    设散列表中允许的地址数为m，取一个不大于m，但最接近或者等于m的质数p作为除数，按照哈希函数：Hash(key) = key% p(p<=m),将关键码转换成哈希地址
  3. 平方取中法
    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
  4. 折叠法
    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
  5. 随机数法
    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
  6. 数学分析法
    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
不论函数设计的多好----都不可能完全的解决哈希冲突

哈希函数的冲突解决

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

1. 线性探测

  • 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

在这里插入图片描述

  • 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34，如果直接删除掉，104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。
    在这里插入图片描述

/ 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};

线性探测实现

规定:表格中元素唯一
线性探测:表格中的元素一定不会存满-----随着元素不断增多，产生哈希冲突的概率就急剧增加

#include<iostream>
using namespace std;
#include<vector>
enum State{ EMPTY, EXIST, DELETE };
template<class T>
class hashtable
{
	struct Elem  //存储的元素类型
	{	
		Elem()
		:_state(EMPTY)
		{}
		T _data;
		State _state;
	};
public:
	hashtable(size_t capacity)
		:_table(capacity)
		, _size(0)
	{}
	bool Insert(const T&data)
	{
		//检测哈希空间是否充足
		_CheckCapacity();
		//1.通过哈希函数计算哈希地址
		size_t hashAddr = HashFunc(data);
		//2.检测位置是否可以存储
		while(_table[hashAddr]._state != EMPTY)
		{
			//检测该位置元素是否有效&&是否为待插入元素
			if (EXIST == _table[hashAddr]._state&&data == _table[hashAddr]._data)
			{
				return false;//元素已经存在，不进行插入
			}
			//发生哈希冲突
			++hashAddr;
			if (hashAddr == _table.capacity())//如果地址越界了，把地址放回0
				hashAddr = 0;
		}
		//3.插入元素
		_table[hashAddr]._data = data;
		_table[hashAddr]._state = EXIST;
		_size++;
		return true;
	}
	int Find(const T&data)
	{
		size_t hashAddr = HashFunc(data);
		while (_table[hashAddr]._state != EMPTY)
		{
			if (EXIST == _table[hashAddr]._state&&
				data == _table[hashAddr]._data)
			{
				return hashAddr;
			}

			//发生哈希冲突
			hashAddr++;
			if (hashAddr == _table.capacity())
				hashAddr = 0;
		}
		return -1;
	}
	bool Erase(const T&data)
	{
		int ret = Find(data);
		if (-1 != ret)
		{
			_table[ret]._state = DELETE;
			--_size;
			return true;
		}
		return false;
	}
	size_t Size()const
	{
		return _size;
	}
private:
	size_t HashFunc(const T&data)
	{
		return data%_table.capacity();
	}
private:
	vector<Elem>_table; //状态表格
	size_t _size;
};

哈希算法

什么时候增容？

哈希的负载因子

哈希负载因子= 有效元素个数/哈希表的容量
哈希因子越小：产生冲突的概率越低
负载因子控制在0.7左右，性能就还可以
负载因子达到0.7，就需要进行扩容

扩容
void Swap(hashtable<T>& ht)
	{
		_table.swap(ht._table);
		swap(_size, ht._size);
		swap(_total, ht._total);
	}
//扩容
void  _CheckCapacity()
{
	if (_total * 10 / _table.capacity() >= 7)
	{
		//新的哈希表
		hashtable<T>newHT(_table.capacity() * 2);
		//奖旧哈希表中有效元素搬移到新的哈希表中
		//注意:已经删除的元素不用搬移
		for (size_t i = 0; i < _table.capacity(); ++i)
		{
			if (_table[i]._data == EXIST)
				newHT.Insert(_table[i]._data);
		}
		Swap(newHT);
	}
}
线性探测缺陷

容易产生数据的堆积-----产生冲突的元素全部集中在一起，一但产生冲突，可能会引起一连串的冲突，解决方法:二次探测

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：H(i) = ( H(0)+i2 )% m,或者：H(i) = (H(0) -i2 )% m。其中：i = 1,2,3…， 是通过散列函数Hash(x)对元素的关键码 key 进行计算得到的位置，m是表的大小。(i代表第几次探测)

代码实现
enum State{ EMPTY, EXIST, DELETE };
template<class T, bool IsLine = true>
class hashtable
{
	struct Elem  //存储的元素类型
	{	
		Elem()
		:_state(EMPTY)
		{}
		T _data;
		State _state;
	};
public:
	hashtable(size_t capacity)
		:_table(capacity)
		, _size(0)
		,_total(0)
	{}

	bool Insert(const T&data)
	{
		//检测哈希空间是否充足
		_CheckCapacity();
		//1.通过哈希函数计算哈希地址
		size_t hashAddr = HashFunc(data);

		size_t i = 0;//二次探测中的第几次探测
		//2.检测位置是否可以存储
		while(_table[hashAddr]._state != EMPTY)
		{
			//检测该位置元素是否有效&&是否为待插入元素
			if (EXIST == _table[hashAddr]._state&&data == _table[hashAddr]._data)
			{
				return false;//元素已经存在，不进行插入
			}
			//发生哈希冲突
			if (IsLine)
			{
				DetectiveLine(hashAddr);
			}
			else
			{
				++i;
				DetectiveTwice(hashAddr,i);
			}
		}
		//3.插入元素
		_table[hashAddr]._data = data;
		_table[hashAddr]._state = EXIST;
		_size++;
		_total++;
		return true;
	}

	int Find(const T&data)
	{
		size_t hashAddr = HashFunc(data);
		size_t i = 0;
		while (_table[hashAddr]._state != EMPTY)
		{
			if (EXIST == _table[hashAddr]._state&&
				data == _table[hashAddr]._data)
			{
				return hashAddr;
			}

			//发生哈希冲突
			if (IsLine)
			{
				DetectiveLine(hashAddr);
			}
			else
			{
				++i;
				DetectiveTwice(hashAddr,i);
			}
		}
		return -1;
	}

	bool Erase(const T&data)
	{
		int ret = Find(data);
		if (-1 != ret)
		{
			_table[ret]._state = DELETE;
			--_size;
			return true;
		}
		return false;
	}

	size_t Size()const
	{
		return _size;
	}

	void Swap(hashtable<T,IsLine>& ht)
	{
		_table.swap(ht._table);
		swap(_size, ht._size);
		swap(_total, ht._total);
	}
private:
	size_t HashFunc(const T&data)
	{
		return data%_table.capacity();
	}

	//线性探测
	void DetectiveLine(size_t&hashAddr)
	{
		hashAddr += 1;
		if (hashAddr == _table.capacity())
			hashAddr = 0;
	}
	//二次探测
	void DetectiveTwice(size_t& hashAddr, size_t i)
	{
		hashAddr = hashAddr + 2 * i + 1;
		if (hashAddr >= _table.capacity())
			hashAddr %= _table.capacity();
	}
	//扩容
	void  _CheckCapacity()
	{
		if (_total * 10 / _table.capacity() >= 7)
		{
			//新的哈希表
			hashtable<T,IsLine>newHT(_table.capacity() * 2);
			//奖旧哈希表中有效元素搬移到新的哈希表中
			//注意:已经删除的元素不用搬移
			for (size_t i = 0; i < _table.capacity(); ++i)
			{
				if (_table[i]._data == EXIST)
					newHT.Insert(_table[i]._data);
			}
			Swap(newHT);
		}
	}
private:
	vector<Elem>_table; //状态表格
	size_t _size;	//哈希表中有效元素的个数
	size_t _total; //哈希表中元素的个数:存在和删除(为了保证哈希表中数据的唯一性，删除位置不能插入元素)
};

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

闭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。

开散列

开散列概念

开散列法又叫链地址法(开链法)，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。每个链表中保存发生哈希冲突的元素

代码实现

//开散列:一个链表的集合---产生相同哈希地址的元素放到同一个链表里
#include<vector>
//哈希表的结点
template<class T>
struct HashNode
{
	HashNode(const T&data = T())
	:_pNext(nullptr)
	, _data(data)
	{}
	HashNode<T>* _pNext;
	T _data;
};

template<class T>
class hashbucket
{
	typedef HashNode<T> Node;
public:
	hashbucket(size_t capacity)
		:_table(capacity)
		, _size(0)
	{}

	~hashbucket()
	{
		Clear();
	}

	bool Insert(const T& data)
	{

		//扩容
		_CheckCapacity();
		//通过哈希函数计算哈希的桶号
		size_t bucketNo = HashFunc(data);

		Node* pCur = _table[bucketNo];
		while (pCur)
		{
			if (data == pCur->_data)
				return false;
			pCur = pCur->_pNext;
		}
		pCur = new Node(data);
		pCur->_pNext = _table[bucketNo];
		_table[bucketNo] = pCur;
		_size++;
		return true;
	}

	bool Erase(const T&data)
	{
		//先找在哪个链表
		size_t bucketNo = HashFunc(data);

		//在链表中找元素
		Node* pCur = _table[bucketNo];
		Node* pPrev = nullptr;
		while (pCur)
		{
			if (data == pCur->_data)
			{
				//可以删除
				if (pCur == _table[bucketNo])
					_table[bucketNo] = pCur->_pNext;
				else
					pPrev->_pNext = pCur->_pNext;
				delete pCur;
				--_size;
				return true;
			}
			else
			{
				pPrev = pCur;
				pCur = pCur->_pNext;
			}
		}
		return false;
	}
	Node* Find(const T& data)
	{
		size_t bucketNo = HashFunc(data);

		Node* pCur = _table[bucketNo];
		while (pCur)
		{
			if (pCur->_data == data)
				return pCur;
			pCur = pCur->_pNext;
		}
		return nullptr;
	}

	size_t Size()const
	{
		return _size;
	}

	bool Empty()const
	{
		return 0 == _size;
	}

	void Clear()
	{
		for (size_t bucketNo = 0; bucketNo < _table.capacity(); ++bucketNo)
		{
			Node* pCur = _table[bucketNo];

			while (pCur)
			{
				_table[bucketNo] = pCur->_pNext;
				delete pCur;
				pCur = _table[bucketNo];
			}
		}
	}

	/*void _CheckCapacity()
	{
		if (_size == _table.capacity())
	}*/
	//打印函数
	void PrintHashBucket()
	{
		for (int i = 0; i < _table.capacity(); ++i)
		{
			Node* pCur = _table[i];
			cout << "table[" << i << "]:";
			while (pCur)
			{
				cout << pCur->_data << "-->";
				pCur = pCur->_pNext;
			}
			cout << "NULL" << endl;
		}
	}
private:
	size_t HashFunc(const T&data)
	{
		//T:可以是任意类型---可能不是整型
		return data % _table.capacity();
	}
private:
	vector<Node*> _table;//每一个链表的首地址
	size_t _size;  //当前哈希桶里放了多少个元素
};

开散列的增容

在这里插入图片描述
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，在元素个数刚好等于桶的个数时，可以给哈希表增容。
将旧哈希桶里的结点直接向新哈希桶里进行搬移，在新哈希桶里不要创建新的结点

void Swap(hashbucket<T>& ht)
{
	_table.swap(ht._table);
	swap(_size, ht._size);
}
void _CheckCapacity()
{
	if (_size == _table.capacity())
	{
		//新的哈希桶
		hashbucket<T> newHT(_table.capacity() * 2);

		//将旧哈希桶中的结点往新哈希桶中进行搬移
		for (size_t i = 0; i < _table.capacity(); ++i)
		{
			Node* pCur = _table[i];

			//将i号桶中的所有结点搬移到新哈希桶中
			while (pCur)
			{
				//将pCur结点从table的i号移除掉
				_table[i] = pCur->_pNext;

				//将pCur插入到新哈希桶中
				size_t bucketNo = newHT.HashFunc(pCur->_data);

				//采用头插法
				pCur->_pNext = newHT._table[bucketNo];
				newHT._table[bucketNo] = pCur;
				newHT._size++;
				_size--;

				pCur = _table[i];
			}
		}
		//新桶和旧桶进行交换
		this->Swap(newHT);
	}
}

在这里插入图片描述

哈希表只能存储int类型的元素，如何实现任意类型

template<class T>
struct HashNode
{
	HashNode(const T&data = T())
	:_pNext(nullptr)
	, _data(data)
	{}
	HashNode<T>* _pNext;
	T _data;
};

template<class T>
struct DefD2INIT
{
	const T& operator()(const T& data)
	{
		return data;
	}
};

struct Str2INT
{
	size_t operator()(const string& s)
	{
		stringstream ss;
		ss << s;
		size_t ret;
		ss >> ret;
		return ret;
	}
};
template<class T,class DTOINT = DefD2INIT<T>>
class hashbucket
{
	typedef HashNode<T> Node;
	typedef hashbucket<T, DTOINT> Self;
public:
	hashbucket(size_t capacity)
		:_table(capacity)
		, _size(0)
	{}

	~hashbucket()
	{
		Clear();
	}

	bool Insert(const T& data)
	{

		//扩容
		_CheckCapacity();
		//通过哈希函数计算哈希的桶号
		size_t bucketNo = HashFunc(data);

		Node* pCur = _table[bucketNo];
		while (pCur)
		{
			if (data == pCur->_data)
				return false;
			pCur = pCur->_pNext;
		}
		pCur = new Node(data);
		pCur->_pNext = _table[bucketNo];
		_table[bucketNo] = pCur;
		_size++;
		return true;
	}

	bool Erase(const T&data)
	{
		//先找在哪个链表
		size_t bucketNo = HashFunc(data);

		//在链表中找元素
		Node* pCur = _table[bucketNo];
		Node* pPrev = nullptr;
		while (pCur)
		{
			if (data == pCur->_data)
			{
				//可以删除
				if (pCur == _table[bucketNo])
					_table[bucketNo] = pCur->_pNext;
				else
					pPrev->_pNext = pCur->_pNext;
				delete pCur;
				--_size;
				return true;
			}
			else
			{
				pPrev = pCur;
				pCur = pCur->_pNext;
			}
		}
		return false;
	}
	Node* Find(const T& data)
	{
		size_t bucketNo = HashFunc(data);

		Node* pCur = _table[bucketNo];
		while (pCur)
		{
			if (pCur->_data == data)
				return pCur;
			pCur = pCur->_pNext;
		}
		return nullptr;
	}

	size_t Size()const
	{
		return _size;
	}

	bool Empty()const
	{
		return 0 == _size;
	}

	void Clear()
	{
		for (size_t bucketNo = 0; bucketNo < _table.capacity(); ++bucketNo)
		{
			Node* pCur = _table[bucketNo];

			while (pCur)
			{
				_table[bucketNo] = pCur->_pNext;
				delete pCur;
				pCur = _table[bucketNo];
			}
		}
	}

	void Swap( Self& ht)
	{
		_table.swap(ht._table);
		swap(_size, ht._size);
	}
	void _CheckCapacity()
	{
		if (_size == _table.capacity())
		{
			//新的哈希桶
			Self newHT(_table.capacity() * 2);

			//将旧哈希桶中的结点往新哈希桶中进行搬移
			for (size_t i = 0; i < _table.capacity(); ++i)
			{
				Node* pCur = _table[i];

				//将i号桶中的所有结点搬移到新哈希桶中
				while (pCur)
				{
					//将pCur结点从table的i号移除掉
					_table[i] = pCur->_pNext;

					//将pCur插入到新哈希桶中
					size_t bucketNo = newHT.HashFunc(pCur->_data);

					//采用头插法
					pCur->_pNext = newHT._table[bucketNo];
					newHT._table[bucketNo] = pCur;
					newHT._size++;
					_size--;

					pCur = _table[i];
				}
			}
			//新桶和旧桶进行交换
			this->Swap(newHT);
		}
	}

	void PrintHashBucket()
	{
		for (int i = 0; i < _table.capacity(); ++i)
		{
			Node* pCur = _table[i];
			cout << "table[" << i << "]:";
			while (pCur)
			{
				cout << pCur->_data << "-->";
				pCur = pCur->_pNext;
			}
			cout << "NULL" << endl;
		}
	}
private:
	size_t HashFunc(const T&data)
	{
		//T:可以是任意类型---可能不是整型
		return DTOINT ()(data) % _table.capacity();
	}
private:
	vector<Node*> _table;//每一个链表的首地址
	size_t _size;  //当前哈希桶里放了多少个元素
};
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？
//素数表，以递进两倍方式给出
const int PRIMECOUNT = 28;
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 GetNextPrime(size_t prime)
{
	size_t i = 0;
	for (; i < PRIMECOUNT; ++i)
	{
		//当前素数大于提供的素数
		if (primeList[i] > prime)
			//返回
			return primeList[i];
	}
	//返回最后一个
	return primeList[PRIMECOUNT - 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。

阳光丿洒脱
关注
专栏目录
(王道408考研数据结构)第七章查找-第四节：哈希表（基本概念及其操作）
快乐江湖的博客
12-01 2434
文章目录一：哈希表基本概念（1）哈希表（2）建立一个简单的哈希表（快速入门以及相关术语）（3）ASL计算二：常见哈希函数（1）直接定址法(常考)_{(常考)}(常考)​（2）除留余数法(常考)_{(常考)}(常考)​（3）平方取中法(了解)_{(了解)}(了解)​（4）数字分析法(了解)_{(了解)}(了解)​（5）折叠法(了解)_{(了解)}(了解)​（6）随机数法(了解)_{(了解)}(了解)​三：解决Hash冲突（1）闭散列（开放定址法）A：线性探测法B：二次探测法（2）开散列（链地址法） 一：哈希表
C++哈希
qq_53413129的博客
06-09 3769
unordered系列关联式容器 unordered_map unordered_map的文档介绍 unordered_set 底层结构 哈希概念 哈希冲突的解决 闭散列： 代码实现 哈希基本结构 插入 查找find 删除 仿函数的应用 开散列 基本结构 插入的实现 查找 删除 Unordered_set/Unordered_set对哈希的封装 封装代码框架： 哈希表的迭代器 【operator*和operator->】 operator++前置++ 迭代器
C++实现的hash冲突解决算法
11-12
C++实现的hash冲突解决算法，有好几种解决方法
【C++】哈希与哈希冲突
金金金金金的博客
03-12 362
1.常见的搜索方式 循环遍历----->时间复杂度O(n) 二分查找----->时间复杂度O(logN) 利用搜索树来进行数据的管理 二叉搜索树 AVL树 红黑树 哈希-----位图，布隆过滤器   2.索引 对于海量数据，在数据的基础上建立索引 索引分为静态索引（书的目录）和动态索引（B-树）   3.哈希概念 如果在存储数据时，通过某种方式，将数据与其存储结构之间建立一种一一对应的映射关系，查找时再按照该种映射方式来查找 4.哈希冲突 不同的
哈希冲突及四种解决方法
好奇心大爆炸
04-15 2226
原文链接https://www.cnblogs.com/higerMan/p/11907117.html 哈希冲突的产生原因 哈希是通过对数据进行再压缩，提高效率的一种解决方法。但由于通过哈希函数产生的哈希值是有限的，而数据可能比较多，导致经过哈希函数处理后仍然有不同的数据对应相同的哈希值。这时候就产生了哈希冲突。 产生哈希冲突的影响因素 装填因子（装填因子=数据总数 / 哈希表长）、哈希函数、处...
【C++】哈希
须知少日拏云志，曾许人间第一流。
04-15 2350
讲解哈希结构、哈希碰撞、开散列和闭散列及其模拟实现。
hash_basic.rar_hash表_哈希搜索_哈希表 基本操作
09-24
在"hash_basic"中，可能涵盖了以上这些概念的实现，包括具体的算法细节和代码示例，帮助初学者更好地理解和掌握哈希表的基本操作。通过实际操作和练习，你可以加深对哈希表的理解，并运用到实际的编程项目中。
哈希表相关操作实现
03-08
在给定的博客中，可能会详细介绍这些概念，并通过实例演示如何实现哈希表的基本操作。通过学习哈希表，我们可以更好地理解数据结构和算法，提升软件开发的效率和质量。无论是编程语言的内置数据结构，如Python的dict...
哈希表基本概念.docx
最新发布
05-08
哈希表（Hash Table），也称为散列表或哈希映射，是一种高效的数据结构，它通过使用哈希函数将键（Key）映射到桶（Bucket）的数组索引来实现数据的快速查找、插入和删除操作。哈希表的主要优势在于能够在平均情况下...
哈希表的基本概念详解以及具体实现（哈希函数、哈希冲突、负载因子）
LCW0102的博客
01-27 1316
一、哈希表 哈希表是一个典型的用空间换时间的操作，利用数组随机访问的特性，最大化查找效率。哈希过程就是将数组元素与下标建立关系的过程。 二、哈希函数 1、哈希函数的意义： 哈希表是希望将元素与下标建立关系，那么当多个元素之间跨度较大时，我们不可能浪费大量的空间来完成这个存储的过程，就需要通过哈希函数。将下标控制在一定的范围内，就是将我们要存储的键值中的“键”利用特定的哈希函数计算得到一个整型作为数组的索引。 2、哈希函数的设计 （1）当key为整型时 当我们的“键”是一个整型的时候，就利用直接取模的方法，通
哈希算法C++实现
02-26
哈希表算法C++实现 SGI 哈希表是一个线性存储结构，其关键是哈希函数与哈希值算法
哈希算法的实现c++
05-10
哈希算法的实现c++
20多个常用的Hash算法C++ 实现
10-26
Hash函数集合，包含主流的hash函数: nginx_hash算法，OpenSSL_hash算法，RSHash，JSHash，PJWHash，ELFHash，BKDRHash，DJBHash，DEKHash，APHash等等!
【C++】 哈希
qq_62939852的博客
05-20 2752
需要使用枚举来表示三种状态 删除 存在 空表示状态的state 也应该默认设为空，不然有可能造成 映射位置 没有数据但是 状态为存在的情况。
C++ 哈希详解
yn_zi的博客
06-28 2105
具体来说，当使用直接定址法时，我们可以通过一个固定的偏移量或者一个简单的数学运算来计算输入值对应的哈希表位置。然而，拉链法也存在一些缺点。在使用拉链法时，通过哈希函数计算键的哈希值，并访问对应的槽。总之，拉链法是一种解决哈希冲突的方法，通过在哈希表的每个槽中存储一个链表来保存具有相同哈希值的键值对。无论是哪种探测方法，在哈希表逐渐接近满的过程中，插入数据的效率会越来越低，因此闭散列哈希表不能满了再增容。进行同样的计算，把求得的函数值当做元素的存储位置，在节后中按此位置取元素比较，若关键码相等，则搜索成功。
【C++】---哈希冲突(面试常考点）
L19002S的博客
08-16 1863
哈希冲突一、何为哈希二、何为哈希冲突三、如何解决哈希冲突1.闭散列线性探测插入删除线性探测的实现线性探测优化方案二次探测2.开散列开散列概念开散列实现开散列增容3.开散列与闭散列比较 一、何为哈希 顺序结构以及平衡树中，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)，平衡树中为树的高度，即O(log2N )，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
c++哈希表_C++哈希表是如何解决冲突的?
weixin_39627361的博客
11-28 281
开放寻址是其中一种缓解散列冲突的编程技术，当使用开放寻址作为冲突解决技术时，键值对存储在表(数组)中，而不是像单独链表那样的数据结构中。这意味着我们需要时刻留意哈希表的尺寸以及当前表中已有的元素数量。因为一旦哈希表中有太多元素，也将很难找到可用的位置来存放我们新插入的元素，因此这里我们需要引入一个重要的术语，负载系数(Load Factor)负载系数其实就是表中已有元素个数和表尺寸的比例，我们要密...
C++ 哈希
m0_61548909的博客
08-27 2835
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 $log_2N$，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，本文中只对unordered_map 和 unordered_set 进行介绍，unordered_multimap和
哈希算法详解：概念、函数与冲突解决
"这篇文档是关于哈希算法的介绍，主要涵盖了哈希算法的概念、哈希函数、冲突解决方法以及哈希算法的应用。哈希算法是一种将任意长度的数据映射成...理解和掌握哈希算法及其应用，对于任何IT专业人士都是至关重要的。
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