『C++进阶』第五章--- 哈希

Dklau-c

已于 2024-08-22 22:05:09 修改

阅读量630

点赞数 21

分类专栏： C++进阶知识文章标签： c++ 哈希算法开发语言 c语言面试算法

于 2024-08-22 22:04:56 首次发布

本文链接：https://blog.csdn.net/m0_54443558/article/details/141270214

版权

C++进阶知识专栏收录该内容

7 篇文章 0 订阅

订阅专栏

1. 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log_2 N，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就能将元素找到，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unordered_multiset可自行查看文档介绍。

1.1 unordered_map

unordered_map在线文档说明

unordered_map是存储<key,value>键值对的关联式容器，其允许通过keys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，为了能在常数范围内找到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迭代器。

1.2 unordered_set

参见 unordered_set在线文档说明

2. 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。

2.1 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(log_2 N), 搜索到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——映射关系，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，把求得的函数值当作元素的存储位置，在结构中按此位置取元素比较，若关键码相同，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）

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

问题：按照上述哈希方式，向集合中插入元素44，会出现什么问题？

2.2 哈希冲突

对于两个数据元素的关键字key(i)和key(j)（i!=j），有key(i)!=key(j),但有：hash(keyi)==hash(keyj), 即：不同关键字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。我们也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”。

那么发生哈希冲突该如何处理呢？

2.3 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，其值必须在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

常见哈希函数

1.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

2. 除留余数法--(常用)

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--(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

4. 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

5. 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

6. 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

2.4 哈希冲突解决

解决哈希冲突两种常见的方式是： 闭散列和开散列

2.4.1 闭散列（开放寻址法）

闭散列：也叫开放定址法，当发生哈希冲突是，如过哈希表未被装满，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。那如何寻找下一个空位置呢？

1. 线性探测

比如 2.1 中的场景，现在需要插入元素44，先通过哈希函数计算哈希地址，hashAddr为4，因此44理论上应该插在该位置，但是该位置已经放了值为4的元素，即发生哈希冲突。

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

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。

思考：哈希表说明情况下进行扩容？如何扩容？

开放寻址法完整代码：

#pragma once
#include <vector>
#include <iostream>
using namespace std;

namespace open_search
{
	enum State
	{
		EXIST,
		EMPTY,
		DELETE
	};
	template<class K>
	struct HashFunc
	{
		size_t operator()(const K& key)
		{
			return (size_t)key;
		}
	};

	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:
		HashTable()
		{
			_Table.resize(10);
		}
		bool Insert(const pair<K, V>& kv)
		{
			// 查重
			if (Find(kv.first)) return false;
			size_t n = _Table.size();
			// 检查负重因子时候进行扩容
			if (_nums * 10 / n >= 7)
			{
				HashTable HT;
				n = n * 2;
				HT._Table.resize(n);
				for (auto& x : _Table)
				{
					if (x._state == EXIST)
					{
						HT.Insert(x._kv);
					}
				}
				_Table.swap(HT._Table);
			}
			Hash hs;
			size_t t = hs(kv.first) % n;
			while (_Table[t]._state == EXIST)
			{
				t++;
				t %= n;  // 旋转寻找
			}
			_Table[t]._kv = kv;
			_Table[t]._state = EXIST;
			_nums++;
			return true;
		}
		HashData<K,V>* Find(const K& key)
		{
			Hash hs;
			size_t n = _Table.size();
			size_t t = hs(key) % n;
			while (_Table[t]._state !=EMPTY)   // 可能被删除的节点在两个存在的节点中间
			{
				if (_Table[t]._state==EXIST && _Table[t]._kv.first == key) return &_Table[t];
				t++;
				t %= n;
			}
			return nullptr;
		}
		bool Erase(const K& key)
		{
			auto t = Find(key);
			if (t)
			{
				t->_state = DELETE;
				return true;
			}
			else return false;
		}


	private:
		vector<HashData<K, V>> _Table;
		size_t _nums = 0;
	};
	void TestHT1()
	{
		HashTable<int, int> ht;
		int a[] = { 11,21,4,14,24,15,9 };
		for (auto e : a)
		{
			ht.Insert({ e,e });
		}

		ht.Insert({ 19,19 });
		ht.Insert({ 19,190 });
		ht.Insert({ 19,1900 });
		ht.Insert({ 39,1900 });

		cout << ht.Find(24) << endl;
		ht.Erase(4);
		cout << ht.Find(24) << endl;
		cout << ht.Find(4) << endl;
	}
}

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：不同的关键码占据了可利用的空位置，形成局部堵塞，使得寻找某个关键码的位置需要许多次比较，导致搜索效率降低。那么如何缓解呢？

2. 二次探测

线性探测的缺陷是产生冲突的数据推挤在一块，这与其找下一个空位置有关，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：i=(t+i^2)% n 。其中i=1,2,3,4... t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，n是表的大小

对于2.1 中的如果要插入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。