数据结构之二（hash）

Hash表

Hash表作为一种动态集合数据结构，一般只支持：插入、查询、删除操作；而且每个操作的时间复杂度一般控制在O(1)内。

Hash表是普通数组的一种推广。因为数组可以在直接通过下标来定位要查找的元素，时间为O(1)。因此hash表目标也是使用一些技术，以达到可以在O(1)的时间内完成操作。（严格来说时间是和装载因子a相关的）

Hash的方法。

1.        直接寻址法

前提：关键字的全域U比较小；且无重复关键字。

方法：关键字的全域为{0，1，…..，m-1}。m不是太大，或者可以不考虑内存限制；则使用一个数组T[0,m-1]，每一个槽代表一个关键字，如果没有关键字对应到槽k，则T[k] = NULL。

缺点：

关键字的全域不能太大；

如果实际关键字的数量和关键字的全域的数量相比，比较小时，则分配的T有些浪费空间。

2.        Hash表

为了解决直接寻址的缺点，从而产生hash表。

Hash表的空间为实际关键字的数量阶的，O(|K|)；与直接寻址比缺点在于查找时间O(1)为平均时间，而直接寻址最坏情况也为O(1).

方法：hash表使用一个hash函数h，以key为参数来计算存储位置。Hash函数h为关键字全域U到存储域M的映射。一般U都比M大，以便达到降低存储空间的目的，因此映射不为单射。由此，两个key可能映射到同一个位置，这时称为发生碰撞。

3.        解决碰撞的方法：

3.1.       链接法：

把值相同的元素用一个链表来表示。插入在链表的头部插入。

装载因子：装载因子为hash表中每一个槽平均存放的元素个数。可以大于、小于、等于1。

简单一直散列：所有元素均匀散列到hash表的m个槽位，而且与已经散列的情况无关。

缺点：最坏情况下散列到一个槽，这时相对于链表。

时间：装载因子为a的简单一直散列，则查询（成功、失败）的平均时间为O(1+a)。

结果的计算，失败要找到尾部；成功则需要使用指示随机变量来计算。

从这个结果可知，如果hash表的槽位数和存放的元素为同阶的，即n=O(m)。从而a=n/m=O(1)，则hash表的查询为O(1)的。

3.2.       开放寻址法

开放寻址是指：所有元素都存放在hash表中，每个槽位最多放一个元素。不像链接法，开放寻址没有链表。从而装载因子a不会超过1。

在插入的过程中，如果有冲突，则会继续查找，直到找到一个空的槽位为止。

缺点：开放寻址时，删除比较麻烦，因为删除后需要重新调整槽；所有开放寻址一般只支持插入和查找操作，如果需要删除，则一般使用链接法。

探测：冲突时，查找空槽的过程称为探测。

与普通hash比，探测需要探测号，探测了几次。因此比一般的hash多一个参数。

而且如果表有空槽，则一定会探测到。

因此：h（k，i）对每一个k来说，h（k，0），h（k，1），…，h（k，m-1）必须为0，1，….，m-1的一个排列。否则某个位置就不能被探测到。

探测方法

3.2.1.       线性探测

线性探测中，有一个辅助散列函数。或者称为h(k,0)。

h(k,i)=(h(k,0)+i) mod m

即第一次探测为h（k，0），如果非空，则找h(k,0)+1，直到找到空位置。

缺点：存在称为一次群集的问题，如果对于不同的k1,k2,如果h(k1,0)和h(k2,0)相同，则所有的探测顺序都相同。即随着时间的推移，连续的槽被占用的情况会增加，从而查询也会增加开销。

3.2.2.       二次探测

二次探测是使用二次函数来做探测。也有一个辅助散列函数。或者称为h(k,0)。

h(k,i)=(h(k,0)+c1*i+c2*i^2) mod m

c1,c2为辅助常数。初始探测也为h(k,0)。之后的探测不是线性的查找空槽，而是有偏移量的查找空槽偏移量为探测次数的二次函数。

缺点：

和线性探测相同，也有群聚的现象。对于不同的k1,k2，如果h(k1,0)和h(k2,0)相同，则后续的探测都会相同。因此也会产生群聚，这种群聚称为二次群聚。

另外，为了提高hash表的利用率，c1，c2，m的选择有一些限制。

3.2.3.       双重散列（二次hash）

双重散列使用两个辅助函数来进行散列计算。h1(k),h2(k)。

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

为了探测到整个表，h2（k）有一些限制。一种方法是取m为2的幂次，并使得h2只生成奇数。或者取m为质数，h2产生的数都比m小。

通常，双重散列的探测序列有O(m^2)种顺序，比一次和二次探测的O(m)种顺序多，从而与一致散列比较接近。

3.2.4.       开放寻址的复杂度分析

首先开放寻址的装载因此a<=1。

开放寻址一般假设为一致散列。

查询不成功：的次数期望为1/(1-a)。证明使用事件序列，且都探测失败。Hash表半满，则为2次；为90%满，则次数为10次。因此如果太满，则查询失败的次数将急剧增加。

插入元素：需要的探测次数的期望为1/(1-a)。因为插入需要做一次查找不成功的探测。

查询成功：的次数期望至多为(1/a)*ln(1/(1-a))。比如：hash表为半满的，则查询成功的期望为1.3次左右；hash表为90%满的，则期望为2.5次左右。

从此也可以看出，hash表的线性时间O(1)其实是和装载因子a相关的。这在链接法中的结果也是相同的。

4.        Hash函数

比较好的散列函数是尽可能的满足简单一直散列的条件。

4.1.       除法散列

使关键字对m取余。

选择的限制：m应该选择质数，且不要接近为2的幂次的数，或10的幂次。

不为2的幂次是因为，k对2的幂次取余相当于取k的低位，而将高位忽略了。

不为2的幂次减一（如：2^p-1）是因为，如果字符按2^p为基数来解释，则字符相同，但顺序不同的字符串可以映射到同样的键。

4.2.       乘法散列

选取固定的关键字0<A<1，hash函数为

h(k)=[m*(kAmod1)]----1式

含义为关键字乘上A后取小数部分，再与m相乘（即hash表的长度），取整即可。

乘法的优点是对m没有要求，因此一般选择m为2的幂次。

特别：

计算机一个字节为w个bit位。Hash表的表长m=2^r。则1式可表示为

h[k] = ((A*k)mod（2^w）)>>(w-r)----2式

A一般取值在（2^(w-1)，2^w）之间。

一般取1式中的A接近黄金分割值。

在2式中，w，r一般为事先已知（w为字节位数，r为hash表的位数），从而只需要选择A值即可将h确定下来。

2式可以理解为：将A表示为二进制的分数，k乘上A后取小数部分，并取小数部分的最高r位（即向右移动w-r位的整数）。

也可以理解为：将圆圈等分为m份，即hash表的长度；hash函数为在圆上转动k次，每次转动A个格子，最终停下来的地方即为hash函数的结果值。

1式和2式中只有乘法和对2的幂次取余，对2的幂次取余属于移位操作，因此比除法要节约时间。