【16】 散列表（中）：如何打造一个工业级水平的散列表？

1. 如何设计散列函数？

1. 散列函数的设计不能太复杂，太复杂会消耗更多时间，也会影响到散列表的性能。
2. 散列函数生成的值要尽可能随机并且均匀分布，尽可能减少散列冲突，即便冲突之后，分配到每个槽内的数据也比较均匀。
3. 常见的散列函数设计方法：直接寻址法、平方取中法、折叠法、随机数法等。

2. 装载因子过大怎么办？（如何根据装载因子动态扩容？）

1. 如何设置装载因子阈值？
   1）可以通过设置装载因子的阈值来控制是扩容还是缩容，支持动态扩容的散列表，插入数据的时间复杂度使用摊还分析法。
   2）装载因子阈值的设置要权衡时间、空间复杂度。如果内存空间不紧张，对执行效率要求很高，可以降低负载因子的阈值；相反，如果内存空间紧张，对执行效率要求又不高，可以增加负载因子的值，甚至可以大于 1。
2. 如何避免低效扩容？一次性扩容，分批搬运
   利用均摊思想。
   1）分批搬运的插入操作：当有新数据要插入时，我们将数据插入新的散列表，并且从老的散列表中拿出一个数据放入新散列表。每次插入都重复上面的过程。这样插入操作就变得很快了。
   2）分批搬运的查询操作：先查新散列表，再查老散列表。
   3）通过分批搬运的方式，任何情况下，插入一个数据的时间复杂度都是O(1)。

3. 如何选择散列冲突解决方法？

1. 开放寻址法
   【优点】
   1）开放寻址法不像链表法，需要拉很多链表。散列表中的数据都存储在数组中，可以有效地利用 CPU 缓存加快查询速度。
   2）序列化起来比较简单。链表法包含指针，序列化起来就没那么容易。
   【缺点】
   1）删除数据比较麻烦
   2）冲突的代价更高
   3）装载因子不能过高
   【适用场景】
   当数据量比较小、装载因子小的时候，适合采用开放寻址法。
2. 链表法
   【优点】
   1）链表法对内存的利用率比开放寻址法要高。
   2）链表法比起开放寻址法，对大装载因子的容忍度更高。
   【缺点】
   1）对CPU缓存不友好
   2）不利于序列化
   【适用场景】
   基于链表的散列冲突处理方法比较适合存储大对象、大数据量的散列表，而且，比起开放寻址法，它更加灵活，支持更多的优化策略，比如用红黑树代替链表。

4. 如何设计一个工业级的散列函数？

思路：
何为一个工业级的散列表？工业级的散列表应该具有哪些特性？结合学过的知识，我觉的应该有这样的要求：

1. 支持快速的查询、插入、删除操作；
2. 内存占用合理，不能浪费过多空间；
3. 性能稳定，在极端情况下，散列表的性能也不会退化到无法接受的情况。
   方案：
   如何设计这样一个散列表呢？根据前面讲到的知识，我会从3个方面来考虑设计思路：
4. 设计一个合适的散列函数；
5. 定义装载因子阈值，并且设计动态扩容策略；
6. 选择合适的散列冲突解决方法。
   关于散列函数、装载因子、动态扩容策略，还有散列冲突的解决办法，具体如何选择，还要结合具体的业务场景、具体的业务数据来具体分析。不过只要我们朝这三个方向努力，就离设计出工业级的散列表不远了。

5. 思考

1. 在你熟悉的编程语言中，哪些数据类型底层是基于散列表实现的？散列函数是如何设计的？散列冲突是通过哪种方法解决的？是否支持动态扩容呢？
   Python中的dict就是基于散列表实现。

6. 参考资料

1. 王争老师在极客时间的专栏《数据结构与算法之美》
2. 专栏下的所有评论

7. 声明

本文章是学习王争老师在极客时间专栏——《数据结构与算法之美》的学习总结，文章很多内容直接引用了专栏下的回复，推荐大家购买王争老师的专栏进行更加详细的学习。本文仅供学习使用，勿作他用，如侵犯权益，请联系我，立即删除。