1 哈希应用

O(1) 的哈希 

Python中的哈希表主要通过内置的字典（dict）类型实现。对于字典的操作，包括插入（insert）、删除（delete）和查找（lookup）的时间复杂度，在理想情况下可以视为O(1)，即常数时间复杂度。这是因为哈希表通过哈希函数将键（key）直接映射到表中的某个位置，理论上可以做到直接访问。

然而，这是在假设哈希函数能够均匀分布元素，且哈希表有足够的空间以保持低冲突率的理想情况下的讨论。实际情况可能会受到以下因素的影响：

1. 哈希冲突：当不同的键通过哈希函数映射到相同的索引时，就会发生冲突。Python字典通过开放寻址法或链地址法解决冲突。即使在处理冲突的情况下，设计良好的哈希表也能保持接近O(1)的平均时间复杂度，但最坏情况下时间复杂度可能退化到O(n)，特别是在哈希表过于拥挤（即负载因子很高）时。

2. 动态调整大小：为了维持高效的查找性能，当字典中元素数量超过一定阈值时，Python字典会自动进行扩容，重新哈希所有元素。这个过程会暂时增加插入和删除操作的时间复杂度，但总体上是为了长期维持O(1)的平均查找性能。

总结来说，对于Python字典（哈希表）的插入、删除和查找操作，在大多数实际应用场景中可以认为是O(1)的，但要注意这是平均情况下的复杂度，极端情况或在特定操作序列下性能可能会有所下降。

题目：

1 两数之和：

 . - 力扣（LeetCode）

给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target  的那 两个 整数，并返回它们的数组下标。你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。你可以按任意顺序返回答案。

思考：

输入： 序列nums,  两数之和： sum

两数之和 sum，找到其中一个x，判断另外一个 sum-x 是否在也在数组中即可；

如何做？

遍历访问x : nums,

判断 sum-x in nums[i+1:]: 如果满足的话，那么一定存在，但是list lookup时间复杂度是 o(n);

解决方案：

不从list中访问，从字典中访问：

d = defaultdict(int) # 存放 {num : index}

for i, num in enumerate(nums):

        if sum - num in d:  当前的数、以及sum - num 是否在字典中：

                return [i,d[sum - num ]]

        else:

                d[num] = i

 时间复杂度 O(N）, 空间复杂度O(N)

2 字母异位分组

给你一个字符串数组，请你将 字母异位词 组合在一起。可以按任意顺序返回结果列表。

字母异位词 是由重新排列源单词的所有字母得到的一个新单词。

输入: strs = ["eat", "tea", "tan", "ate", "nat", "bat"]输出: [["bat"],["nat","tan"],["ate","eat","tea"]]
思考： 同一个分组具有相同的字符串；

给一个字典： {key: list()}, key 就是同一个分组的字符串；

3 最长连续序列

给定一个未排序的整数数组 nums ，找出数字连续的最长序列（不要求序列元素在原数组中连续）的长度。

请你设计并实现时间复杂度为 O(n) 的算法解决此问题。

示例 1：

输入：nums = [100,4,200,1,3,2]
输出：4
解释：最长数字连续序列是 [1, 2, 3, 4]。它的长度为 4。

示例 2：

输入：nums = [0,3,7,2,5,8,4,6,0,1]
输出：9

最长连续序列：

假设访问到 num 是一个序列中的最小值，如果num 不是最小边界，则继续编列，说明这个数是一个序列中的一个；