m数据结构 day22 查找（六）散列表（哈希表）查找：非常非常高效

hash,意思是混杂，拼凑，即把所有数据混杂凑在一起，在存储空间中，没有顺序。

散列技术：一种新的存储技术,也是一种查找方法

实在是牛逼 。敢想敢做还能做。

散列查找的原理和之前的查找全部不同。
存储位置是关键字的函数，给我一个关键字，我拿这个函数一算，就得到了其存储位置，于是可以立即查找到该关键字。根本不需要什么顺序查找，有序查找那种比较，一点比较都用不上，完全的纯粹地另辟蹊径。

而一旦避免了比较，查找效率就会蹭蹭蹭的提高，毕竟只是计算一下，相当于时间复杂度$O(1)$?

几个概念

• 散列函数（哈希函数）：存储位置和关键字之间的对应关系f

举个例子，下面例子的散列函数是：把学号存在学号的最后两位决定的存储单元内。

再比如，这个散列函数是：关键字是多少，就存在几号存储单元

• 散列表（哈希表）：hash table, 利用散列技术存储数据的一段连续地址空间

散列表和线性表，树，图不同的是，它的数据元素之间并没有某种逻辑关系。所以散列是一种专门面向查找的数据结构，它不具备常规数据结构的能力，比如散列表不能对表中记录排序；不能得到最大值或最小值。

• 散列地址：关键字对应的记录的存储位置

散列技术的核心问题：精心设计或构造一个简单，均匀，存储利用率高的散列函数

什么是好的散列函数

• 不同关键字计算得到的地址一定不同

只是理想，现实中一定会有两个关键字计算出同样的地址，这就是冲突，是散列函数设计的重大问题

• 计算简单

起码计算上要快过之前那些使用比较的查找算法吧。。。不然就没有竞争优势了。毕竟查找操作本身是非常频繁的操作，所以散列函数的计算一定要快。

如果一个散列函数可以保证绝对没有冲突，但是要耗费很多很多时间在复杂的计算上，那也没有什么价值。

• 散列地址分布均匀

让地址均匀分布在存储空间中，以保证空间的有效利用，还能减少处理冲突的时间。

尽量避免会造成数据查找错误的冲突collision（不能完全避免）

设计的再好的散列函数也不可能完全避免冲突。下面介绍了五六种散列函数，没有谁敢说自己绝对不会引起冲突。

再说了，我们也不需要完全没有冲突，因为有了冲突，我们想办法解决就行，并不会造成啥不好的后果。

常用的几种散列函数构造方法

散列函数的好坏直接影响了冲突出现的频繁程度。但是，不同散列函数对同一组关键字，出现冲突的可能性是一样的。所以分析散列表的查找性能时，并不把散列函数考虑在内。

下面的这些散列函数的关键字都是数字，但如果关键字是字符串，不管哪国语言，都可以通过某种方式（常用各种字符编码）转换为数字，就可以用下面这些散列函数了。

直接定址法：$f(key)=a\ast key+b$

比如刚才的第二个例子，$f(key)=key$，相当于a=1,b=0

再比如

$f(key)=key$，相当于a=1,b=0

下图红框的2000改为20

$f(key)=key-1980$，相当于a=1,b=-1980

优缺点和适用性

优点：简单，均匀，不会冲突
缺点：需要事先知道关键字的分布情况
适用于：查找表较小且连续的情况

所以，现实中，这种方法并不常用

数字分析法

这种方法比上面的直接定址法要稍微不那么naive一些了，也就稍微复杂一些。但是这种方法也是我们很容易就想到的，就是对数字本身进行各种变换，生活中给行李箱设置密码时我喜欢这么干，原来在这里被专门归类为一种方法，叫做数字分析法。

比如，要把所有学生的手机号存起来

同一学校的所有学生，前面7位数很可能多一样，我们大学时候是学校统一发的手机号卡，身边同学的前七位数就是一样的。而后四位，是用户号，只要前七位相同，后四位一定不同，所以我们可以直接把后四位作为散列地址，即抽取手机号的后四位来直接定址。

抽取，用关键字的一部分来计算散列存储位置的方法，在散列函数中经常使用。

但是林子大了，肯定有俩人后四位一样的情况（前七位不一样），所以就会引起冲突。

于是我们需要尽量避免冲突，可以使用的散列函数有：

• 将抽取的数字进行反转

1234变为4321

• 右环位移或者左环位移

右环位移即把四个数字看做一个环，向右移动一位。如1234变为2341
左环位移

• 数字叠加

比如四位数的前两位和后两位的叠加，1234,12+34=46，得到地址46
这三种方法只是举例子，我觉得真的很适合用来设置行李箱密码，哈哈，把生日数字经过左环位移得到的数字作为密码啥的

适用性：适用于关键字位数大，且其中若干位分布均匀

如果关键字位数大，且事先知道关键字的分布情况，且其中若干位分布均匀，就很适合这个方法。

平方取中法：适用于关键字位数不多，不知道其分布的情况

太神奇了吧

这和方法简直就是，，emmm，真的很随便的样子，但是却又能在实际中很好的工作，神奇，厉害。看来计算机科学领域，像深度学习一样，也很容易经验领先于理论。

折叠法：适用于关键字位数较多，不知道其分布的情况

天哪，好想知道这些方法计算出来的散列地址的冲突有多少。。真的感觉极其奇怪的一种操作，，就可以成为散列函数，怎么样保证大多数不同关键字得到的地址也不同的呢

除留余数法（最常用，取模）

正经的常用散列函数终于来了，前面几个，跟玩儿似的，没有用数学理论证明冲突数目。

但这个方法也超级简单，就是求个余数，说起来真是神奇，我们从小学加减乘除，用的更多的也是加减乘除，取余数一般很少用。但是计算机领域里，取余数这个操作，却总有一些厉害的用途。

虽然公式中是对关键字key进行取模，但是其实也可以对关键字进行折叠或平方取中后再取模。

所以公式中的p，就是这个方法最大的关键。即对谁求余数。

比如下面，假涉取p为12，则关键字12对p取模，余数是0，所以存在位置0；关键字78对12取模得到6，所以存在位置6。

但是这种方法当然会有冲突，而且还不少，比如如果还有一个关键字30，它对12取模得到的余数也是6，而42对12取模得到的余数也是6，则给30和42也要分配位置6，这就冲突了。

更极端的，假设关键字全都是12的倍数，则大家对12取模得到的余数清一色都是0,如下图，你说气人不？

但是如果把p换成11，那么上面这些关键字存储时遇到的冲突就少很多了，只有12和144两个关键字冲突了。

所以，减少冲突的关键就是p的选择。

减少冲突的关键：p的选择

随机数法：适用于关键字长度不等的情况

呀呀呀，这个感觉很像给文件加密的哈希函数的感觉，当然啦二者不是一回事，区别还很大，但是很像。

怎么选散列函数，看什么因素

虽然介绍了一大堆散列函数，但是没有一种散列函数是走遍天下都不怕的，没有一招鲜吃遍天的散列函数，算法都是没有万能的，排序算法，查找算法也一样。我们要结合实际情况采用不同的散列函数，参考的因素有：

处理散列冲突的方法

再好的散列函数也不可能完全避免冲突。

下面这几种解决冲突的方法，都很好理解，很简单，只是说起来复杂而已，但思路都是很容易想到的，尤其是再散列函数法和链地址法。不过这些方法，出于不同的考虑角度，因此有不同的优缺点，使用时还是一样，需要结合实际情况。

开放定址法（常用）：一冲突就去找下一个空地址

开放定址法的根本思想就是：这里冲突了，那我就找从这里出发，向前或者向后，或者随机，不管用什么手段，反正一定要找到一个空位置把自己存下来。

根据在散列表中找下一个空散列地址的方法，可以把开放定址法再细分为三种。

线性探测法：会产生堆积

即如果用散列函数计算得到的地址已经被使用了，则从这个地址开始，线性地往后依次查看每一个位置，直到找到一个空的地址，就存在这里。

用数学公式表达，则是

可以看到，需要用到一个数列$d_i$, 它是位移量。

$f(key)$就是散列函数计算得到的散列地址，如果$f(key)$已经被占用了，则对$f(key)$加上$d_1$，代入上面的公式，求出新地址，如果新地址是空的，则存入，否则载代入$d_2$计算下一个地址。总之，从第一次计算的地址开始，单向地，向后一个个地找。这也是名字为啥叫线性探测的原因。

举个例子，便于理解

堆积：不是同义词的关键词们争夺一个地址，会引发更多冲突，造成查找和存入效率降低

同义词，文首说过的概念，即两个不同的关键字，经过一个散列函数，计算得到了一样的散列地址，于是发生地址冲突，这种现象叫做冲突，这俩关键字叫做同义词。

现在，线性探测法中出现了一种新现象，不是同义词的两个关键词也会争夺同一个地址了，这种现象被命名为堆积。

堆积不是什么好现象，它的出现，会引起更多冲突！所以存入和查找的效率都会降低。

二次探测法：线性探测的改进版，在散列表中双向寻找空地址

它由于双向搜索，所以产生的堆积更少，相同关键字和相同的散列函数，使用二次探测法处理冲突，比用线性探测法的查找性能好。

二次，不是“第二次”的意思，而是幂次为2，平方的意思。

随机探测法：用伪随机函数计算位移量数列

只要随机种子一样，则多次调用随机函数，生成的数列都是一样的。所以只要种子一样，$d_i$就一样，找到的散列地址也就一样，所以查找上不会有任何问题。

优缺点

• 优点：关键字不聚集
• 缺点：需要散列表够大

再散列函数法：事先准备多个散列函数

这方法是我们最容易想到的了，比开放定址法还容易想到。

冲突？换个散列函数继续搞啊！还冲突？再换！就不相信还找不到一个空地址了。

$R{H}_i$就是多个不同的散列函数。前面说的所有方法都可以算上，有一个算一个。

优缺点

• 优点

2. 缺点:

• 还真有可能找不到一个空地址。。。用尽所有散列函数也找不到空地址，但散列表中确实又有空地址。。。

开放定址中的线性探测和二次探测是一定可以找到空地址的。

• 计算时间长

链地址法：冲突不换址，把所有关键字为同义词的记录存在一个单链表里

不产生任何堆积，所以查找性能比使用开放定址法处理冲突要好。

表长12，用除留余数法计算散列地址

优缺点

• 优点：绝对不可能找不到地址，这是绝对的保障。之前的开放定址和再散列函数，如果冲突就需要想办法换地址，虽然最终肯定是能找到空地址，毕竟表长一定大于等于待存元素数，但是查找新地址的时间耗费较多。
• 缺点：查找时需要遍历单链表，耗时一些；此外，可以看到散列表中有些位置是空着的，没被使用，所以空间利用率也相对差一点。

公共溢出区法：把所有冲突的关键字建立一个公共的溢出区来存放

散列表的适用性和优缺点

1. 适用性

• 适用于查找性能要求高，记录之间的关系没有要求的数据
• 最适合查找和给定值相等的记录
• 不适合一个关键字对应多条记录的情况，因为散列函数是一对一的映射

比如关键字“男”，可以找到很多记录，散列表无能为力，他要求关键字必须和记录一一对应，一对一，毕竟是一对一的映射，不是一对多的映射。

必须用身份证号或者学号这种关键字去找。

• 不适合范围查找；不能对表中记录排序；不能得到最大值或最小值

2. 优缺点
   优点：查找效率非常非常高
   缺点：

• 空间效率低，可能有很多空间都没用。所以散列函数的设计重点之一就是要提升空间利用率
• 记录之间没有任何关联

代码

散列表结构 HashTable

用一个动态数组实现哈希表，这样便于不断增加元素

动态数组可以用结构体实现，成员变量简单到只有俩，也许cpp的vector的底层实现就是结构体呢，只不过使用了模板

#define SUCCESS 1
#define UNSUCCESS 0
#define NULLKEY -32768
#define HASHSIZE 12 //散列表长度

typedef struct 
{
	int * elem;//数据元素的存储基址，动态分配
	int count;//当前数据元素数目
}HashTable;

int m = 0;//散列表表长，全局变量

初始化散列表

Status InitHashTable(HashTable * H)
{
	//给哈希表分配内存
	m = HASHSIZE;
	H->count = m;
	H->elem = (int *)malloc(m * sizeof(int));//分配m个int位置，作为哈希表
	//初始化哈希表的所有元素为NULLKEY，这样插入元素的时候就知道这个位置是不是为空地址了
	int i;
	for (i = 0; i < m; ++i)
		H->elem[i] = NULLKEY;
	return OK;
}

散列函数

用于插入元素时计算地址

这里用除留余数法

/*返回地址，并非真的内存地址，而是哈希表数组的下标，所以是int*/
/*但是&(H->elem[addr])是真实的内存地址，也是key在不冲突情况下会被存入的地址*/
int Hash(int key)
{
	return key % m;
}

插入关键字操作（使用线性探测法解决冲突）

/*输入是关键字和待存入的哈希表*/
void InsertHash(HashTable * H, int key)
{
	int addr = Hash(key);//求散列地址
	while (H->elem[addr] != NULLKEY)//当前位置已经被占用，冲突
		addr = (addr + 1) % m;//线性探测法
	H->elem[addr] = key;//插入关键字
}

散列表的查找操作(和插入的代码相似，只是多了是否存在关键字的判断)

现在已经把元素都插入进去了，可以查找了

Status SearchHash(HashTable * H, int key, int * addr)
{
	*addr = Hash(key);
	while (H->elem[*addr] != key)//说明冲突了
	{
		*addr = (*addr + 1) % m;//用一样的方法（线性探测）找下一个地址，并逐一比较
		//没找到，关键字不存在
		if (H->elem[*addr] == NULLKEY || *addr == Hash(key))//*addr == Hash(key)表示循环回到原点
			return UNSUCCESS;
	}
	return SUCCESS;
}

哈希表的查找性能

如果没有冲突，则散列查找的时间复杂度是$O(1)$!

但这只是理想，现实中我们是无法完全避免冲突的

面对现实（有冲突），分析散列查找的平均查找长度的影响因素

1. 不考虑散列函数对平均查找长度的影响
   
2. 处理冲突的方法，有影响
   
3. 散列表的装填因子
   
   用空间换时间，还是更常用的操作。毕竟大多数情况下，时间资源比空间资源更重要。

这么一看的话，链地址法是最好的办法？？虽然浪费了一点多余空间，但是装填因子小。