Python数据结构与算法—哈希表

---

一、基本概念

1、直接寻址表

当关键字的全域U比较小时直接寻址是一种简单有效的方法

但直接寻址表存在以下缺点：
1.当全域U很大时，需要消耗大量内存，很不实际
2.如果全域U很大而实际出现的key很少，则大量空间被浪费
3.无法处理关键字不是数字的情况

2、哈希

直接寻址表：key为k的元素放到k的位置上
改进直接寻址表：哈希（Hashing）

1.构建大小为m的寻址表T
2.key为k的元素放到h(k)位置上
3.h(k)是一个函数，其将全域U映射到表T[0,1,...,m-1]

3、哈希表

散列表（Hash table，也叫哈希表），是根据关键码值(Key value)而直接进行访问的数据结构。也就是说，它通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。这个映射函数叫做散列函数，存放记录的数组叫做散列表。

python中的dict类型就是哈希表的原理，存储方式是key-value，通过键来快速的访问value，字典在访问操作上时间复杂度为O(1)。

通常支持以下操作：

insert(key,value): 插入键值对
get(key): 如果存在建为key的键值对则返回其value，否则返回空
delete(key): 删除键为key的键值对

例：
假设有一个长度为7的哈希表，哈希函数为 h(k)=k%7。元素集合{14，22，3，5}的方式如下图：

注：常见的哈希函数

h(k)=k%m .
h(k)=floor(m*(Akey%1)) .
h_a,b(k)=((akey + b) mod p) mod m . 其中a,b=1,2,…p-1

4、哈希冲突

由于哈希表的大小是有限的，而要存储的值的总数量是无限的，因此对于任何哈希函数，都会出现两个不同元素映射到同一个位置上的情况，这种情况叫哈希冲突。

比如h(k)=k%7，h(0)=h(7)=h(14)=…=0

解决哈希冲突：

1、开放寻址法
如果哈希函数返回的位置已经有值，则可以向后探查新的位置来存储这个值

• 线性探查：如果位置i被占用，则探查i+1，i+2，…
• 二次探查：如果位置i被占用，则探查i+1²，i-1²，i+2²，i-2²，…
• 二度哈希：有n个哈希函数，当使用第一个哈希函数发生冲突时，则尝试第二个，第三个，…

2、拉链法
哈希表每个位置都连接一个链表，当发生冲突时，冲突的元素将加到该位置链表的最后

---

二、代码实现

主要使用拉链法解决哈希冲突

# __author__: PPPsych
# date: 2021/1/7


# 链表类
class LinkList:
    class Node:
        def __init__(self, item=None):
            self.item = item
            self.next = None

    class LinkListIterator:
        def __init__(self, node):
            self.node = node

        def __next__(self):
            if self.node:
                cur_node = self.node
                self.node = cur_node.next
                return cur_node.item
            else:
                raise StopIteration

        def __iter__(self):
            return self

    def __init__(self, iterable=None):
        self.head = None
        self.tail