数据结构与算法——散列表

散列思想：散列表用的是数组支持按照下标随机访问数据的特性，所以散列表其实就是数组的一种扩展，由数组演化而来。
可以说，如果没有数组，就没有散列表。

散列函数：顾名思义，它是一个函数。我们可以把它定义成hash(key)，其中key表示元素的键值，而hash(key)的值表示经过散列函数计算得到的散列值。

散列函数设计的基本要求：
（1）散列函数计算得到的散列值是一个非负整数；
（2）如果key1 = key2 ，那么hash(key1) = hash(key2);
（3）如果key1 ≠ key2， 那么hash(key1) ≠ hash(key2)；

前两点其实都比较容易保证，但是第三点仅存在理论情况，实际中任何一种散列函数都会存在不同键值得到相同散列值的情况，我们称之为散列冲突，对于这种散列冲突常用的解决办法有两种，第一、开放寻址法。第二、链表法。

1、开放寻址法
       开放寻址法的核心思想就是，如果出现散列冲突，我们就重新探测一个空闲位置，将其插入。那么我们该如何进行探测呢，常用的方法有线性探测法、二次探测以及双重探测法。

（1）线性探测
       当我们往散列表插入数据时，如果某个数据经过散列函数之后，存储位置已经被占用了，那么就从当前位置开始，依次往后查找，看是否有空闲位置，直到找到为止。如下图所示

其中橙色代表位置已经被占用，而黄色代表位置处于空闲。当键值x经过hash计算之后的结果为7，通过索引定位到数组下标为7的位置发现已经被占用，那么就依次向下搜索空闲位置，直到探测到数组下标为2的位置处于空闲，于是将x存入其中。

        线性探测法其实存在很大问题。当散列表中插入的数据越来越多时，散列冲突发生的可能性就会越来越大，空闲位置会越来越少，线性探测的时间就会越来越久。极端情况下，我们可能需要探测整个散列表，所以最坏情况下的时间复杂度为O(n)。同理，在删除和查找时，也有可能会线性探测整张散列表，才能找到要查找或者删除的数据。

（2）二次探测
        所谓二次探测，跟线性探测很像，线性探测每次探测的步长是1，那它探测的下标序列就是hash(key) + 0,
hash(key)+1, hash(key)+2......而二次探测探测的步长就变成了原来的“二次方”，也就是说，它探测的下标序列就是hash(key)+0, hash(key) + 1^2，hash(key) + 2^2......

（3）双重排列
        意思就是不仅要使用一个散列函数。我们使用一组散列函数hash1(key),hash2(key), hash3(key)......我们先用第一个散列函数，如果计算得到的存储位置已经被占用，再用第二个散列函数，依次类推，直到找到空闲的存储位置。

        不管采用哪种探测方法，当散列表中空闲位置不多的时候，散列冲突的概率就会大大提高。为了尽可能保证散列表的操作效率，一般情况下，我们会尽可能保证散列表中有一定比列的空闲槽位。我们用装载因子来表示空位的多少。
        装载因子 = 填入表中的元素个数  / 散列表的性能会下降。

2、链表法
       链表法是一种更加常用的散列冲突解决办法，相比开放寻址法，它要简单很多。在散列表中，每个“槽”会对应一条链表，所有散列值相同的元素我们都放到相同槽位对应的链表中。当插入的时候，我们只需要通过散列函数计算出对应的散列槽位，将其插入到对应链表中即可，所以插入的时间复杂度是O(1)。当查找、删除一个元素时，我们同样通过散列函数计算出对应的槽，然后遍历链表进行查找或者删除。链表法的示意图如下：

 

        由图我们不难看出，链表法的实现思路很简单。同样该方法执行查找和删除时的时间复杂度跟链表的长度k成正比，也就是O(k)。对于散列比较均匀的散列函数来说，理论上讲，k = n/m，其中n表示散列中数据的个数，m表示散列表中“槽”的个数 。但是极端情况下，如果数据大量积压在一条链表上，该方法的时间复杂度同样会退化成O(n)，由此我们不难看出散列函数的重要性。

          通过前面的介绍，我们知道，散列表的查询效率并不能笼统地说是O(1)。它跟散列函数、装载因子、散列冲突等都有关系。如果散列函数设计的不好，或者装在因子过高，都有可能导致散列冲突发生概率提升，导致查询效率下降。那么我们该如何设计出一个可以应对各种异常情况的工业级散列表，来避免在散列冲突的情况下，散列表性能的急剧下降？我们应该从以下几个方面考虑。

1、散列函数的设计

（1）散列函数不能过于复杂，否则计算散列值会影响执行效率

（2）散列函数生成的值要尽可能随机并且均匀分布，这样才能避免或者最小化散列冲突。

2、装载因子的设置

（1）通过前面的分析我们知道，当装在因子过大的时候，散列冲突出现的机率会提高，而装载因子过小又会造成内存空间的过度浪费。因此，如果事先知道数据规模的情况下，设定合理的装载因子是至关重要的。

（2）当我们无法事先知道数据的规模，那么我们需要数组支持动态扩容，来降低散列冲突的发生的概率。

3、高效的动态扩容

       一般的动态扩容是指，当我们数组的使用率达到设定的上限时，我们可以重新申请一片更大的空间，然后将原来的数据挪到新的空间，再将插入的数据放到新开辟的空间中。但是当插入某一数据，数组刚好达到阈值时，会使得插入这个数据变得很慢，甚至无法接受。

       举一个比较极端的例子，如果散列表中当前大小为1GB，要想扩容为原来的2倍大小，那么就需要对这1GB的数据重新计算哈希值，并且从原来的散列表搬移到新的散列表，我们知道这肯定是非常耗时的。为了解决这一问题，我们可以将扩容操作穿插在插入操作的过程中，分批完成。当装载因子触达阈值之后，我们只申请空间，并不将老的数据搬移到新散列表中。

       当有新数据要插入时，我们将新数据插入新的散列表中，并且从老的散列表中拿出一个数据放到新的散列表。这样就将搬移的工作均摊到每次插入操作中，进而避免出现在某一次插入执行很慢的情况。

4、如何选择冲突的解决方法

（1）开放寻址法的优点：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。而且，这种方法实现的散列表，序列化起来比较容易。

（2）开放寻址法的缺点：用开放寻址法解决冲突的散列表，删除数据的时候比较麻烦，需要特殊标记已经删除掉的数据。而且，在开放寻址法中，所有的数据都存储在一个数组中，比起链表法来说，解决冲突的代价更高。所以，使用开放寻址法解决冲突的散列表，装载因子的上限不能太大。这也导致这种方法比链表法更浪费内存空间。

（3）因此当数据量比较小，装载因子小的时候，适合开放寻址法。

（4）链表法的优点：内存的利用率比开放寻址法要高，而且对大装载因子的容忍度更高。

（5）链表法的变化种类也有很多，如将链表换成跳表、红黑树等结果，即使出现极端情况，查找数据的时间复杂度也仅为O(logn)。因此该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。