算法图解——读书笔记05

散列表

假设你在一家杂货店上班。有顾客来买东西时，你得在一个本子上查找价格。如果本子的内容不是按字母顺序排列的，你可能为查找苹果（apple）的 价格而浏览每一行，这需要很长时间。此时你使用的是简单查找，如果本子的内容是按照字母顺序排序的，可使用二分查找来找出苹果的价格，你知道，二分查找的速度非常快，但是作为收银员，在本子中查找价格是一件很痛苦的事情，哪怕本子的内容是有序的，在查找价格时，你都能感觉到顾客的怒气。看来真的需要一名能够记住所有商品价格的雇员，这样你就不用查找了：问她就能马上知道答案。

不管商品有多少，这位雇员（假设她的名字为Maggie）报出任何商品的价格的时间都为O(1)，速度比二分查找都快。

你希望查找商品价格的时间为O(1)，即你希望查找速度像Maggie那么快，这是散列函数的用武之地。

散列函数

散列函数是这样的函数，即无论你给它什么数据，它都还你一个数字。

如果用专业术语来表达的话，我们会说，散列函数“将输入映射到数字”。你可能认为散列函数输出的数字没有什么规律，但其实散列函数必须满足一些要求。
❑ 它必须是一致的。例如，假设你输入apple时得到的是4，那么每次输入apple时，得到的都必须为4。如果不是这样，散列表将毫无用处。
❑ 它应将不同的输入映射到不同的数字。例如，如果一个散列函数不管输入是什么都返回1，它就不是好的散列函数。最理想的情况是，将不同的输入映射到不同的数字。

散列函数将输入映射为数字，这有何用途呢？你可使用它来打造你的“Maggie”！

为此，首先创建一个空数组。

你将在这个数组中存储商品价格。下面来将苹果的价格加入到这个数组中，为此，将Aapple作为输入交给散列函数。

散列函数的输出为3，因此我们将苹果的价格存储到数组的索引3处。

下面将牛奶（milk）的价格存储到数组中。为此，将milk作为散列函数的输入。

散列函数的输出为0，因此我们将牛奶的价格存储在索引0处。

不断地重复这个过程，最终整个数组将填满价格。

现在假设需要知道鳄梨（avocado）的价格。你无需在数组中查找，只需将avocado作为输入交给散列函数。

它将告诉你鳄梨的价格存储在索引4处。果然，你在那里找到了。

散列函数准确地指出了价格的存储位置，你根本不用查找！之所以能够这样，具体原因如下。

❑散列函数总是将同样的输入映射到相同的索引。每次你输入avocado，得到的都是同一个数字，因此，你可首先使用它来确定将鳄梨的价格存储在什么地方，并在以后使用它来确定鳄梨的价格存储在什么地方。
❑ 散列函数将不同的输入映射到不同的索引。avocado映射到索引4, milk映射到索引0。每种商品都映射到数组的不同位置，让你能够将其价格存储到这里。
❑ 散列函数知道数组有多大，只返回有效的索引。如果数组包含5个元素，散列函数就不会返回无效索引100。

刚才你就打造了一个“Maggie”！你结合使用散列函数和数组创建了一种被称为散列表（hashtable）的数据结构，散列表由键和值组成。

应用案例

将散列表用于查找
手机都内置了方便的电话簿，其中每个姓名都有对应的电话号码。

假设你要创建一个类似这样的电话簿，将姓名映射到电话号码。该电话簿需要提供如下功能。
❑ 添加联系人及其电话号码。
❑ 通过输入联系人来获悉其电话号码。这非常适合使用散列表来实现！在下述情况下，使用散列表是很不错的选择。
❑ 创建映射。
❑ 查找。

创建电话簿非常容易。首先，新建一个散列表。

顺便说一句，Python提供了一种创建散列表的快捷方式——使用一对大括号。

下面在这个电话簿中添加一些联系人的电话号码。

这就成了！现在，假设你要查找Jenny的电话号码，为此只需向散列表传入相应的键。

防止重复
假设你负责管理一个投票站。显然，每人只能投一票，但如何避免重复投票呢？有人来投票时，你询问他的全名，并将其与已投票者名单进行比对。

如果名字在名单中，就说明这个人投过票了，因此将他拒之门外！否则，就将他的姓名加入到名单中，并让他投票。现在假设有很多人来投过了票，因此名单非常长。

每次有人来投票时，你都得浏览这个长长的名单，以确定他是否投过票。但有一种更好的办法，那就是使用散列表！

为此，首先创建一个散列表，用于记录已投票的人。

有人来投票时，检查他是否在散列表中。

如果“tom”在散列表中，函数get将返回它；否则返回None。你可使用这个函数检查来投票的人是否投过票！

将散列表用作缓存
来看最后一个应用案例：缓存。如果你在网站工作，可能听说过进行缓存是一种不错的做法。下面简要地介绍其中的原理。假设你访问网站facebook.com。

(1) 你向Facebook的服务器发出请求。
(2) 服务器做些处理，生成一个网页并将其发送给你。
(3) 你获得一个网页。

例如，Facebook的服务器可能搜集你朋友的最近活动，以便向你显示这些信息，这需要几秒钟的时间。作为用户的你，可能感觉这几秒钟很久，进而可能认为Facebook怎么这么慢！另一方面，Facebook的服务器必须为数以百万的用户提供服务，每个人的几秒钟累积起来就相当多了。为服务好所有用户，Facebook的服务器实际上在很努力地工作。有没有办法让Facebook的服务器少做些工作，从而提高Facebook网站的访问速度呢？

假设你有个侄女，总是没完没了地问你有关星球的问题。火星离地球多远？月球呢？木星呢？每次你都得在Google搜索，再告诉她答案。这需要几分钟。现在假设她老问你月球离地球多远，很快你就记住了月球离地球238900英里。因此不必再去Google搜索，你就可以直接告诉她答案。这就是缓存的工作原理：网站将数据记住，而不再重新计算。

这就是缓存，具有如下两个优点。
❑ 用户能够更快地看到网页，就像你记住了月球与地球之间的距离时一样。下次你侄女再问你时，你就不用再使用Google搜索，立刻就可以告诉她答案。
❑ Facebook需要做的工作更少。

缓存是一种常用的加速方式，所有大型网站都使用缓存，而缓存的数据则存储在散列表中！

小结：
❑ 模拟映射关系；
❑ 防止重复；
❑ 缓存/记住数据，以免服务器再通过处理来生成它们。

冲突
所谓冲突即：给两个键分配的位置相同。

举个栗子：假设你有一个数组，它包含26个位置。

而你使用的散列函数非常简单，它被字母顺序分配数组的位置。

你可能已经看出了问题。如果你要将苹果的几个存储到散列表中，分配给你的是第一个位置。

接下来，你要将香蕉的价格存储到散列表中，分配给你的是第二个位置。

一切顺利！但现在你要将鳄梨的价格存储到散列表中，分配给你的又是第一个位置。

不好，这个位置已经存储了苹果的价格！怎么办？这种情况就被称为冲突！这是个问题。如果你将鳄梨的价格存储到这个位置，将覆盖苹果的价格，以后再查询苹果的价格时，得到的是鳄梨的价格！冲突很糟糕，必须要避免。处理冲突的方式很多，最简单的方式如下：如果两个键映射到了同一个位置，就在这个位置存储一个链表。

在这个例子中，apple和avocado映射到了同一个位置，因此在这个位置存储一个链表。在需要查询香蕉的价格时，速度依然很快。但在需要查询苹果的价格时，速度要慢些：你必须在相应的链表中找到apple。如果这个链表很短，也没什么大不了——只需搜索三四个元素。但是，假设你工作的杂货店只销售名称以字母A打头的商品。

等等！除第一个位置外，整个散列表都是空的，而第一个位置包含一个很长的列表！换言之，这个散列表中的所有元素都在这个链表中，这与一开始就将所有元素存储到一个链表中一样糟糕：散列表的速度会很慢。

这里的经验教训有两个。
❑ 散列函数很重要。前面的散列函数将所有的键都映射到一个位置，而最理想的情况是，散列函数将键均匀地映射到散列表的不同位置。
❑ 如果散列表存储的链表很长，散列表的速度将急剧下降。然而，如果使用的散列函数很好，这些链表就不会很长！

填装因子
散列表的梯安装因子很容易计算

散列表使用数组来存储数据，因此你需要计算数组中被占用的位置数。例如，下述散列表的填装因子为2/5，即0.4。

填装因子大于1意味着商品数量超过了数组的位置数。一旦填装因子开始增大，你就需要在散列表中添加位置，这被称为调整长度（resizing）。例如，假设有一个像下面这样相当满的散列表。

你就需要调整它的长度。为此，你首先创建一个更长的新数组：通常将数组增长一倍。

接下来，你需要使用函数Hash将所有的元素都插入到这个全新的散列表中。

这个新散列表的填装因子为3/8，比原来低多了！填装因子越低，发生冲突的可能性就越小，散列表的性能越高，一个不错的经验规则是：一旦填装因子大于0.7，就调整散列表的长度。

良好的散列函数让数组中的值呈均匀分布。

糟糕的散列函数让值扎堆，导致大量的冲突。

散列函数的结果必须是均匀分布的，这很重要。它们的映射范围必须尽可能大。最糟糕的散列函数莫过于将所有输入都映射到散列表的同一个位置。

总结：
❑ 你可以结合散列函数和数组来创建散列表。
❑ 冲突很糟糕，你应使用可以最大限度减少冲突的散列函数。
❑ 散列表的查找、插入和删除速度都非常快。
❑ 散列表适合用于模拟映射关系。
❑ 一旦填装因子超过0.7，就该调整散列表的长度。
❑ 散列表可用于缓存数据（例如，在Web服务器上）。
❑ 散列表非常适合用于防止重复。