散列表

最新推荐文章于 2023-07-15 09:11:22 发布

da1234cao

最新推荐文章于 2023-07-15 09:11:22 发布

阅读量221

点赞数 1

分类专栏： # 数据结构与算法文章标签：哈希算法

本文链接：https://blog.csdn.net/sinat_38816924/article/details/111995848

版权

数据结构与算法专栏收录该内容

45 篇文章 16 订阅

订阅专栏

文章目录

前言

农夫山泉：我们不生产水，我们是大自然的搬运工。

大草如是说：我不生成知识点，我是书本的板运工。详细内容见《算法导论》第11章。

当年上《数据结构》的时候，由于课时原因，老师快速带过了9.3节哈希表的相关内容。后来，我偷闲看了小甲鱼–数据结构–散列表的相关视频。从数据结构的角度来说，哈希表并没有什么难度。无非是，通过映射的方式来实现增删查的字典操作。但是从算法的角度，当看过麻省理工学院公开课–算法导论–哈希表的相关视频，对于哈希表我一脸懵逼。由于算法课程原因，我翻看了《算法导论》第十一章散列表的相关内容。下面将会抛开数学证明，简单的整理下哈希表的相关内容，详细内容见书上。

这里不会介绍，为什么需要哈希表，哪些地方会用到哈希表，使用的时候需要如何设计等。因为，我也不知道这些^__^ 。这里仅考虑哈希表是个什么啥。

摘要

介绍了三种散列函数，用以完成映射：除法散列法、乘法散列法、全域散列法。

介绍了两种冲突解决办法：链表法、开放寻址法。

在这里插入图片描述

思路介绍

我们可以把一组信息作为一个元素来存储。比如某个同学，他可能有学号，姓名，班级等信息。在设计数据结构的时候，我们可以将该同学的一组信息放在一个元素内。这个元素有个关键字，只有该元素拥有，而别的元素没有相同的内容，比如学号。

通过元素关键字，我们可以找到该元素的其他相关信息。那我们如何在设计的数据结构中快速得找到关键字呢？（目前，我们暂时仅考虑查找，不考虑增加和删除）

脱去元素信息和元素信息对应的数据结构，把问题抽出来，‘如何快速找到关键字？’。

顺便说下，计算机中的任何内容都是0和1组成。所以我们有理由相信，可以将关键字转换成数字。数字相对于其他字符，易于计算处理。后文，我们统一认为关键字是数字类型。这里留下了一个问题，有哪些转化方式，这些转换方式的适用场景与优缺点。

此时，我们拥有了一堆乱糟糟的关键字，我们如何快速定位我们需要的关键字呢？第一种方法是排序。我们可以在有序的关键字集合中快速找到我们需要的内容。但是，排序是有代价的，不考虑线性时间排序，好的排序时间复杂度大约是nlog(n)。除了排序有没有什么好的办法呢？

有的。借鉴下桶排序的思想，我们可以将关键字与下标建立起一对一的映射关系。（可以是一对多的关系，后面通过链表的方式解决冲突便是一对多关系）将关键字作为关键字数组存储位置下表的方式，是一对一映射关系的一种，可以在O(1)时间内找到关键字在数组中的位置。我们称这种方式为直接寻址法。

但是，直接寻址法，有很大的弊端。当关键字的全域比较大的时候，由于一对一关系，需要很大的存储空间。但是实际关键字的个数可能远远小于关键字的全域，导致大量的空间被浪费。

既然有一对一有许多空间被浪费，我们何不一对多呢？这里有两个问题：如何一对多？其造成冲突如何解决？

首先考虑第一个问题，一对多必然会有冲突，如何设计一对多以减少冲突。这里引入一个概念哈希函数。通过哈希函数，将关键字的全域U映射到散列表的槽位上。好的哈希函数应(近似地)满足简单均匀散列假设：每个关键字都等可能的散列到m个槽位中的任何一个，与其他关键字已散列到那个位置无关。我们设计的哈希函数应当趋向于这个目标。

接着，考虑第二个问题，一对多必然会有冲突，如何解决冲突。借鉴下，通排序的思想，我们可以将在同一个槽位上冲突的关键字串联起来。或者，我们可以再次计算，将关键字放在表中的另一个位置。

此时，顺其自然产生了第三个问题：一对多设计的不同哈希函数之间的对比；冲突解决策略的对比；在特定场景，两着的使用等

本文，复制书上的知识点，顺道借着这些问题思路看书上的点。

也可以阅读这篇文章。

散列函数

本节将讨论一些关于如何设计好的散列函数的问题,并介绍三种具体方法。其中的两种方法(用除法进行散列和用乘法进行散列)本质上属于启发式方法,而第三种方法(全域散列)则利用了随机技术来提供可证明的良好性能。

一个好的散列函数应(近似地)满足简单均匀散列假设:每个关键字都被等可能地散列到m个槽位中的任何一个,并与其他关键字已散列到哪个槽位无关。遗憾的是,一般无法检査这一条件是否成立,因为很少能知道关键字散列所满足的概率分布,而且各关键字可能并不是完全独立的。

有时,我们知道关键字的概率分布。例如,如果各关键字都是随机的实数k,它们独立均匀地分布于0≤k<1范围中,那么散列函数h(k)=km就能满足简单均匀散列的假设条件。

在实际应用中,常常可以运用启发式方法来构造性能好的散列函数。设计过程中,可以利用关键字分布的有用信息。例如,在一个编译器的符号表中,关键字都是字符串,表示程序中的标识符。一些很相近的符号经常会出现在同一个程序中,如pt和pts。好的散列函数应能将这些相近符号散列到相同槽中的可能性最小化

一种好的方法导出的散列值,在某种程度上应独立于数据可能存在的任何模式。例如,“除法散列”(113.1节中要介绍)用一个特定的素数来除所给的关键字,所得的余数即为该关键字的散列值。假定所选择的素数与关键字分布中的任何模式都是无关的,这种方法常常可以给出好的结果。

最后,注意到散列函数的某些应用可能会要求比简单均匀散列更强的性质。例如,可能希望某些很近似的关键字具有截然不同的散列值(使用11.4节中定义的线性探查技术时,这一性质特别有用)。113.3节中将介绍的全域散列( universal hashing)通常能够提供这些性质。

除法散列法

在用来设计散列函数的除法散列法中,通过取k除以m的余数,将关键字k映射到m个槽中的某一个上,即散列函数为:
$h(k)=k\ mod\ m$
例如,如果散列表的大小为m=12,所给关键字k=100,则h(k)=4。由于只需做一次除法操作,所以除法散列法是非常快的。

当应用除法散列法时,要避免选择m的某些值。例如,m不应为2的幂,因为如果m=2^p,则h(k)就是k的p个最低位数字。除非已知各种最低p位的排列形式为等可能的,否则在设计散列函数时,最好考虑关键字的所有位。

一个不太接近2的整数幂的素数,常常是m的一个较好的选择。例如,假定我们要分配张散列表并用链接法解决冲突,表中大约要存放n=2000个字符串,其中每个字符有8位。如果我们不介意一次不成功的査找需要平均检查3个元素,这样分配散列表的大小为择701这个数的原因是,它是一个接近2000/3但又不接近2的任何次幂的素数。把每个关键字k视为一个整数,则散列函数如下：h(k)=k mod 701

乘法散列法

构造散列函数的乘法散列法包含两个步骤。第一步,用关键字k乘上常数A(0<A<1),并提取kA的小数部分。第二步,用m乘以这个值,再向下取整。总之,散列函数为

$\lfloor h(k)=m(k A\ mod\ 1)\rfloor$
这里 $k A m o d 1$ 是取足A的小数部分,即 $kA-\lfloor kA \rfloor$ 。

乘法散列法的一个优点是对m的选择不是特别关键，一般选择它为2的某个幂次。Knuth认为 : $A\approx \left (\sqrt{5} -1 \right ) / 2$

大概看起来是，m是槽的个数，m乘上一个[0,1)的数字。

上课的时候在走绳，我不知道这个公式是如何理解的。但是运行的时候，公式的乘法可以用位移来实现。

在这里插入图片描述

全域散列法

如果让某个与你作对的人来选择要散列的关键字，那么他会选择全部散列到同一槽位的n个关键字，使得平均检索时间为O(n)，任何一个特定的散列函数都无法避免这种最坏情况的发生。唯一有效的改进方法是随机的选择散列函数，使之独立于要存储的关键字，这便是全域散列(universal hashing)，无论对手如何选择关键字，平均性态都很好。

我也不明白，可以参考书上，或者这里

冲突解决

因为是是一对多映射，所以必然会产生冲突。本文介绍两种解决冲突的办法：链表法，开放寻址法。

链表法

在链表法中，把散列到同一个槽的所有元素都放在一个链表中。

在简单均匀散列的假设下，对于用链表法解决冲突的散列表，一次成功查找所需的平均时间为 $\Theta \left ( 1+\alpha \right )$ 。其中， $\alpha$ = 元素个数n / 槽个数m。

关于这个方法的代码实现，见这里

在这里插入图片描述

拉链法的优点:

拉链法处理冲突简单，且无堆积现象，即非同义词决不会发生冲突，因此平均查找长度较短；
由于拉链法中各链表上的结点空间是动态申请的，故它更适合于造表前无法确定表长的情况；
在用拉链法构造的散列表中，删除结点的操作易于实现。只要简单地删去链表上相应的结点即可。

拉链法的缺点：

指针需要额外的空间

开放寻址法

当哈希碰撞发生时，从发生碰撞的那个单元起，按照一定的次序，从哈希表中寻找一个空闲的单元，然后把发生冲突的元素存入到该单元。

这个寻找过程有线性探查、二次探查、双重散列。方法有一个通用的再散列函数形式：

线性探查。给定一个普通的散列函数h: U→(0,1, …,m-1},称之为辅助散列函数( auxiliary hash function),性探查( linear probing)方法采用的散列函数为：
$i)=\left(h^{\prime}(k)+i\right) \bmod m, \quad i=0,1, \cdots, m-1$
给定一个关键字k,首先探査槽T[h’(k)],即由辅助散列函数所给出的槽位。再探査槽T[h’(k)+1]，依此类推,直至槽T[m-1]。然后,又绕到槽T[0],T[1], …，直到最后探查到槽T[h’(k)-1]。在线性探査方法中,初始探査位置决定了整个序列,故只有m种不同的探査序列。

线性探査方法比较容易实现,但它存在着一个问题,称为一次群集( primary clustering)。随着连续被占用的槽不断增加,平均査找时间也随之不断增加。群集现象很容易出现,这是因为当二个空槽前有个满的槽时,该空槽为下一个将被占用的概率是(+1)/m。连续被占用的槽就会变得越来越长,因而平均查找时间也会越来越大。代码实现在这里

二次探查。次探查( quadratic probing)采用如下形式的散列函数：
$i)=\left(h^{\prime}(k)+c_{1} i+c_{2} i^{2}\right) \bmod m$
其中h‘是一个辅助散列函数,c1和c2为正的辅助常数初始的探查位置为T[h’(k)],后续的探査位置要加上一个偏移量,该偏移量以二次的方式依赖于探査序号i。这种探査方法的效果要比线性探査好得多,但是,为了能够充分利用散列表, a1、c2和m的值要受到限制。思考题11-3给出了一种选择这几个参数的方法。此外,如果两个关键字的初始探査位置相同,那么它们的探查序列也是相同的,这是因为h(k₁, 0)=(k₂, 0)蕴涵着h(k₁, i)=h(k₂, i)。这一性质可导致一种轻度的群集,称为二次群集( secondary clustering)。像在线性探査中一样初始探查位置决定了整个序列,这样也仅有m个不同的探查序列被用到。

双重散列。双重散列( double hashing)是用于开放寻址法的最好方法之一,因为它所产生的排列具有随机选择排列的许多特性。双重散列采用如下形式的散列函数：
$i)=\left(h_{1}(k)+i h_{2}(k)\right) \bmod m$
其中h₁和h₂均为辅助散列函数。初始探査位置为T[h₁(k)],后续的探查位置是前一个位置加上偏移量h₂(k)模m。因此,不像线性探查或二次探查,这里的探査序列以两种不同方式依赖于关键字k,因为初始探查位置、偏移量或者二者都可能发生变化。