在实践中,它是O(1),但这实际上是一种可怕的,数学上无意义的简化。 O()表示法说明当问题的大小趋于无限时算法的行为。 Hashmap get / put的工作方式类似于有限大小的O(1)算法。 从计算机内存和寻址的角度来看,这个限制相当大,但远非无穷大。
当一个人说hashmap get / put是O(1)时,它应该说get / put所需的时间或多或少是恒定的,并且不依赖于hashmap中的元素数量到目前为止hashmap可以 在实际的计算系统上呈现。 如果问题超出了那个大小并且我们需要更大的哈希映射,那么一段时间之后,当我们用完可能可描述的不同元素时,当然描述一个元素的位数也会增加。 例如,如果我们使用散列映射存储32位数字,稍后我们增加问题大小,以便我们在散列映射中有超过2 ^ 32位元素,那么将使用超过32位来描述各个元素。
描述各个元素所需的位数是log(N),其中N是元素的最大数量,因此get和put实际上是O(log N)。
如果将它与树集(即O(log n))进行比较,则哈希集为O(long(max(n)),我们只是觉得这是O(1),因为在某个实现中max(n) 是固定的,不会改变(我们以比特为单位测量的对象的大小),并且计算哈希码的算法很快。
最后,如果在任何数据结构中找到一个元素是O(1),我们就会凭空创造信息。 具有n个元素的数据结构I可以以n个不同的方式选择一个元素。 有了它,我可以编码log(n)位信息。 如果我可以将其编码为零位(即O(1)的意思),那么我创建了一个无限压缩的ZIP算法。