![aabe7915503a0b12ff7e45074324113a.gif](https://i-blog.csdnimg.cn/blog_migrate/c009f945fa9f663c98f999c76624e331.gif)
前面我们已经讲到了数组和链表,数组能通过下标 O(1) 访问,但是删除一个中间元素却要移动其他元素,时间 O(n)。 循环双端链表倒是可以在知道一个节点的情况下迅速删除它,但是吧查找又成了 O(n)。
难道就没有一种方法可以快速定位和删除元素吗?似乎想要快速找到一个元素除了知道下标之外别无他法,于是乎聪明的计算机科学家又想到了一种方法。 能不能给每个元素一种『逻辑下标』,然后直接找到它呢,哈希表就是这种实现。它通过一个哈希函数来计算一个元素应该放在数组哪个位置,当然对于一个 特定的元素,哈希函数每次计算的下标必须要一样才可以,而且范围不能超过给定的数组长度。
我们还是以书中的例子说明,假如我们有一个数组 T,包含 M=13 个元素,我们可以定义一个简单的哈希函数 h
h(key) = key % M
![3cdbac7d6e98eeb57055233e1ec739c8.png](https://i-blog.csdnimg.cn/blog_migrate/639da31088ce3f4801013a49ff303cd6.png)
这里取模运算使得 h(key) 的结果不会超过数组的长度下标。我们来分别插入以下元素:
765, 431, 96, 142, 579, 226, 903, 388
先来计算下它们应用哈希函数后的结果:
![457121ccf650ee5f961daa2f10135f63.png](https://i-blog.csdnimg.cn/blog_migrate/ae1b48c9e1ce45adf52d8813966663de.png)
![3cdbac7d6e98eeb57055233e1ec739c8.png](https://i-blog.csdnimg.cn/blog_migrate/639da31088ce3f4801013a49ff303cd6.png)
下边我画个图演示整个插入过程(纯手工绘制,原谅我字写得不太优雅):
![25ee586767f74c7d08d59305f9ebe8a3.png](https://i-blog.csdnimg.cn/blog_migrate/25b3197250deb6c161b9959954f0f18e.png)
![3cdbac7d6e98eeb57055233e1ec739c8.png](https://i-blog.csdnimg.cn/blog_migrate/639da31088ce3f4801013a49ff303cd6.png)
哈希冲突 (collision)
这里到插入 226 这个元素的时候,不幸地发现 h(226) = h(96) = 5,不同的 key 通过我们的哈希函数计算后得到的下标一样, 这种情况成为哈希冲突。怎么办呢?聪明的计算机科学家又想到了办法,其实一种直观的想法是如果冲突了我能不能让数组中 对应的槽变成一个链式结构呢?这就是其中一种解决方法,叫做 链接法(chaining)。如果我们用链接法来处理冲突,后边的插入是这样的:
![2e03be7092c836f971eb0315bceee457.png](https://i-blog.csdnimg.cn/blog_migrate/27dd2d8fea3a623361059d0804277b93.jpeg)
![3cdbac7d6e98eeb57055233e1ec739c8.png](https://i-blog.csdnimg.cn/blog_migrate/639da31088ce3f4801013a49ff303cd6.png)
这样就用链表解决了冲突问题,但是如果哈希函数选不好的话,可能就导致冲突太多一个链变得太长,这样查找就不再是 O(1) 的了。 还有一种叫做开放寻址法(open addressing),它的基本思想是当一个槽被占用的时候,采用一种方式来寻找下一个可用的槽。 (这里槽指的是数组中的一个位置),根据找下一个槽的方式不同,分为:
- 线性探查(linear probing): 当一个槽被占用,找下一个可用的槽。h(k,i)=(h′(k)+i)%m,i=0,1,...,m−1h(k,i)=(h′(k)+i)%m,i=0,1,...,m−1
- 二次探查(quadratic probing): 当一个槽被占用,以二次方作为偏移量。 h(k,i)=(h′(k)+c1+c2i2)%m,i=0,1,...,m−1h(k,i)=(h′(k)+c1+c2i2)%m,i=0,1,...,m−1
- 双重散列(double hashing): 重新计算 hash 结果。 h(k,i)=(h1(k)+ih2(k))%mh(k,i)=(h1(k)+ih2(k))%m
我们选一个简单的二次探查函数 h(k,i)=(home+i2)%mh(k,i)=(home+i2)%m,它的意思是如果 遇到了冲突,我们就在原始计算的位置不断加上 i 的平方。我写了段代码来模拟整个计算下标的过程:
![595f464f38984d30cf332b6029479b2c.png](https://i-blog.csdnimg.cn/blog_migrate/dc613c5e53010456313e1f7a99ffd7f4.jpeg)
![3cdbac7d6e98eeb57055233e1ec739c8.png](https://i-blog.csdnimg.cn/blog_migrate/639da31088ce3f4801013a49ff303cd6.png)
这段代码输出的结果如下:
![b6a00ce81396c5a11ead0ccc1ce5bd5a.png](https://i-blog.csdnimg.cn/blog_migrate/221c225272511935f875b09bee2c876b.png)
![3cdbac7d6e98eeb57055233e1ec739c8.png](https://i-blog.csdnimg.cn/blog_migrate/639da31088ce3f4801013a49ff303cd6.png)
遇到冲突之后会重新计算,每个待插入元素最终的下标就是:
![e36902e5f711ff501f5471d2b9c884a7.png](https://i-blog.csdnimg.cn/blog_migrate/2d79ba749fe12c8fd556648662b0a62b.png)
![3cdbac7d6e98eeb57055233e1ec739c8.png](https://i-blog.csdnimg.cn/blog_migrate/639da31088ce3f4801013a49ff303cd6.png)
Cpython 如何解决哈希冲突
如不同 cpython 版本实现的探查方式是不同的,后边我们自己实现 HashTable ADT 的时候会模仿这个探查方式来解决冲突。
![8468cfe87978bd985cf47eb873b5095e.png](https://i-blog.csdnimg.cn/blog_migrate/8b2ab598173d2accd1c524f06f194c01.jpeg)
![3cdbac7d6e98eeb57055233e1ec739c8.png](https://i-blog.csdnimg.cn/blog_migrate/639da31088ce3f4801013a49ff303cd6.png)
哈希函数
到这里你应该明白哈希表插入的工作原理了,不过有个重要的问题之前没提到,就是 hash 函数怎么选? 当然是散列得到的冲突越来越小就好啦,也就是说每个 key 都能尽量被等可能地散列到 m 个槽中的任何一个,并且与其他 key 被散列到哪个槽位无关。 如果你感兴趣,可以阅读后边提到的一些参考资料。视频里我们使用二次探查函数,它相比线性探查得到的结果冲突会更少。
装载因子(load factor)
如果继续往我们的哈希表里塞东西会发生什么?空间不够用。这里我们定义一个负载因子的概念(load factor),其实很简单,就是已经使用的槽数比哈希表大小。 比如我们上边的例子插入了 8 个元素,哈希表总大小是 13, 它的 load factor 就是 8/13≈0.628/13≈0.62。当我们继续往哈希表插入数据的时候,很快就不够用了。 通常当负载因子开始超过 0.8 的时候,就要新开辟空间并且重新进行散列了。
重哈希(Rehashing)
当负载因子超过 0.8 的时候,需要进行 rehashing 操作了。步骤就是重新开辟一块新的空间,开多大呢?感兴趣的话可以看下 cpython 的 dictobject.c 文件然后搜索 GROWTH_RATE 这个关键字,你会发现不同版本的 cpython 使用了不同的策略。python3.3 的策略是扩大为已经使用的槽数目的两倍。开辟了新空间以后,会把原来哈希表里 不为空槽的数据重新插入到新的哈希表里,插入方式和之前一样。这就是 rehashing 操作。
HashTable ADT
实践是检验真理的唯一标准,这里我们来实现一个简化版的哈希表 ADT,主要是为了让你更好地了解它的工作原理,有了它,后边实现起 dict 和 set 来就小菜一碟了。 这里我们使用到了定长数组,还记得我们在数组和列表章节里实现的 Array 吧,这里要用上了。
解决冲突我们使用二次探查法,模拟 cpython 二次探查函数的实现。我们来实现三个哈希表最常用的基本操作,这实际上也是使用字典的时候最常用的操作。
- add(key, value)
- get(key, default)
- remove(key)
![db3e6b779b73ff5da6b4a2e5ff2f470b.png](https://i-blog.csdnimg.cn/blog_migrate/2ebfeade20e8b335997c7a57d053f43e.png)
![3cdbac7d6e98eeb57055233e1ec739c8.png](https://i-blog.csdnimg.cn/blog_migrate/639da31088ce3f4801013a49ff303cd6.png)
具体的实现和代码编写在视频里讲解。这个代码可不太好实现,稍不留神就会有错,我们还是通过编写单元测试验证代码的正确性。公众号:学习py最风sao的方式欢迎大家继续关注!