除留余数法构造哈希表_四、哈希表hash table

本文目录：

1.字典与哈希表
2.hash构造方法
3.hash冲突及解决
4.冲突解决：开放定址法
5.如何避免冲突：小的装填因子和好的散列函数

1.字典与哈希表

字典的内部结构是怎样的呢？PyDictObject对象就是dict的内部实现。

（1）哈希表 (hash tables)

哈希表（也叫散列表），根据关键值对(Key-value)而直接进行访问的数据结构。它通过把key和value映射到表中一个位置来访问记录，这种查询速度非常快，更新也快。而这个映射函数叫做哈希函数，存放值的数组叫做哈希表。 哈希函数的实现方式决定了哈希表的搜索效率。具体操作过程是：

1. 数据添加：把key通过哈希函数转换成一个整型数字，然后就将该数字对数组长度进行取余，取余结果就当作数组的下标，将value存储在以该数字为下标的数组空间里。
2. 数据查询：再次使用哈希函数将key转换为对应的数组下标，并定位到数组的位置获取value。

但是，对key进行hash的时候，不同的key可能hash出来的结果是一样的，尤其是数据量增多的时候，这个问题叫做哈希冲突。如果解决这种冲突情况呢？通常的做法有两种，一种是链接法，另一种是开放寻址法，Python选择后者。

（2）开放寻址法（open addressing）

开放寻址法中，所有的元素都存放在散列表里，当产生哈希冲突时，通过一个探测函数计算出下一个候选位置，如果下一个获选位置还是有冲突，那么不断通过探测函数往下找，直到找个一个空槽来存放待插入元素。

set集合和dict一样也是基于散列表的，只是他的表元只包含值的引用而没有对键的引用，其他的和dict基本上是一致的，所以在此就不再多说了。

>>>hash('test')            # 字符串
2314058222102390712
>>> hash(1)                 # 数字
1
>>> hash(str([1,2,3]))      # 集合
1335416675971793195
>>> hash(str(sorted({'1':1}))) # 字典
7666464346782421378
>>>

（3）字典dict操作

>>> dict1 = {'a': 1, 'b': 2, 'b': '3'}
>>> dict1['b'] # 根据key取出值value
'3'
>>> dict1
{'a': 1, 'b': '3'}
>>>list(dict1 .keys())[list(dict1 .values()).index(1)] # 
'a' # 根据value去除key
>>> dict1['d']=4 #增加新的元素
>>> del dict1['d'] #删除元素
>>> dict1.keys() # 以列表返回一个字典所有的键
>>> dict1.values() # 以列表返回字典中的所有值
>>> dict1.items() # 以列表返回可遍历的(键, 值) 元组数组

2.hash构造方法

除留余数法最为常用：

1. 直接寻址法：取关键字或关键字的某个线性函数值为散列地址。即H(key)=key或H(key) = a?key + b，其中a和b为常数（这种散列函数叫做自身函数）

2. 数字分析法：分析一组数据，比如一组员工的出生年月日，这时我们发现出生年月日的前几位数字大体相同，这样的话，出现冲突的几率就会很大，但是我们发现年月日的后几位表示月份和具体日期的数字差别很大，如果用后面的数字来构成散列地址，则冲突的几率会明显降低。因此数字分析法就是找出数字的规律，尽可能利用这些数据来构造冲突几率较低的散列地址。

3. 平方取中法：取关键字平方后的中间几位作为散列地址。

4. 折叠法：将关键字分割成位数相同的几部分，最后一部分位数可以不同，然后取这几部分的叠加和（去除进位）作为散列地址。

5. 随机数法：选择一随机函数，取关键字的随机值作为散列地址，通常用于关键字长度不同的场合。

6. 除留余数法：取关键字被某个不大于散列表表长m的数p除后所得的余数为散列地址。即 H(key) = key MOD p, p<=m。不仅可以对关键字直接取模，也可在折叠、平方取中等运算之后取模。对p的选择很重要，一般取素数或m，若p选的不好，容易产生同义词。

3.hash冲突及解决

hash冲突在所难免，解决冲突是一个复杂问题。冲突主要取决于：

（1）与散列函数有关，一个好的散列函数的值应尽可能平均分布。

（2）与解决冲突的哈希冲突函数有关。

（3）与负载因子的大小。太大不一定就好，而且浪费空间严重，负载因子和散列函数是联动的。

解决冲突的办法：

（1）开放定址法：线性探查法、平方探查法、伪随机序列法、双哈希函数法。

（2）拉链法：把所有同义词，即hash值相同的记录，用单链表连接起来。最简单的办法如下：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。链表短还行，查找不慢；但链表很长就悲剧了

(1)冲突解决：开放定址法

当一个关键字和另一个关键字发生冲突时，使用某种探测技术在Hash表中形成一个探测序列，然后沿着这个探测序列依次查找下去，当碰到一个空的单元时，则插入其中。基本公式为：hash(key) = （hash(key)+di）mod TableSize。其中di为增量序列，TableSize为表长。根据di的不同我们又可以分为线性探测，平方（二次）探测，双散列探测。

1）线性探测

以增量序列 1，2，……，（TableSize -1）循环试探下一个存储地址，即di = i。如果table[index+di]为空则进行插入，反之试探下一个增量。但是线性探测也有弊端，就是会造成元素聚集现象，降低查找效率。具体例子如下图： （这个例子中是除以11）

2）平方探测

以增量序列1，-1，4，-4…且q ≤ TableSize/2 循环试探下一个存储地址。

3）双散列探测

di 为i*h2(key)，h2(key)是另一个散列函数。探测序列成：h2(key)，2h2(key)，3h2(key)，……。对任意的key，h2(key) ≠ 0 ！探测序列还应该保证所有的散列存储单元都应该能够被探测到。选择以下形式有良好的效果：

h2(key) = p - (key mod p)

其中：p < TableSize，p、TableSize都是素数。

(2)如何避免冲突

（1）较低的装填因子：即已占用的位置/总的位置数，一旦填装因子超过0.7，就该调整散列表的长度。

（2）良好的散列函数：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。

什么样的散列函数是良好的呢？你根本不用操心——天塌下来有高个子顶着。如果你好奇，可研究一下SHA函数。你可将它用作散列函数