Hash表原理详解

Hash（散列）表

一、优势:
Hash函数可以通过key直接查找并确定值所在位置，而不需要像二叉树那样从根节点开始逐个比较排查。

二、Hash函数构造方法：

1、直接定制法——仅适用于地址大小=关键字的情况
该方法构造的Hash函数为线性函数， H(key)=a*key+b。
例如统计某地区某年龄的人数：

需要查找哪个年龄的人数，就直接找对应的就行。这种哈希函数构造简单，且不会产生哈希冲突（后文会讲），但限制较大。

2、除留余数法——最常用
H（key）=key MOD p （p<=m m为表长）说白了就是除以一个数p得到余数，用余数来作为哈希地址。
那么余数该如何选择呢？
理论研究表明，除留余数法的模p应取不大于表长且最接近表长m素数或是不含20以下的质因子的合数，且p最好取1.1n～1.7n之间的一个素数（n为存在的数据元素个数）。例如：当n=7时，p最好取11、13等素数
举个例子：
有7、22、18、30、39、24等几个数，表长为9，取p=7，则7MOD7=0,7就放在0的位置上；22MOD7=1,22就放在1的位置上；以此类推，有冲突就先后移。

3、数字分析法——数字位数大、且有规律可循（事先知道数据分布）
举个例子——同村同年龄人员的身份证号。同村同年的话，他们的身份证的前面数位都是相同的，就可以用后面不同的来存储。
例如：H（key）=key%100000

4、平方取中位数法——数据位数小（事先不知道数据分布）
将数据平方（平方的目的是为了扩大差异），再取中位数作为哈希地址。
例如：key=1356 平方得到1838736，可取387作为地址；
key=2431 平方得到5909761，可取097作为地址。

5、折叠法——数字位数大（事先不知道数据分布）
例如：key=123 456 789，可以存储在6 15 24 取其后三位524作为hash地址。

三、Hash冲突解决方法：

1、开放定址法（再散列法）：
基本思想是：当关键字key的哈希地址p=H（key）出现冲突时，以p为基础，产生另一个哈希地址p1，如果p1仍然冲突，再以p为基础，产生另一个哈希地址p2，…，直到找出一个不冲突的哈希地址pi ，将相应元素存入其中。这种方法有一个通用的再散列函数形式：
Hi=（H（key）+di）% m i=1，2，…，n
其中H（key）为哈希函数，m 为表长，di称为增量序列。增量序列的取值方式不同，相应的再散列方式也不同。
主要有以下三种：

a、线性探测再散列：
dii=1，2，3，…，m-1
其特点是：冲突发生时，顺序查看表中下一单元，直到找出一个空单元或查遍全表。

b、二次探测再散列
di=12，-12，22，-22，…，k2，-k2 ( k<=m/2 )
其特点是：冲突发生时，在表的左右进行跳跃式探测，比较灵活。

c、伪随机探测再散列
di=伪随机数序列。
具体实现时应建立一个伪随机数发生器，eg.(i=(i+p)%m),并给出一个随机数作为起点。
例子：（引自 http://blog.csdn.net/tanggao1314/article/details/51457585）
已知哈希表长度m=11，哈希函数为：H（key）= key % 11，则H（47）=3，H（26）=4，H（60）=5，假设下一个关键字为69，则H（69）=3，与47冲突。
1.
线性探测再散列处理冲突，下一个哈希地址为H1=（3 + 1）% 11 = 4，仍然冲突，再找下一个哈希地址为H2=（3 + 2）% 11 = 5，还是冲突，继续找下一个哈希地址为H3=（3 + 3）% 11 = 6，此时不再冲突，将69填入5号单元。
2.
二次探测再散列处理冲突，下一个哈希地址为H1=（3 + 12）% 11 = 4，仍然冲突，再找下一个哈希地址为H2=（3 - 12）% 11 = 2，此时不再冲突，将69填入2号单元)。
3.
伪随机探测再散列处理冲突，且伪随机数序列为：2，5，9，………，则下一个哈希地址为H1=（3 + 2）% 11 = 5，仍然冲突，再找下一个哈希地址为H2=（3 + 5）% 11 = 8，此时不再冲突，将69填入8号单元。

2、再哈希法——同时构造多个不同的哈希函数：
Hi=RH1（key） i=1，2，…，k
当哈希地址Hi=RH1（key）发生冲突时，再计算Hi=RH2（key）……，直到冲突不再产生。这种方法不易产生聚集，但增加了计算时间。

3、链地址法：
基本思想：将所有哈希地址为i的元素构成一个称为同义词链的单链表，并将单链表的头指针存在哈希表的第i个单元中，因而查找、插入和删除主要在同义词链中进行。链地址法适用于经常进行插入和删除的情况。

4、建立溢出表：
基本思想：将Hash表分为基本表和溢出表两部分，在基本表中发生冲突的元素都放入溢出表中。

四、Hash表的查找
1、查找过程和造表过程一致，假设采用开放定址法处理冲突，则查找过程为：
对于给定的key，计算hash地址index = H（key）
如果数组arr【index】的值为空 则查找不成功；
如果数组arr【index】== key 则查找成功；
否则，使用冲突解决方法求下一个地址，直到arr【index】== key或者 arr【index】==null。

2、查找效率限制——ASL（平均查找长度）
其影响因素有：
选用的hash函数；
选用的处理冲突的方法；
hash表的饱和度，即装载因子 α=n/m(n表示实际装载数据长度 m为表长)。
一般情况，假设hash函数是均匀的，则在讨论ASL时可以不考虑其它的因素，hash表的ASL是处理冲突方法和装载因子的函数。
前人已经证明，查找成功时如下结果：

可以看到无论哪个函数，装载因子越大，平均查找长度越大，那么装载因子α越小越好？也不是，就像100的表长只存一个数据，α是小了，但是空间利用率不高啊，这里就是时间空间的取舍问题了。通常情况下，认为α=0.75是时间空间综合利用效率最高的情况。
上面的这个表可是特别有用的。假设我现在有10个数据，想使用链地址法解决冲突，并要求平均查找长度<2
那么有1+α/2 <2
α<2
即 n/m<2 (n=10)
m>10/2
m>5 即采用链地址法，使得平均查找长度< 2 那么m>5
各种树的平均查找长度，是基于存储数据n的函数，但hash表不同，他是基于装载因子的函数，也就是说，当数据n增加时，我可以通过增加表长m，以维持装载因子不变，确保ASL不变。
那么hash表的构造应该是这样的：

（参考自https://blog.csdn.net/u011109881/article/details/80379505）

五、hash表的删除

链地址法是可以直接删除元素的；
但是开放定址法是不行的，拿前面的双探测再散列来说，假如我们删除了元素1，将其位置置空，那 23就永远找不到了。正确做法应该是删除之后置入一个原来不存在的数据，比如-1。