C++哈希详解

文sir.

已于 2024-06-08 00:23:47 修改

阅读量1.6k

点赞数 39

文章标签：哈希算法 c++

于 2024-06-08 00:22:39 首次发布

本文链接：https://blog.csdn.net/weixin_66400112/article/details/139537465

版权

unordered系列的关联式容器之所以效率比较高，是因为其底层使用了哈希结构。

1 哈希概念

顺序结构以及平衡树中，元素关键码与其存储位置之间没有对应的关系，因此在查找一个元素时，必须要经过关键码的多次比较。顺序查找时间复杂度为O(N)，平衡树中为树的高度，即 O($log_2 N$)，搜索的效率取决于搜索过程中元素的比较次数。

理想的搜索方法：可以不经过任何比较，一次直接从表中得到要搜索的元素。如果构造一种存储结构，通过某种函数(hashFunc)使元素的存储位置与它的关键码之间能够建立一一映射的关系，那么在查找时通过该函数可以很快找到该元素。

当向该结构中：

插入元素

根据待插入元素的关键码，以此函数计算出该元素的存储位置并按此位置进行存放。

搜索元素

对元素的关键码进行同样的计算，把求得的函数值当做元素的存储位置，在结构中按此位置取元素比较，若关键码相等，则搜索成功。

该方式即为哈希(散列)方法，哈希方法中使用的转换函数称为哈希(散列)函数，构造出来的结构称为哈希表(Hash Table)(或者称散列表）。

例如：数据集合{1，7，6，4，5，9}；

哈希函数设置为：hash(key) = key % capacity; capacity为存储元素底层空间总的大小。

用该方法进行搜索不必进行多次关键码的比较，因此搜索的速度比较快。

问题：按照上述哈希方式，向集合中插入元素44，会出现什么问题？

2 哈希冲突

对于两个数据元素的关键字$k_i$和 $k_j$(i != j)，有$k_i$ != $k_j$，但有：Hash($k_i$) == Hash($k_j$)，即：不同关键字通过相同哈希哈数计算出相同的哈希地址，该种现象称为哈希冲突或哈希碰撞。

把具有不同关键码而具有相同哈希地址的数据元素称为“同义词”。

发生哈希冲突该如何处理呢？

3 哈希函数

引起哈希冲突的一个原因可能是：哈希函数设计不够合理。

哈希函数设计原则：

哈希函数的定义域必须包括需要存储的全部关键码，而如果散列表允许有m个地址时，其值域必须在0到m-1之间。

哈希函数计算出来的地址能均匀分布在整个空间中。

哈希函数应该比较简单。

常见哈希函数

1. 直接定址法--(常用)

取关键字的某个线性函数为散列地址：Hash（Key）= A*Key + B。

优点：简单、均匀。

缺点：需要事先知道关键字的分布情况。

使用场景：适合查找比较小且连续的情况。

2. 除留余数法--(常用)

设散列表中允许的地址数为m，取一个不大于m，但最接近或者等于m的质数p作为除数，按照哈希函数：Hash(key) = key% p(p<=m),将关键码转换成哈希地址。

3. 平方取中法--(了解)

假设关键字为1234，对它平方就是1522756，抽取中间的3位227作为哈希地址；再比如关键字为4321，对它平方就是18671041，抽取中间的3位671(或710)作为哈希地址平方取中法比较适合：不知道关键字的分布，而位数又不是很大的情况。

4. 折叠法--(了解)

折叠法是将关键字从左到右分割成位数相等的几部分(最后一部分位数可以短些)，然后将这几部分叠加求和，并按散列表表长，取后几位作为散列地址。

折叠法适合事先不需要知道关键字的分布，适合关键字位数比较多的情况。

5. 随机数法--(了解)

选择一个随机函数，取关键字的随机函数值为它的哈希地址，即H(key) = random(key),其中 random为随机数函数。

通常应用于关键字长度不等时采用此法。

6. 数学分析法--(了解)

设有n个d位数，每一位可能有r种不同的符号，这r种不同的符号在各位上出现的频率不一定相同，可能在某些位上分布比较均匀，每种符号出现的机会均等，在某些位上分布不均匀只有某几种符号经常出现。可根据散列表的大小，选择其中各种符号分布均匀的若干位作为散列地址。例如：

假设要存储某家公司员工登记表，如果用手机号作为关键字，那么极有可能前7位都是相同的，那么我们可以选择后面的四位作为散列地址，如果这样的抽取工作还容易出现冲突，还可以对抽取出来的数字进行反转(如1234改成4321)、右环位移(如1234改成4123)、左环移位、前两数与后两数叠加(如1234改成12+34=46)等方法。

数字分析法通常适合处理关键字位数比较大的情况，如果事先知道关键字的分布且关键字的若干位分布较均匀的情况。

注意：哈希函数设计的越精妙，产生哈希冲突的可能性就越低，但是无法避免哈希冲突。

4 哈希冲突解决

解决哈希冲突两种常见的方法是：闭散列和开散列。

4.1 闭散列

闭散列：也叫开放定址法，当发生哈希冲突时，如果哈希表未被装满，说明在哈希表中必然还有空位置，那么可以把key存放到冲突位置中的“下一个” 空位置中去。那如何寻找下一个空位置呢？

1. 线性探测

比如2.1中的场景，现在需要插入元素44，先通过哈希函数计算哈希地址，hashAddr为4，因此44理论上应该插在该位置，但是该位置已经放了值为4的元素，即发生哈希冲突。

线性探测：从发生冲突的位置开始，依次向后探测，直到寻找到下一个空位置为止。

插入

通过哈希函数获取待插入元素在哈希表中的位置。

如果该位置中没有元素则直接插入新元素，如果该位置中有元素发生哈希冲突，使用线性探测找到下一个空位置，插入新元素。

删除

采用闭散列处理哈希冲突时，不能随便物理删除哈希表中已有的元素，若直接删除元素会影响其他元素的搜索。比如删除元素4，如果直接删除掉，44查找起来可能会受影响。因此线性探测采用标记的伪删除法来删除一个元素。

// 哈希表每个空间给个标记
// EMPTY此位置空， EXIST此位置已经有元素， DELETE元素已经删除
enum State{EMPTY, EXIST, DELETE};

线性探测的实现

// 注意：假如实现的哈希表中元素唯一，即key相同的元素不再进行插入
// 为了实现简单，此哈希表中我们将比较直接与元素绑定在一起
template<class K, class V>
 class HashTable
 {
 struct Elem
    {   
pair<K, V> _val;
 State _state;
    };
 public:
 HashTable(size_t capacity = 3)
        : 
_ht(capacity), _size(0)
    { 
for(size_t i = 0; i < capacity; ++i)
 _ht[i]._state = EMPTY;
}
bool Insert(const pair<K, V>& val)
   {
 // 检测哈希表底层空间是否充足
// _CheckCapacity();
 size_t hashAddr = HashFunc(key);
 // size_t startAddr = hashAddr;
 while(_ht[hashAddr]._state != EMPTY)
       {
 if(_ht[hashAddr]._state == EXIST && _ht[hashAddr]._val.first 
== key)
 return false;
 hashAddr++;
 if(hashAddr == _ht.capacity())
 hashAddr = 0;
 /*
 // 转一圈也没有找到，注意：动态哈希表，该种情况可以不用考虑，哈希表中元素个数到达一定的数量，哈希冲突概率会增大，需要扩容来降低哈希冲突，因此哈希表中元素是
不会存满的
if(hashAddr == startAddr)
 return false;
 */
}
        // 插入元素
_ht[hashAddr]._state = EXIST;
 _ht[hashAddr]._val = val;
 _size++;
 return true;
  {
 size_t hashAddr = HashFunc(key);
 while(_ht[hashAddr]._state != EMPTY)
       {
 if(_ht[hashAddr]._state == EXIST && _ht[hashAddr]._val.first 
== key)
 return hashAddr;
 hashAddr++;
       }
 return hashAddr;
   }
 bool Erase(const K& key)
   {
 int index = Find(key);
 if(-1 != index)
       {
 _ht[index]._state = DELETE;
 _size++;
 return true;
       }
 return false;
   }
 size_t Size()const;
 bool Empty() const;    
void Swap(HashTable<K, V, HF>& ht);
 private:
 size_t HashFunc(const K& key)
    {
 return key % _ht.capacity();
    }
 private:
 vector<Elem> _ht;
 size_t _size;
 };
   }

思考：哈希表什么情况下进行扩容？如何扩容？

void CheckCapacity()
 {
 if(_size * 10 / _ht.capacity() >= 7)
    {
 HashTable<K, V, HF> newHt(GetNextPrime(ht.capacity));
 for(size_t i = 0; i < _ht.capacity(); ++i)
        {
 if(_ht[i]._state == EXIST)
 newHt.Insert(_ht[i]._val);
        }
 Swap(newHt);
        }
}

线性探测优点：实现非常简单。

线性探测缺点：一旦发生哈希冲突，所有的冲突连在一起，容易产生数据“堆积”，即：不同关键码占据了可利用的空位置，使得寻找某关键码的位置需要许多次比较，导致搜索效率降低。如何缓解呢？

2. 二次探测

线性探测的缺陷是产生冲突的数据堆积在一块，这与其找下一个空位置有关系，因为找空位置的方式就是挨着往后逐个去找，因此二次探测为了避免该问题，找下一个空位置的方法为：$H_i$ = ($H_0$ + $i^2$ )% m, 或者：$H_i$ = ($H_0$ - $i^2$ )% m。其中：i = 1,2,3…， $H_0$是通过散列函数Hash(x)对元素的关键码 key 进行计算得到的位置，m是表的大小。

对于上文中如果要插入44，产生冲突，使用解决后的情况为：

研究表明：当表的长度为质数且表装载因子a不超过0.5时，新的表项一定能够插入，而且任何一个位置都不会被探查两次。因此只要表中有一半的空位置，就不会存在表满的问题。在搜索时可以不考虑表装满的情况，但在插入时必须确保表的装载因子a不超过0.5，如果超出必须考虑增容。

因此：比散列最大的缺陷就是空间利用率比较低，这也是哈希的缺陷。

4.2 开散列

1. 开散列概念

开散列法又叫链地址法(开链法)，首先对关键码集合用散列函数计算散列地址，具有相同地址的关键码归于同一子集合，每一个子集合称为一个桶，各个桶中的元素通过一个单链表链接起来，各链表的头结点存储在哈希表中。

从上图可以看出，开散列中每个桶中放的都是发生哈希冲突的元素。

2. 开散列实现

template<class V>
 struct HashBucketNode
 {
 HashBucketNode(const V& data)
        : 
_pNext(nullptr), _data(data)
    {}
 HashBucketNode<V>* _pNext;
 V _data;
 };
 // 本文所实现的哈希桶中key是唯一的
template<class V>
 class HashBucket
 {
 typedef HashBucketNode<V> Node;
 typedef Node* PNode;
 public:
 HashBucket(size_t capacity = 3): _size(0)
    { 
_ht.resize(GetNextPrime(capacity), nullptr);}
 // 哈希桶中的元素不能重复
PNode* Insert(const V& data)
    {
 // 确认是否需要扩容。。。
// _CheckCapacity();
 // 1. 计算元素所在的桶号
size_t bucketNo = HashFunc(data);
 // 2. 检测该元素是否在桶中
PNode pCur = _ht[bucketNo];
 while(pCur)
        {
 if(pCur->_data == data)
 return pCur;
 pCur = pCur->_pNext;
        }
 // 3. 插入新元素
pCur = new Node(data);
 pCur->_pNext = _ht[bucketNo];
 _ht[bucketNo] = pCur;
 _size++;
 return pCur;
    }
 // 删除哈希桶中为data的元素(data不会重复)，返回删除元素的下一个节点
PNode* Erase(const V& data)
    {
 size_t bucketNo = HashFunc(data);
 PNode pCur = _ht[bucketNo];
 PNode pPrev = nullptr, pRet = nullptr;
 while(pCur)
        {
 if(pCur->_data == data)
            {
 if(pCur == _ht[bucketNo])
 _ht[bucketNo] = pCur->_pNext;
 else
 pPrev->_pNext = pCur->_pNext;
 pRet = pCur->_pNext;
 delete pCur;
 _size--;
 return pRet;
            }
        }
 return nullptr;
    }
 PNode* Find(const V& data);
 size_t Size()const;
 bool Empty()const;
 void Clear();
 bool BucketCount()const;
 void Swap(HashBucket<V, HF>& ht;
 ~HashBucket();
 private:
 size_t HashFunc(const V& data)
  {
 return data%_ht.capacity();
    }
 private:
 vector<PNode*> _ht;
 size_t _size;      
}；

3. 开散列增容

桶的个数是一定的，随着元素的不断插入，每个桶中元素的个数不断增多，极端情况下，可能会导致一个桶中链表节点非常多，会影响的哈希表的性能，因此在一定条件下需要对哈希表进行增容，那该条件怎么确认呢？开散列最好的情况是：每个哈希桶中刚好挂一个节点，再继续插入元素时，每一次都会发生哈希冲突，因此，在元素个数刚好等于桶的个数时，可以给哈希表增容。

void _CheckCapacity()
 {
 size_t bucketCount = BucketCount();
 if(_size == bucketCount)
    {
 HashBucket<V, HF> newHt(bucketCount);
 for(size_t bucketIdx = 0; bucketIdx < bucketCount; ++bucketIdx)
        {
 PNode pCur = _ht[bucketIdx];
 while(pCur)
{
// 将该节点从原哈希表中拆出来
_ht[bucketIdx] = pCur->_pNext;

// 将该节点插入到新哈希表中
size_t bucketNo = newHt.HashFunc(pCur->_data);
 pCur->_pNext = newHt._ht[bucketNo];
 newHt._ht[bucketNo] = pCur;
 pCur = _ht[bucketIdx];
    }
}
newHt._size = _size;
 this->Swap(newHt);
    }
}

4. 开散列的思考

1. 只能存储key为整形的元素，其他类型怎么解决？

// 哈希函数采用处理余数法，被模的key必须要为整形才可以处理，此处提供将key转化为
整形的方法
// 整形数据不需要转化
template<class T>
 class DefHashF
 {
 public:
 size_t operator()(const T& val)
    {
 return val;
  }
 };
 // key为字符串类型，需要将其转化为整形
class Str2Int
 {
 public:
 size_t operator()(const string& s)
    {
 const char* str = s.c_str();
 unsigned int seed = 131; // 31 131 1313 13131 131313
 unsigned int hash = 0;
 while (*str)
        {
 hash = hash * seed + (*str++);
        }
 return (hash & 0x7FFFFFFF);
    }
 };
// 为了实现简单，此哈希表中我们将比较直接与元素绑定在一起
template<class V, class HF>
 class HashBucket
 {
 // ……
 private:
 size_t HashFunc(const V& data)
    {
 return HF()(data.first)%_ht.capacity();
    }
 };

2. 除留余数法，最好模一个素数，如何每次快速取一个类似两倍关系的素数？

size_t GetNextPrime(size_t prime)
 {
 const int PRIMECOUNT = 28;
 static const size_t primeList[PRIMECOUNT] =
 {
 53ul, 97ul, 193ul, 389ul, 769ul,
 1543ul, 3079ul, 6151ul, 12289ul, 24593ul,
 49157ul, 98317ul, 196613ul, 393241ul, 786433ul,
 1572869ul, 3145739ul, 6291469ul, 12582917ul, 
25165843ul,
 50331653ul, 100663319ul, 201326611ul, 402653189ul, 
805306457ul,
 1610612741ul, 3221225473ul, 4294967291ul
 };
 size_t i = 0;
 for (; i < PRIMECOUNT; ++i)
 {
 if (primeList[i] > prime)
 return primeList[i];
 }
return primeList[i];
 }

5. 开散列与闭散列比较

应用链地址法处理溢出，需要增设链接指针，似乎增加了存储开销。事实上：由于开地址法必须保持大量的空闲空间以确保搜索效率，如二次探查法要求装载因子a <= 0.7，而表项所占空间又比指针大的多，所以使用链地址法反而比开地址法节省存储空间。

文sir.

关注

39
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
C++哈希详解

顺序结构以及平衡树中，元素关键码与其存储位置之间没有对应的关系，因此在查找一个元素时，必须要经过关键码的多次比较。顺序查找时间复杂度为O(N)，平衡树中为树的高度，即 O($log_2 N$)，搜索的效率取决于搜索过程中元素的比较次数。
复制链接

扫一扫