|
|
|
|
@ -4,9 +4,34 @@ comments: true
|
|
|
|
|
|
|
|
|
|
# 哈希表
|
|
|
|
|
|
|
|
|
|
哈希表通过建立「键 Key」和「值 Value」之间的映射，实现高效的元素查找。具体地，查询操作（给定一个 Key 查询得到 Value）的时间复杂度为 $O(1)$ 。
|
|
|
|
|
哈希表通过建立「键 Key」和「值 Value」之间的映射，实现高效的元素查找。具体地，输入一个 Key ，在哈希表中查询并获取 Value ，时间复杂度为 $O(1)$ 。
|
|
|
|
|
|
|
|
|
|
（图）
|
|
|
|
|
例如，给定一个包含 $n$ 个学生的数据库，每个学生有 "姓名 `name` ” 和 “学号 `id` ” 两项数据，希望实现一个查询功能：**输入一个学号，返回对应的姓名**，则可以使用哈希表实现。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
<p align="center"> Fig. 哈希表抽象表示 </p>
|
|
|
|
|
|
|
|
|
|
## 哈希表优势
|
|
|
|
|
|
|
|
|
|
除了哈希表之外，还可以使用以下数据结构来实现上述查询功能：
|
|
|
|
|
|
|
|
|
|
- **无序数组：** 每个元素为 `[学号, 姓名]` ；
|
|
|
|
|
- **有序数组：** 将 `1.` 中的数组按照学号从小到大排序；
|
|
|
|
|
- **链表：** 每个结点的值为 `[学号, 姓名]` ；
|
|
|
|
|
- **二叉搜索树：** 每个结点的值为 `[学号, 姓名]` ，根据学号大小来构建树；
|
|
|
|
|
|
|
|
|
|
使用上述方法，各项操作的时间复杂度如下表所示（在此不做赘述，详解可见 [二叉搜索树章节](https://www.hello-algo.com/chapter_tree/binary_search_tree/#_6)）。无论是查找元素、还是增删元素，哈希表的时间复杂度都是 $O(1)$ ，全面胜出！
|
|
|
|
|
|
|
|
|
|
<div class="center-table" markdown>
|
|
|
|
|
|
|
|
|
|
| | 无序数组 | 有序数组 | 链表 | 二叉搜索树 | 哈希表 |
|
|
|
|
|
| -------- | -------- | ----------- | ------ | ----------- | ------ |
|
|
|
|
|
| 查找元素 | $O(n)$ | $O(\log n)$ | $O(n)$ | $O(\log n)$ | $O(1)$ |
|
|
|
|
|
| 插入元素 | $O(1)$ | $O(n)$ | $O(1)$ | $O(\log n)$ | $O(1)$ |
|
|
|
|
|
| 删除元素 | $O(n)$ | $O(n)$ | $O(n)$ | $O(\log n)$ | $O(1)$ |
|
|
|
|
|
|
|
|
|
|
</div>
|
|
|
|
|
|
|
|
|
|
## 哈希表常用操作
|
|
|
|
|
|
|
|
|
|
@ -18,19 +43,19 @@ Map<Integer, String> map = new HashMap<>();
|
|
|
|
|
|
|
|
|
|
/* 添加操作 */
|
|
|
|
|
// 在哈希表中添加键值对 (key, value)
|
|
|
|
|
map.put(10001, "小哈");
|
|
|
|
|
map.put(10002, "小啰");
|
|
|
|
|
map.put(10003, "小算");
|
|
|
|
|
map.put(10004, "小法");
|
|
|
|
|
map.put(10005, "小哇");
|
|
|
|
|
map.put(12836, "小哈");
|
|
|
|
|
map.put(15937, "小啰");
|
|
|
|
|
map.put(16750, "小算");
|
|
|
|
|
map.put(13276, "小法");
|
|
|
|
|
map.put(10583, "小鸭");
|
|
|
|
|
|
|
|
|
|
/* 查询操作 */
|
|
|
|
|
// 向哈希表输入键 key ，得到值 value
|
|
|
|
|
String name = map.get(10002);
|
|
|
|
|
String name = map.get(15937);
|
|
|
|
|
|
|
|
|
|
/* 删除操作 */
|
|
|
|
|
// 在哈希表中删除键值对 (key, value)
|
|
|
|
|
map.remove(10005);
|
|
|
|
|
map.remove(10583);
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
遍历哈希表有三种方式，即 **遍历键值对、遍历键、遍历值**。
|
|
|
|
|
@ -51,28 +76,6 @@ for (String val: map.values()) {
|
|
|
|
|
}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
## 哈希表优势
|
|
|
|
|
|
|
|
|
|
给定一个包含 $n$ 个学生的数据库，每个学生有 "姓名 `name` ” 和 “学号 `id` ” 两项数据，希望实现一个查询功能，即 **输入一个学号，返回对应的姓名**，那么可以使用哪些数据结构来存储呢？
|
|
|
|
|
|
|
|
|
|
- **无序数组：** 每个元素为 `[学号, 姓名]` ；
|
|
|
|
|
- **有序数组：** 将 `1.` 中的数组按照学号从小到大排序；
|
|
|
|
|
- **链表：** 每个结点的值为 `[学号, 姓名]` ；
|
|
|
|
|
- **二叉搜索树：** 每个结点的值为 `[学号, 姓名]` ，根据学号大小来构建树；
|
|
|
|
|
- **哈希表：** 以学号为 Key 、姓名为 Value 。
|
|
|
|
|
|
|
|
|
|
使用上述方法，各项操作的时间复杂度如下表所示（在此不做赘述，详解可见 [二叉搜索树章节](https://www.hello-algo.com/chapter_tree/binary_search_tree/#_6)），**哈希表全面胜出！**
|
|
|
|
|
|
|
|
|
|
<div class="center-table" markdown>
|
|
|
|
|
|
|
|
|
|
| | 无序数组 | 有序数组 | 链表 | 二叉搜索树 | 哈希表 |
|
|
|
|
|
| ------------ | -------- | ----------- | ------ | ----------- | ------ |
|
|
|
|
|
| 查找指定元素 | $O(n)$ | $O(\log n)$ | $O(n)$ | $O(\log n)$ | $O(1)$ |
|
|
|
|
|
| 插入元素 | $O(1)$ | $O(n)$ | $O(1)$ | $O(\log n)$ | $O(1)$ |
|
|
|
|
|
| 删除元素 | $O(n)$ | $O(n)$ | $O(n)$ | $O(\log n)$ | $O(1)$ |
|
|
|
|
|
|
|
|
|
|
</div>
|
|
|
|
|
|
|
|
|
|
## 哈希函数
|
|
|
|
|
|
|
|
|
|
哈希表中存储元素的数据结构被称为「桶 Bucket」，底层实现可能是数组、链表、二叉树（红黑树），或是它们的组合。
|
|
|
|
|
@ -87,10 +90,12 @@ for (String val: map.values()) {
|
|
|
|
|
以上述学生数据 `Key 学号 -> Value 姓名` 为例，我们可以将「哈希函数」设计为
|
|
|
|
|
|
|
|
|
|
$$
|
|
|
|
|
f(x) = x \% 10000
|
|
|
|
|
f(x) = x \% 100
|
|
|
|
|
$$
|
|
|
|
|
|
|
|
|
|
（图）
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
<p align="center"> Fig. 哈希函数 </p>
|
|
|
|
|
|
|
|
|
|
```java title="array_hash_map.java"
|
|
|
|
|
/* 键值对 int->String */
|
|
|
|
|
@ -107,16 +112,16 @@ class Entry {
|
|
|
|
|
class ArrayHashMap {
|
|
|
|
|
private List<Entry> bucket;
|
|
|
|
|
public ArrayHashMap() {
|
|
|
|
|
// 初始化一个长度为 10 的桶（数组）
|
|
|
|
|
// 初始化一个长度为 100 的桶（数组）
|
|
|
|
|
bucket = new ArrayList<>();
|
|
|
|
|
for (int i = 0; i < 10; i++) {
|
|
|
|
|
for (int i = 0; i < 100; i++) {
|
|
|
|
|
bucket.add(null);
|
|
|
|
|
}
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
/* 哈希函数 */
|
|
|
|
|
private int hashFunc(int key) {
|
|
|
|
|
int index = key % 10000;
|
|
|
|
|
int index = key % 100;
|
|
|
|
|
return index;
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
@ -146,8 +151,18 @@ class ArrayHashMap {
|
|
|
|
|
|
|
|
|
|
## 哈希冲突
|
|
|
|
|
|
|
|
|
|
细心的同学可能会发现，哈希函数 $f(x) = x \% 10000$ 会在某些情况下失效。例如，当输入的 Key 为 10001, 20001, 30001, ... 时，哈希函数的计算结果都是 1 ，指向同一个 Value ，表明不同学号指向了同一个人，这明显是不对的。
|
|
|
|
|
细心的同学可能会发现，**哈希函数 $f(x) = x \% 100$ 会在某些情况下失效**。具体地，当输入的 Key 后两位相同时，哈希函数的计算结果也相同，指向同一个 Value 。例如，分别查询两个学号 12836 和 20336 ，则有
|
|
|
|
|
$$
|
|
|
|
|
f(12836) = f(20336) = 36
|
|
|
|
|
$$
|
|
|
|
|
导致两个学号指向了同一个姓名，这明显是不对的。我们将这种现象称为「哈希冲突 Hash Collision」，其会严重影响查询的正确性，我们将如何避免哈希冲突的问题留在下章讨论。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
<p align="center"> Fig. 哈希冲突 </p>
|
|
|
|
|
|
|
|
|
|
上述现象被称为「哈希冲突 Hash Collision」，其会严重影响查询的正确性，我们将如何避免哈希冲突的问题留在下章讨论。
|
|
|
|
|
综上所述，一个优秀的「哈希函数」应该具备以下特性：
|
|
|
|
|
|
|
|
|
|
（图）
|
|
|
|
|
- 尽量少地发生哈希冲突；
|
|
|
|
|
- 时间复杂度 $O(1)$ ，计算尽可能高效；
|
|
|
|
|
- 空间使用率高，即 “键值对占用空间 / 哈希表总占用空间” 尽可能大；
|
|
|
|
|
|
Yudong Jin
2 years ago
