5.1 KiB

Raw Blame History Unescape Escape

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) 。

（图）

哈希表常用操作

哈希表的基本操作包括 初始化、查询操作、添加与删除键值对。

/* 初始化哈希表 */
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");

/* 查询操作 */
// 向哈希表输入键 key ，得到值 value
String name = map.get(10002);

/* 删除操作 */
// 在哈希表中删除键值对 (key, value)
map.remove(10005);

遍历哈希表有三种方式，即 遍历键值对、遍历键、遍历值。

/* 遍历哈希表 */
// 遍历键值对 Key->Value
for (Map.Entry <Integer, String> kv: map.entrySet()) {
    System.out.println(kv.getKey() + " -> " + kv.getValue());
}
// 单独遍历键 Key
for (int key: map.keySet()) {
    System.out.println(key);
}
// 单独遍历值 Value
for (String val: map.values()) {
    System.out.println(val);
}

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），哈希表全面胜出！

	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)`

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。

最简单地，我们可以仅用一个「数组」来实现哈希表。首先，将所有 Value 放入数组中，那么每个 Value 在数组中都有唯一的「索引」。显然，访问 Value 需要给定索引，而为了 建立 Key 和索引之间的映射关系，我们需要使用「哈希函数 Hash Function」。

设数组为 bucket ，哈希函数为 f(x) ，输入键为 key 。那么获取 Value 的步骤为：

通过哈希函数计算出索引，即 index = f(key) ；
通过索引在数组中获取值，即 value = bucket[index] ；

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

（图）

/* 键值对 int->String */
class Entry {
    public int key;     // 键
    public String val;  // 值
    public Entry(int key, String val) {
        this.key = key;
        this.val = val;
    }
}

/* 基于数组简易实现的哈希表 */
class ArrayHashMap {
    private List<Entry> bucket;
    public ArrayHashMap() {
        // 初始化一个长度为 10 的桶（数组）
        bucket = new ArrayList<>();
        for (int i = 0; i < 10; i++) {
            bucket.add(null);
        }
    }

    /* 哈希函数 */
    private int hashFunc(int key) {
        int index = key % 10000;
        return index;
    }

    /* 查询操作 */
    public String get(int key) {
        int index = hashFunc(key);
        Entry pair = bucket.get(index);
        if (pair == null) return null;
        return pair.val;
    }

    /* 添加操作 */
    public void put(int key, String val) {
        Entry pair = new Entry(key, val);
        int index = hashFunc(key);
        bucket.set(index, pair);
    }

    /* 删除操作 */
    public void remove(int key) {
        int index = hashFunc(key);
        // 置为空字符，代表删除
        bucket.set(index, null);
    }
}

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。

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。

（图）

5.1 KiB Raw Blame History Unescape Escape

哈希表

哈希表常用操作

哈希表优势

哈希函数

哈希冲突

5.1 KiB

Raw Blame History Unescape Escape