数据结构-Hash

1. 什么是Hash表

先看一下hash表的结构图:

image
数组 + 链表

哈希表(Hash table,也叫散列表),是根据键(Key)而直接访问在内存存储位置的数据结构。也就是说,它通过计算一个关于键值的函数,将所需查询的数据映射到表中一个位置来访问记录,这加快了查找速度。这个映射函数叫做散列函数,存放记录的数组叫做散列表
白话一点的说就是通过把Key通过一个固定的算法函数(hash函数)转换成一个整型数字,然后就对该数字对数组的长度进行取余,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。

当使用hash表查询时,就是使用hash函数将key转换成对应的数组下标,并定位到该下标的数组空间里获取value,这样就充分利用到数组的定位性能进行数据定位。

先了解一下下面几个常说的几个关键字是什么:
key:我们输入待查找的值
value:我们想要获取的内容
hash值:key通过hash函数算出的值(对数组长度取模,便可得到数组下标)
hash函数(散列函数):存在一种函数F,根据这个函数和查找关键字key,可以直接确定查找值所在位置,而不需要一个个遍历比较。这样就预先知道key在的位置,直接找到数据,提升效率。

地址index=F(key)
hash函数就是根据key计算出该存储地址的位置,hash表就是基于hash函数建立的一种查找表。

2. Hash函数的构造方法

方法

方法有很多种,比如直接定址法、数字分析法、平方取中法、折叠法、随机数法、除留余数法等,网上相关介绍有很多,这里就不重点说这个了

hash函数设计的考虑因素
  • 计算hash地址所需时间(没有必要搞一个很复杂的函数去计算)
  • 关键字的长度
  • 表长
  • 关键字分布是否均匀,是否有规律可循
  • 尽量减少冲突

3. hash冲突

什么是hash冲突

对不同的关键字可能得到同一散列地址,即k1≠k2,而f(k1)=f(k2),或f(k1) MOD 容量 =f(k2) MOD 容量,这种现象称为碰撞,亦称冲突
通过构造性能良好的hash函数,可以减少冲突,但一般不可能完全避免冲突,因此解决冲突是hash表的另一个关键问题。
创建和查找hash表都会遇到冲突,两种情况下解决冲突的方法应该一致。

解决hash冲突
  • 开放定址法
    这种方法也称再散列法,基本思想是:当关键字key的hash地址p=F(key)出现冲突时,以p为基础,产生另一个hash地址p1,如果p1仍然冲突,再以p为基础,再产生另一个hash地址p2,。。。知道找出一个不冲突的hash地址pi,然后将元素存入其中。
    通用的再散列函数的形式:
    H = (F(key) + di) MOD m
    其中i=1,2,。。。,m-1 为碰撞次数
    m为表长。
    F(key)为hash函数。
    di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。
    1) 线性探测再散列
    di = 1,2,3,。。。,m-1
    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。
    2)二次探测再散列
    di = 1^2, -1^2, 2^2, -2^2,..., k^2, -k^2 (k <= m-1)
    发生冲突时,在表的左右进行跳跃式探测,比较灵活。
    3)伪随机数探测再散列
    di = 伪随机序列
    下面有个网上的示列:
    现有一个长度为11的哈希表,已填有关键字分别为17,60,29的三条记录。其中采用的哈希函数为f(key)= key MOD 11。现有第四个记录,关键字为38。根据以上哈希算法,得出哈希地址为5,跟关键字60的哈希地址一样,产生了冲突。根据增量d的取法的不同,有一下三种场景:

    image

    线性探测法: 当发生冲突时,因为f(key) + d,所以首先5 + 1 = 6,得到下一个hash地址为6,又冲突,依次类推,最后得到空闲的hash地址是8,然后将数据填入hash地址为8的空闲区域。
    二次探测法: 当发生冲突时,因为d = 1^2,所以5 + 1 = 6,得到的下一个hash地址为6,又冲突,因为d = -1^2,所以5 + (-1) = 4,得到下一个hash地址为4,是空闲则将数据填入该区域。
    伪随机数探测法: 随机数法就是完全根据伪随机序列来决定的,如果根据一个随机数种子得到一个伪随机序列{1,-2,2,。。。,k},那么首先得到的地址为6,第二个是3,依次类推,空闲则将数据填入。

  • 链地址法(拉链法,位桶法)
    将产生冲突的关键字的数据存储在冲突hash地址的一个线性链表中。实现时,一种策略是散列表同一位置的所有冲突结果都是用栈存放的,新元素被插入到表的前端还是后端完全取决于怎样方便。

    image

4. 负载因子(load factor)

这里要提到两个参数:初始容量加载因子,这两个参数是影响hash表性能的重要参数。
容量: 表示hash表中数组的长度,初始容量是创建hash表时的容量。
加载因子: 是hash表在其容量自动增加之前可以达到多满的一种尺度(存储元素的个数),它衡量的是一个散列表的空间的使用程度。
loadFactor = 加载因子 / 容量
一般情况下,当loadFactor <= 1时,hash表查找的期望复杂度为O(1).
对使用链表法的散列表来说,负载因子越大,对空间的利用更充分,然后后果是查找效率的降低;如果负载因子太小,那么散列表的数据将过于稀疏,对空间造成严重浪费。系统默认负载因子为0.75。

5. 扩容

当hash表中元素越来越多的时候,碰撞的几率也就越来越高(因为数组的长度是固定的),所以为了提高查询的效率,就要对数组进行扩容。而在数组扩容之后,最消耗性能的点就出现了,原数组中的数据必须重新计算其在新数组中的位置,并放进去,这就是扩容
什么时候进行扩容呢?当表中元素个数超过了容量 * loadFactor时,就会进行数组扩容。

6. 集合NSSet、字典NSDictionary的底层实现原理

Foundation框架下提供了很多高级数据结构,很多都是和Core Foundation下的相对应,例如NSSet就是和_CFSet相对应,NSDictionary就是和_CFDictionary相对应。源码

hash

这里说的hash并不是之前说的hash表,而是一个方法。为什么要有hash方法?
这个问题需要从hash表数据结构说起,首先看下如何在数组中查找某个成员

  • 先遍历数组中的成员
  • 将取出的值与目标值比较,如果相等,则返回改成员

在数组未排序的情况下,查找的时间复杂度是O(n)(n为数组长度)。hash表的出现,提高了查找速度,当成员被加入到hash表中时,会计算出一个hash值,hash值对数组长度取模,会得到该成员在数组中的位置。
通过这个位置可以将查找的时间复杂度优化到O(1),前提是在不发生冲突的情况下。
这里的hash值是通过hash方法计算出来的,且hash方法返回的hash值最好唯一
和数组相比,基于hash值索引的hash表查找某个成员的过程:

  • 通过hash值直接查找到目标值的位置
  • 如果目标上有很多相同hash值成员,在利用hash表解决冲突的方式进行查找

可以看出优势比较明显,最坏的情况和数组也相差无几。

hash方法什么时候被调用
    NSMutableArray *array1 = [NSMutableArray array];
    [array1 addObject:person1];
    NSMutableArray *array2 = [NSMutableArray array];
    [array2 addObject:person2];
    NSLog(@"array end -------------------------------");

    NSMutableSet *set1 = [NSMutableSet set];
    [set1 addObject:person1];
    NSMutableSet *set2 = [NSMutableSet set];
    [set2 addObject:person2];
    NSLog(@"set end -------------------------------");

    NSMutableDictionary *dictionaryValue1 = [NSMutableDictionary dictionary];
    [dictionaryValue1 setObject:person1 forKey:@"kKey1"];
    NSMutableDictionary *dictionaryValue2 = [NSMutableDictionary dictionary];
    [dictionaryValue2 setObject:person2 forKey:@"kKey2"];
    NSLog(@"dictionary value end -------------------------------");

    NSMutableDictionary *dictionaryKey1 = [NSMutableDictionary dictionary];
    [dictionaryKey1 setObject:@"kValue1" forKey:person1];
    NSMutableDictionary *dictionaryKey2 = [NSMutableDictionary dictionary];
    [dictionaryKey2 setObject:@"kValue2" forKey:person2];
    NSLog(@"dictionary key end -------------------------------");

重写person的hash方法和copyWithZone方法,方便查看hash方法是否被调用:

- (id)copyWithZone:(NSZone *)zone{
    //这里必须是self本身对象
    return self;
}

- (NSUInteger)hash {
    NSUInteger hash = [super hash];
    NSLog(@"走过 hash:%ld", hash);
    return hash;
}

打印结果:

 array end -------------------------------
 走过 hash:105553148651392
 走过 hash:105553148651328
 set end -------------------------------
 dictionary value end -------------------------------
 走过 hash:105553148651392
 走过 hash:105553148651328
 dictionary key end -------------------------------

可以了解到:hash方法只在对象被添加到NSSet和设置为NSDictionary的key时被调用
NSSet添加新成员时,需要根据hash值来快速查找成员,以保证集合中是否已经存在该成员。
NSDictionary在查找key时,也是利用了key的hash值来提高查找的效率。
这里可以得到这个结论:
相等变量的hash结果总是相同的,不相等变量的hash结果有可能相同

NSSet
struct __CFSet {
    CFRuntimeBase _base;
    CFIndex _count;     /* number of values */
    CFIndex _capacity;      /* maximum number of values */
    CFIndex _bucketsNum;    /* number of slots */
    uintptr_t _marker;
    void *_context;     /* private */
    CFIndex _deletes;
    CFOptionFlags _xflags;      /* bits for GC */
    const void **_keys;     /* can be NULL if not allocated yet */
};

根据数据结构可以发现set内部使用了指针数组来保存keys,可以从源码中了解到采用的是连续存储的方式存储。

NSSet添加key,key值会根据特定的hash函数算出hash值,然后存储数据的时候,会根据hash函数算出来的值,找到对应的下标,如果该下标下已有数据,开放定址法后移动插入,如果数组到达阈值,这个时候就会进行扩容,然后重新hash插入。查询速度就可以和连续性存储的数据一样接近O(1)了。

NSDictionary
struct __CFDictionary {
    CFRuntimeBase _base;
    CFIndex _count;     /* number of values */
    CFIndex _capacity;      /* maximum number of values */
    CFIndex _bucketsNum;    /* number of slots */
    uintptr_t _marker;
    void *_context;     /* private */
    CFIndex _deletes;
    CFOptionFlags _xflags;      /* bits for GC */
    const void **_keys;     /* can be NULL if not allocated yet */
    const void **_values;   /* can be NULL if not allocated yet */
};

和上面的集合NSSet相比较,多了一个指针数组values。

通过比较集合NSSet和字典NSDictionary的源码可以知道两者实现的原理差不多,而字典则用了两个数组keys和values,说明这两个数据是被分开存储的。

通过源码可以看到,当有重复的key插入到字典NSDictionary时,会覆盖旧值,而集合NSSet则什么都不做,保证了里面的元素不会重复。
大家都知道,字典里的键值对key-value是一一对应的关系,从数据结构可以看出,key和value是分别存储在两个不同的数组里,这里面是如何对key、value进行绑定的呢?
首先key利用hash函数算出hash值,然后对数组的长度取模,得到数组下标的位置,同样将这个地址对应到values数组的下标,就匹配到相应的value。 注意到上面的这句话,要保证一点,就是keys和values这两个数组的长度要一致。所以扩容的时候,需要对keys和values两个数组一起扩容。

对于字典NSDictionary设置的key和value,key值会根据特定的hash函数算出hash值,keys和values同样多,利用hash值对数组长度取模,得到其对应的下标index,如果下标已有数据,开放定址法后移插入,如果数组达到阈值,就扩容,然后重新hash插入。这样的机制就把一些不连续的key-value值插入到能建立起关系的hash表中。
查找的时候,key根据hash函数以及数组长度,得到下标,然后根据下标直接访问hash表的keys和values,这样查询速度就可以和连续线性存储的数据一样接近O(1)了。
转载链接https://www.jianshu.com/p/b468abd86f61)

推荐阅读更多精彩内容

  • 1. 什么是Hash表 先看一下hash表的结构图: 数组 + 链表 哈希表(Hash table,也叫散列表),...
    酱油瓶2阅读 8,435评论 0 13
  • 1.定义 Hash Table又叫做散列表是数据结构里非常重要的一种,其设计构想是把需要保存的数据当作唯一的key...
    TanzeyTang阅读 84评论 0 0
  • hash表功能 hash表是一种表,用于快速查找。在程序运行时,可以通过空间来换取时间,hash表就是这样一种,使...
    卖女孩的小火柴18阅读 164评论 0 1
  • 什么是哈希表 哈希表是以 Key-Value 形式存储的的数据结构,当我们需要查找某个值,只需要输入相应的Key值...
    tanghomvee阅读 199评论 2 1
  • 1.事件:晚饭吃水饺,奶奶调的馅有点咸,奶奶怕小女儿嫌咸把馅都吃了给小女儿碗里剩的皮,我给爷爷倒了点醋放到小碗里,...
    幸福芳芳阅读 21评论 0 0