algorithm-in-python/notes/hashTable.md
2018-07-11 19:55:44 +08:00

9.8 KiB

title date categories tags keywords mathjax description
『数据结构』散列表 2018-07-08 23:25 算法与数据结构
数据结构
散列表
true

github地址

哈希表 (hash table) , 可以实现 O(1) 的 read, write, update 相对应 python 中的 dict, c语言中的 map

其实数组也能实现, 只是数组用来索引的关键字是下标, 是整数. 而哈希表就是将各种关键字映射到数组下标的一种"数组"

1. 关键字

由于关键字是用来索引数据的, 所以要求它不能变动(如果变动,实际上就是一个新的关键字插入了), 在python 中表现为 imutable. 常为字符串.

2. 映射

2.1. 散列函数(hash)

将关键字 k 进行映射, 映射函数 h, 映射后的数组地址 h(k).

2.1.1. 简单一致散列

  • 简单一致假设:元素散列到每个链表的可能性是相同的, 且与其他已被散列的元素独立无关.
  • 简单一致散列(simple uniform hashing): 满足简单一致假设的散列

好的散列函数应 满足简单一致假设 例如


\begin{aligned}
&(1)\quad h(k) = k \ mod\ m \\
&(2)\quad h(k) = \lfloor {m(kA \ mod\  1)\rfloor} = kA-\lfloor kA \rfloor \text{,\ x(0< A<  1)}\\
&\quad\text{任何 A 都使用,最佳的选择与散列的数据特征有关.}\\
&\quad\text{  Knuth 认为,最理想的是黄金分割数}\frac{\sqrt{5} -1}{2} \approx 0.618
\end{aligned}

2.1.2. 碰撞(collision)

由于关键字值域大于映射后的地址值域, 所以可能出现两个关键字有相同的映射地址

2.1.3. str2int 的方法

可以先用 ascii 值,然后

  • 各位相加
  • 两位叠加
  • 循环移位
  • ...

2.2. 直接寻址法

将关键字直接对应到数组地址, 即 h(k)=k

缺点: 如果关键字值域范围大, 但是数量小, 就会浪费空间, 有可能还不能储存这么大的值域范围.

2.3. 链接法

通过链接法来解决碰撞

记有 m 个链表, n 个元素 \alpha = \frac{n}{m} 为每个链表的期望元素个数(长度)

则查找成功,或者不成功的时间复杂度为 $\Theta(1+\alpha)$ 如果 n=O(m), namely \quad \alpha=\frac{O(m)}{m}=O(1), 则上面的链接法满足 $O(1)$的速度

2.3.1. 全域散列(universal hashing)

随机地选择散列函数, 使之独立于要存储的关键字

2.3.1.1. 定义

设一组散列函数 H=\{h_1,h_2,\ldots,h_i\}, 将 关键字域 U 映射到 \{0,1,\ldots,m-1\} , 全域的函数组, 满足


for \ k \neq l \ \in U, h(k) = h(l), \text{这样的 h 的个数不超过}\frac{|H|}{m}

即从 H 中任选一个散列函数, 当关键字不相等时, 发生碰撞的概率不超过 \frac{1}{m}

2.3.1.2. 性质

对于 m 个槽位的表, 只需 $\Theta(n)$的期望时间来处理 n 个元素的 insert, search, delete,其中 有$O(m)$个insert 操作

2.3.1.3. 实现

选择足够大的 prime p, 记$Z_p={0,1,\ldots,p-1}, Z_p^={1,\ldots,p-1},$ 令$h_{a,b}(k) = ((ak+b)mod\ p) mod\ m$ 则 $H_{p,m}={h_{a,b}|a\in Z_p^,b\in Z_p}$

2.4. 开放寻址法

所有表项都在散列表中, 没有链表. 且散列表装载因子$\alpha=\frac{n}{m}\leqslant1$ 这里散列函数再接受一个参数, 作为探测序号 逐一试探 h(k,0),h(k,1),\ldots,h(k,m-1),这要有满足的,就插入, 不再计算后面的 hash值

探测序列一般分有三种

  • 线性$\ 0,1,\ldots,m-1$ 存在一次聚集问题
  • 二次$\ 0,1,\ldots,(m-1)^2$ 存在二次聚集问题
  • 双重探查 $h(k,i) = (h_1(k)+i*h_2(k))mod\ m$ 为了能查找整个表, 即要为模 m 的完系, 则 h_2(k)要与 m 互质. 如可以取 h_1(k) = k\ mod \ m,h_2(k) = 1+(k\ mod\ {m-1})

注意删除时, 不能直接删除掉(如果有元素插入在其后插入时探测过此地址,删除后就不能访问到那个元素了), 应该 只是做个标记为删除

2.4.1. 不成功查找的探查数的期望

对于开放寻址散列表,且 \alpha<1,在一次不成功的查找中,有 $E(\text{探查数})\leqslant \frac{1}{1-\alpha}$ 不成功探查是这样的: 前面都是检查到槽被占用但是关键字不同, 最后一次应该是空槽.

2.4.1.1. 插入探查数的期望

所以, 插入一个关键字, 也最多需要 $\frac{1}{1-\alpha}$次, 因为插入过程就是前面都是被占用了的槽, 最后遇到一个空槽.与探查不成功是一样的过程

2.4.1.2. 成功查找的探查数的期望

成功查找的探查过程与插入是一样的. 所以查找关键字 k 相当于 插入它, 设为第 i+1 个插入的(前面插入了i个,装载因子\alpha=\frac{i}{m}. 那么期望探查数就是

\frac{1}{1-\alpha}=\frac{1}{1-\frac{i}{m}}=\frac{m}{m-i}

则成功查找的期望探查数为


\begin{aligned}
\frac{1}{n}\sum_{i=0}^{n-1}\frac{m}{m-i}=\frac{m}{n}\sum_{i=0}^{n-1}\frac{1}{m-i} &= \frac{m}{n}\sum_{i=m-n+1}^{m}\frac{1}{i}\\
&\leqslant  \frac{1}{\alpha} \int_{m-n}^m\frac{1}{x}dx\\
&=\frac{1}{\alpha}ln\frac{1}{1-\alpha}
\end{aligned}

代码

class item:
    def __init__(self,key,val,nextItem=None):
        self.key = key
        self.val = val
        self.next = nextItem
    def to(self,it):
        self.next = it
    def __eq__(self,it):
        '''using  keyword <in> '''
        return self.key == it.key
    def __bool__(self):
        return self.key is not None
    def __str__(self):
        li = []
        nd = self
        while nd:
            li.append(f'({nd.key}:{nd.val})')
            nd = nd.next
        return ' -> '.join(li)
    def __repr__(self):
        return f'item({self.key},{self.val})'
class hashTable:
    def __init__(self,size=100):
        self.size = size
        self.slots=[item(None,None) for i in range(self.size)]
    def __setitem__(self,key,val):
        nd = self.slots[self.myhash(key)]
        while nd.next:
            if nd.key ==key:
                if nd.val!=val: nd.val=val
                return
            nd  = nd.next
        nd.next = item(key,val)

    def myhash(self,key):
        if isinstance(key,str):
            key = sum(ord(i) for i in key)
        if not isinstance(key,int):
            key = hash(key)
        return key % self.size
    def __iter__(self):
        '''when using keyword <in>, such as ' if key in dic',
            the dic's  __iter__ method will be called,(if hasn't, calls __getitem__
            then  ~iterate~  dic's keys to compare whether one equls to the key
        '''
        for nd in self.slots:
            nd = nd.next
            while nd :
                yield nd.key
                nd = nd.next
    def __getitem__(self,key):
        nd =self.slots[ self.myhash(key)].next
        while nd:
            if nd.key==key:
                return nd.val
            nd = nd.next
        raise Exception(f'[KeyError]: {self.__class__.__name__} has no key {key}')

    def __delitem__(self,key):
        '''note that None item and item(None,None) differ with each other,
            which means you should take care of them and correctly cop with None item
            especially when deleting items
        '''
        n = self.myhash(key)
        nd = self.slots[n].next
        if nd.key == key:
            if nd.next is None:
                self.slots[n] =  item(None,None) # be careful
            else:self.slots[n] = nd.next
            return
        while nd:
            if nd.next is None: break  # necessary
            if nd.next.key ==key:
                nd.next = nd.next.next
            nd = nd.next
    def __str__(self):
        li = ['\n\n'+'-'*5+'hashTable'+'-'*5]
        for i,nd in enumerate(self.slots):
            li.append(f'{i}: '+str(nd.next))
        return '\n'.join(li)