Python哈希表
一枚大果壳 人气:01. 前言
哈希表或称为散列表,是一种常见的、使用频率非常高的数据存储方案。
哈希表属于抽象数据结构,需要开发者按哈希表数据结构的存储要求进行API定制,对于大部分高级语言而言,都会提供已经实现好的、可直接使用的API,如JAVA中有MAP集合、C++中的MAP容器,Python中的字典……
使用者可以使用API中的方法完成对哈希表的增、删、改、查……一系列操作。
如何学习哈希表?
可以从2个角度开始:
- 使用者角度:只需要知道哈希表是基于键、值对存储的解决方案,另需要熟悉不同计算机语言提供的基于哈希表数据结构的 API实现,学会使用 API中的方法。
- 开发者的角度:则需要知道哈希表底层实现原理,以及实现过程中需要解决的各种问题。本文将站在开发者的角度,带着大家一起探究哈希的世界。
2. 哈希表
什么是哈希表?
哈希表是基于键、值对存储的数据结构,底层一般采用的是列表(数组)。
大家都知道,基于列表(数组)的查询速度非常快,时间复杂度是O(1),常量级别的。
列表的底层存储结构是连续的内存区域,只要给定数据在列表(数组)中的位置,就能直接查询到数据。理论上是这么回事,但在实际操作过程,查询数据的时间复杂度却不一定是常量级别的。
如存储下面的学生信息,学生信息包括学生的姓名和学号。在存储学生数据时,如果把学号为0
的学生存储在列表0
位置,学号为1
的学生存储在列表1
位置……
这里把学生的学号和列表的索引号进行关联,查询某一个学生时,知道了学生的学号也就知道了学生数据存储在列表中的位置,可以认为查询的时间复杂度为O(1)
。
之所以可以达到常量级,是因为这里有信息关联(学生学号关联到数据的存储位置)。
还有一点,学生的学号是公开信息也是常用信息,很容易获取。
但是,不是存储任何数据时,都可以找到与列表位置相关联的信息。比如存储所有的英文单词,不可能为每一个英文单词编号,即使编号了,编号在这里也仅仅是流水号,没有数据含义的数据对于使用者来讲是不友好,谁也无法记住哪个英文单词对应哪个编号。
所以使用列表存储英文单词后需要询时,因没有单词的存储位置。还是需要使用如线性、二分……之类的查询算法,这时的时间复杂度由使用的查询算法的时间复杂度决定。
如果对上述存储在列表的学生信息进行了插入、删除……等操作,改变了数据原来的位置后,因破坏了学号与位置关联信息,再查询时也只能使用其它查询算法,不可能达到常量级。
是否存在一种方案,能最大化地优化数据的存储和查询?
通过上述的分析,可以得出一个结论,要提高查询的速度,得想办法把数据与位置进行关联。而哈希表的核心思想便是如此。
2.1 哈希函数
哈希表引入了关键字概念,关键字可以认为是数据的别名。如上表,可以给每一个学生起一个别名,这个就是关键字。
Tip: 这里的关键字是姓名的拼音缩写,关键字和数据的关联性较强,方便记忆和查询。
有了关键字后,再把关键字映射成列表中的一个有效位置,映射方法就是哈希表中最重要的概念哈希函数。
关键字是一个桥梁,即关联到真正数据又关联到哈希表中的位置。
关键字也可以是需要保存的数据本身。
哈希函数的功能:提供把关键字映射到列表中的位置算法,是哈希表存储数据的核心所在。如下图,演示数据、哈希函数、哈希表之间的关系,可以说哈希函数是数据进入哈希表的入口。
数据最终会存储在列表中的哪一个位置,完全由哈希算法决定。
当需要查询学生数据时,同样需要调用哈希函数对关键字进行换算,计算出数据在列表中的位置后就能很容易查询到数据。
如果忽视哈希函数的时间复杂度,基于哈希表的数据存储和查询时间复杂度是 O(1)。
如此说来哈希函数算法设计的优劣是影响哈希表性能的关键所在。
2.2 哈希算法
哈希算法决定了数据的最终存储位置,不同的哈希算法设计方案,也关乎哈希表的整体性能,所以,哈希算法就变得的尤为重要。
下文将介绍并纵横比较几种常见的 哈希算法的设计方案。
Tip:无论使用何种哈希算法,都有一个根本,哈希后的结果一定是一个数字,表示列表(哈希表)中的一个有效位置。也称为哈希值。
使用哈希表存储数据时,关键字可以是数字类型也可以是非数字类型,其实,关键字可以是任何一种类型。这里先讨论当关键字为非数字类型时设计哈希算法的基本思路。
如前所述,已经为每一个学生提供了一个以姓名的拼音缩写的关键字。
现在如何把关键字映射到列表的一个有效位置?
这里可以简单地把拼音看成英文中的字母,先分别计算每一个字母在字母表中的位置,然后相加,得到的一个数字。
使用上面的哈希思想对每一个学生的关键字进行哈希:
zjl
的哈希值为26+10+12=48
。llj
的哈希值为12+12+10=34
。cl
的哈希值为3+12=15
。zxy
的哈希值为26+25+24=75
。
前文说过哈希值是表示数据在列表中的存储位置,现在假设一种理想化状态,学生的姓名都是3
个汉字,意味着关键字也是3
个字母,采用上面的的哈希算法,最大的哈希值应该是zzz=26+26+26=78
,意味着至少应该提供一个长度为78
的列表 。
如果,现在仅仅只保存4
名学生,虽然只有4
名学生,因无法保证学生的关键字不出现zzz
,所以列表长度还是需要78
。如下图所示。
采用这种哈希算法会导致列表的空间浪费严重,最直观想法是对哈希值再做约束,如除以4
再取余数,把哈希值限制在4
之内,4
个数据对应4
个哈希值。我们称这种取余数方案为取余数算法。
取余数法中,被除数一般选择小于哈希表长度的素数。本文介绍其它哈希算法时,也会使用取余数法对哈希值进行适当范围的收缩。
重新对 4
名学生的关键字进行哈希。
zjl
的哈希值为26+10+12=48
,48
除以4
取余数,结果是0
。llj
的哈希值为12+12+10=34
,34
除以4
取余数,结果是2
。cl
的哈希值为3+12=15
,15
除以4
取余数,结果是3
。zzz
的哈希值为26+26+26=78
,78
除以4
取余数,结果是2
。
演示图上出现了一个很奇怪的现象,没有看到李连杰的存储信息。
4
个存储位置存储4
学生,应该是刚刚好,但是,只存储了3
名学生。且还有1
个位置是空闲的。现在编码验证一下,看是不是人为因素引起的。
''' 哈希函数 ''' def hash_code(key): # 设置字母 A 的在字母表中的位置是 1 pos = 0 for i in key: i = i.lower() res = ord(i) - ord('a') + 1 pos += res return pos % 4
测试代码:
# 哈希表 hash_table = [None] * 4 # 计算关键字的哈希值 idx = hash_code('zjl') # 根据关键字换算出来的位置存储数据 hash_table[idx] = '周杰伦' idx = hash_code('llj') hash_table[idx] = '李连杰' idx = hash_code('cl') hash_table[idx] = '成龙' idx = hash_code('zzz') hash_table[idx] = '张志忠' print('哈希表中的数据:', hash_table) ''' 输出结果: 哈希表中的数据: ['周杰伦', None, '张志忠', '成龙'] '''
执行代码,输出结果,依然还是没有看到李连杰的信息。
原因何在?
这是因为李连杰和张志忠的哈希值都是2
,导致在存储时,后面存储的数据会覆盖前面存储的数据,这就是哈希中的典型问题,哈希冲突问题。
所谓哈希冲突,指不同的关键字在进行哈希算法后得到相同的哈希值,这意味着,不同关键字所对应的数据会存储在同一个位置,这肯定会发生数据丢失,所以需要提供算法,解决冲突问题。
Tip: 研究哈希表,归根结底,是研究如何计算哈希值以及如何解决哈希值冲突的问题。
针对上面的问题,有一种想当然的冲突解决方案,扩展列表的存储长度,如把列表扩展到长度为8
。
直观思维是:扩展列表长度,哈希值的范围会增加,冲突的可能性会降低。
''' 哈希函数 ''' def hash_code(key): # 设置字母 A 的在字母表中的位置是 1 pos = 0 for i in key: i = i.lower() res = ord(i) - ord('a') + 1 pos += res return pos % 8 # 哈希表 hash_table = [None] * 8 # 保存所有学生 idx = hash_code('zjl') hash_table[idx] = '周杰伦' idx = hash_code('llj') hash_table[idx] = '李连杰' idx = hash_code('cl') hash_table[idx] = '成龙' idx = hash_code('zzz') hash_table[idx] = '张志忠' print('哈希表中的数据:', hash_table) ''' 输出结果: 哈希表中的数据: ['周杰伦', None, '李连杰', None, None, None, '张志忠', '成龙'] '''
貌似解决了冲突问题,其实不然,当试着设置列表的长度为6、7、8、9、10时,只有当长度为8时没有发生冲突,这还是在要存储的数据是已知情况下的尝试。
如果数据是动态变化的,显然这种扩展长度的方案绝对不是本质解决冲突的方案。即不能解决冲突,且产生大量空间浪费。
如何解决哈希冲突,会在后文详细介绍,这里还是回到哈希算法上。
综上所述,我们对哈希算法的理想要求是:
- 为每一个关键字生成一个唯一的哈希值,保证每一个数据都有只属于自己的存储位置。
- 哈希算法的性能时间复杂度要低。
现实情况是,同时满足这2个条件的哈希算法几乎是不可能有的,面对数据量较多时,哈希冲突是常态。所以,只能是尽可能满足。
因冲突的存在,即使为 100 个数据提供 100 个有效存储空间,还是会有空间闲置。这里把实际使用空间和列表提供的有效空间相除,得到的结果,称之为哈希表的占有率(载荷因子)。
如上述,当列表长度为 4时, 占有率为 3/4=0.75,当列表长度为 8 时,占有率为 4/8=0.5,一般要求占率控制 在0.6~0.9之间。
2.3 常见哈希算法
前面在介绍什么是哈希算法时,提到了取余数法,除此之外,还有几种常见的哈希算法。
2.3.1 折叠法
折叠法:将关键字分割成位数相同的几个部分(最后一部分的位数可以不同)然后取这几部分的叠加和(舍去进位)作为哈希值。
折叠法又分移位叠加和间界叠加。
- 移位叠加:将分割后的每一部分的最低位对齐,然后相加。
- 间界叠加:从一端沿分割线来回折叠,然后对齐相加。
因有相加求和计算,折叠法适合数字类型或能转换成数字类型的关键字。假设现在有很多商品订单信息,为了简化问题,订单只包括订单编号和订单金额。
现在使用用哈希表存储订单数据,且以订单编号为关键字,订单金额为值。
订单编号 | 订单金额 |
---|---|
20201011 | 400.00 |
19981112 | 300.00 |
20221212 | 200 |
移位叠法换算关键字的思路:
第一步:把订单编号20201011按每3位一组分割,分割后的结果:202、010、11。
按2位一组还是3位一组进行分割,可以根据实际情况决定。
第二步: 把分割后的数字相加202+010+11,得到结果:223。再使用取余数法,如果哈希表的长度为10,则除以10后的余数为3。
这里除以10仅是为了简化问题细节,具体操作时,很少选择列表的长度。
第三步:对其它的关键字采用相同的处理方案。
关键字 | 哈希值 |
---|---|
20201011 | 3 |
19981112 | 2 |
20221212 | 6 |
编码实现保存商品订单信息:
''' 移位叠加哈希算法 ''' def hash_code(key, hash_table_size): # 转换成字符串 key_s = str(key) # 保存求和结果 s = 0 # 使用切片 for i in range(0, len(key_s), 3): s += int(key_s[i:i + 3]) return s % hash_table_size # 商品信息 products = [[20201011, 400.00], [19981112, 300], [20221212, 200]] # 哈希表长度 hash_size = 10 # 哈希表 hash_table = [None] * hash_size # 以哈希表方式进行存储 for p in products: key = hash_code(p[0], hash_size) hash_table[key] = p[1] # 显示哈希表中的数据 print("哈希表中的数据:",hash_table) # 根据订单号进行查询 hash_val = hash_code(19981112, hash_size) val = hash_table[hash_val] print("订单号为{0}的金额为{1}".format(19981112, val)) ''' 输出结果 哈希表中的数据: [None, None, 300, 400.0, None, None, 200, None, None, None] 订单号为19981112的金额为300 '''
间界叠加法:
间界叠加法,会间隔地把要相加的数字进行反转。
如订单编号19981112 按3位一组分割,分割后的结果:199、811、12,间界叠加操作求和表达式为199+118+12=339,再把结果339%10=9。
编码实现间界叠加算法:
''' 间界叠加哈希算法 ''' def hash_code(key, hash_table_size): # 转换成字符串 key_s = str(key) # 保存求和结果 s = 0 # 使用切片 for i in range(0, len(key_s), 3): # 切片 tmp_s = key_s[i:i + 3] # 反转 if i % 2 != 0: tmp_s = tmp_s[::-1] s += int(tmp_s) return s % hash_table_size # 商品信息(数据样例) products = [[20201011, 400.00], [19981112, 300], [20221212, 200]] # 哈希表长度 hash_size = 10 # 哈希表 hash_table = [None] * hash_size # 以哈希表方式进行存储 for p in products: key = hash_code(p[0], hash_size) hash_table[key] = p[1] # 显示哈希表中的数据 print("哈希表中的数据:", hash_table) # 根据订单号进行查询 hash_val = hash_code(19981112, hash_size) val = hash_table[hash_val] print("订单号为{0}的金额为{1}".format(19981112, val)) ''' 输出结果: 哈希表中的数据: [None, None, None, 400.0, None, None, 200, None, None, 300] 订单号为19981112的金额为300 '''
2.3.2 平方取中法
平方取中法:先是对关键字求平方,再在结果中取中间位置的数字。
求平方再取中算法,是一种较常见的哈希算法,从数学公式可知,求平方后得到的中间几位数字与关键字的每一位都有关,取中法能让最后计算出来的哈希值更均匀。
因要对关键字求平方,关键字只能是数字或能转换成数字的类型,至于关键字本身的大小范围限制,要根据使用的计算机语言灵活设置。
如下面的图书数据,图书包括图书编号和图书名称。现在需要使用哈希表保存图书信息,以图书编号为关键字,图书名称为值。
图书编号 | 图书名称 |
---|---|
58 | python 从入门到精通 |
67 | C++ STL |
78 | Java 内存模型 |
使用平方取中法计算关键字的哈希值:
第一步:对图书编号58求平方,结果为3364。
第二步:取3364的中间值36,然后再使用取余数方案。如果哈希表的长度为10,则36%10=6。
第三步:对其它的关键字采用相同的计算方案。
编码实现平方取中算法:
''' 哈希算法 平方取中 ''' def hash_code(key, hash_table_size): # 求平方 res = key ** 2 # 取中间值,这里取中间 2 位(简化问题) res = int(str(res)[1:3]) # 取余数 return res % hash_table_size hash_table_size = 10 hash_table = [None]*hash_table_size # 图书信息 books = [[58, "python 从入门到精通"], [67, "C++ STL"], [78, "Java 内存模型"]] for b in books: hash_val = hash_code(b[0],hash_table_size) hash_table[hash_val]=b[1] # 显示哈希表中的数据 print("哈希表中的数据:", hash_table) # 根据编号进行查询 hash_val = hash_code(67, hash_table_size) val = hash_table[hash_val] print("编号为{0}的书名为{1}".format(67, val))
上述求平方取中间值的算法仅针对于本文提供的图书数据,如果需要算法具有通用性,则需要根据实际情况修改。
不要被 取中的中字所迷惑,不一定是绝对中间位置的数字。
2.3.3 直接地址法
直接地址法:提供一个与关键字相关联的线性函数。如针对上述图书数据,可以提供线性函数f(k)=2*key+10。
系数2和常数10的选择会影响最终生成的哈希值的大小。可以根据哈希表的大小和操作的数据含义自行选择。
key为图书编号。当关键字不相同时,使用线性函数得到的值也是唯一的,所以,不会产生哈希冲突,但是会要求哈希表的存储长度比实际数据要大。
这种算法在实际应用中并不多见。
实际应用时,具体选择何种哈希算法,完全由开发者定夺,哈希算法的选择没有固定模式可循,虽然上面介绍了几种算法,只是提供一种算法思路。
2.4 哈希冲突
哈希冲突是怎么引起的,前文已经说过。现在聊聊常见的几种哈希冲突解决方案。
2.4.1 线性探测
当发生哈希冲突后,会在冲突位置之后寻找一个可用的空位置。如下图所示,使用取余数哈希算法,保存数据到哈希表中。
哈希表的长度设置为 15,除数设置为 13。
解决冲突的流程:
78
和26
的哈希值都是0
。而因为78
在26
的前面,78
先占据哈希表的0
位置。- 当存储
26
时,只能以0
位置为起始位置,向后寻找空位置,因1
位置没有被其它数据占据,最终保存在哈希表的1
位置。 - 当存储数字
14
时,通过哈希算法计算,其哈希值是1
,本应该要保存在哈希表中1
的位置,因1
位置已经被26
所占据,只能向后寻找空位置,最终落脚在2
位置。
线性探测法让发生哈希冲突的数据保存在其它数据的哈希位置,如果冲突的数据较多,则占据的本应该属于其它数据的哈希位置也较多,这种现象称为哈希聚集。
查询流程:
以查询数据14
为例。
- 计算
14
的哈希值,得到值为1
,根据哈希值在哈希表中找到对应位置。 - 查看对应位置是否存在数据,如果不存在,宣告查询失败,如果存在,则需要提供数据比较方法。
- 因
1
位置的数据26
并不等于14
。于是,继续向后搜索,并逐一比较。 - 最终可以得到结论
14
在哈希表的编号为2
的位置。
所以,在查询过程中,除了要提供哈希函数,还需要提供数据比较函数。
删除流程:
以删除数字26
为例。
按上述的查询流程找到数字26
在哈希表中的位置1
。
设置位置1
为删除状态,一定要标注此位置曾经保存过数据,而不能设置为空状态。为什么?
如果设置为空状态,则在查询数字14
时,会产生错误的返回结果,会认为14
不存在。为什么?自己想想。
编码实现线性探测法:
添加数据:
''' 线性探测法解决哈希冲突 ''' def hash_code(key, hash_table, num): # 哈希表的长度 size = len(hash_table) # 取余数法计算哈希值 hash_val = key % num # 检查此位置是否已经保存其它数据 if hash_table[hash_val] is not None: # 则从hash_val 之后寻找空位置 for i in range(hash_val + 1, size + hash_val): if i >= size: i = i % size if hash_table[i] is None: hash_val = i break return hash_val # 哈希表 hash_table = [None] * 15 src_nums = [25, 78, 56, 32, 88, 26, 73, 81, 14] for n in src_nums: hash_val = hash_code(n, hash_table, 13) hash_table[hash_val] = n print("哈希表中的数据:", hash_table) ''' 输出结果: 哈希表中的数据: [78, 26, 14, 81, 56, None, 32, None, 73, None, 88, None, 25, None, None] '''
Tip:为了保证当哈希值发生冲突后,如果从冲突位置查到哈希表的结束位置还是没有找到空位置,则再从哈希表的起始位置,也就是0
位置再搜索到冲突位置。冲突位置是起点也是终点,构建一个查找逻辑环,以保证一定能找到空位置。
for i in range(hash_val + 1, size + hash_val): pass
基于线性探测的数据查询过程和存储过程大致相同:
def get(key, hash_table, num): # 哈希表的长度 size = len(hash_table) # 取余数法计算哈希值 hash_val = key % num is_exist = False # 检查此位置是否已经保存其它数据 if hash_table[hash_val] is None: # 不存在 return None if hash_table[hash_val] != key: # 则从hash_val 之后寻找空位置 for i in range(hash_val + 1, size + hash_val): if i >= size: i = i % size if hash_table[i] == key: hash_val = i is_exist = True break else: is_exist=True if is_exist: return hash_val # 测试 res = get(25, hash_table, 13) print(res)
为了减少数据聚集,可以采用增量线性探测法,所谓增量指当发生哈希冲突后,探测空位置时,使用步长值大于1
的方式跳跃式向前查找。目的是让数据分布均匀,减小数据聚集。
除了采用增量探测之外,还可以使用再哈希的方案。也就是提供2
个哈希函数,第1
次哈希值发生冲突后,再调用第2
个哈希函数再哈希,直到冲突不再产生。这种方案会增加计算时间。
2.4.2 链表法
上面所述的冲突解决方案的核心思想是,当冲突发生后,在哈希表中再查找一个有效空位置。
这种方案的优势是不会产生额外的存储空间,但易产生数据聚集,会让数据的存储不均衡,并且会违背初衷,通过关键字计算出来的哈希值并不能准确描述数据正确位置。
链表法应该是所有解决哈希冲突中较完美的方案。所谓链表法,指当发生哈希冲突后,以冲突位置为首结点构建一条链表,以链表方式保存所有发生冲突的数据。如下图所示:
链表方案解决冲突,无论在存储、查询、删除时都不会影响其它数据位置的独立性和唯一性,且因链表的操作速度较快,对于哈希表的整体性能都有较好改善。
使用链表法时,哈希表中保存的是链表的首结点。首结点可以保存数据也可以不保存数据。
编码实现链表法:链表实现需要定义 2 个类,1 个是结点类,1 个是哈希类。
''' 结点类 ''' class HashNode(): def __init__(self, value): self.value = value self.next_node = None ''' 哈希类 ''' class HashTable(): def __init__(self): # 哈希表,初始大小为 15,可以根据需要动态修改 self.table = [None] * 15 # 实际数据大小 self.size = 0 ''' 存储数据 key:关键字 value:值 ''' def put(self, key, value): hash_val = self.hash_code(key) # 新结点 new_node = HashNode(value) if self.table[hash_val] is None: # 本代码采用首结点保存数据方案 self.table[hash_val] = new_node self.size+=1 else: move = self.table[hash_val] while move.next_node is not None: move = move.next_node move.next_node = new_node self.size+=1 ''' 查询数据 ''' def get(self, key): hash_val = self.hash_code(key) if self.table[hash_val] is None: # 数据不存在 return -1 if self.table[hash_val].value == key: # 首结点就是要找的数据 return self.table[hash_val].value # 移动指针 move = self.table[hash_val].next_node while move.value != key and move is not None: move = move.next_node if move is None: return -1 else: return move.value def hash_code(self, key): # 这里仅为说明问题,13 的选择是固定的 hash_val = key % 13 return hash_val # 原始数据 src_nums = [25, 78, 56, 32, 88, 26, 39, 82, 14] # 哈希对象 hash_table = HashTable() # 把数据添加到哈希表中 for n in src_nums: hash_table.put(n, n) # 输出哈希表中的首结点数据 for i in hash_table.table: if i is not None: print(i.value,end=" ") print("\n-------------查询-----------") print(hash_table.get(26)) ''' 输出结果: 78 14 56 32 88 25 -------------查询----------- 26 '''
3.总结
哈希表是一种高级数据结构,其存储、查询性能非常好,在不考虑哈希哈希算法和哈希冲突的时间复杂度情况下,哈希查找时间复杂度可以达到常量级,成为很多实际应用场景下的首选。
研究哈希表,着重点就是搞清楚哈希算法以及如何解决哈希冲突。在算法的世界时,没有固定的模式,开发者可以根据自己的需要自行设计哈希算法。
加载全部内容