C++ 哈希表原理、冲突解决及性能分析

3. 平方取中法（了解）

函数原型：HashI = mid(key * key)

适用场景：不知道键值的分布，而位数又不是很大的情况 假设键值为 1234，对其进行平方后得到 1522756，取其中间的三位数 227 作为哈希值

4. 折叠法（了解）

折叠法是将键值从左到右分割成位数相等的几部分 (最后一部分位数可以短些)，然后将这几部分叠加求和，并按哈希表表长，取后几位作为散列地址

适用场景：事先不需要知道键值的分布，且键值位数比较多 假设键值为 85673113，分为三部分 856、731、13，求和：1600，根据表长（假设为 100），哈希值就是 600

5. 随机数法（了解）

选择一个随机函数，取键值的随机函数值为它的哈希值

函数原型：HashI = rand(key) 其中 rand 为随机数函数

适用场景：键值长度不等时

哈希函数还有很多很多种，最终目的都是为了计算出重复度低的哈希值。

最常用的是直接定址法和除留余数法。

三、哈希冲突的原因和解决方法

哈希表是一种高效的数据结构，广泛应用于各种算法中，如查找、插入和删除操作等。然而，哈希表并非没有缺点，最常见的问题之一就是哈希冲突。哈希冲突发生在多个元素被映射到哈希表中的同一个位置时。理解哈希冲突的原因以及解决方法对于优化哈希表的性能至关重要。

一、哈希冲突的原因

哈希冲突的产生主要由以下几个原因导致：

1. 哈希函数的设计问题

哈希函数的主要任务是将输入数据（如字符串或整数）映射到哈希表的索引上。理想的哈希函数应该能够均匀地分布所有可能的输入值。然而，在实际应用中，哈希函数可能会出现设计不当的情况，例如：

• 哈希函数映射范围过小，导致许多不同的输入值映射到同一个索引。
• 哈希函数的输出分布不均匀，导致哈希表中某些区域频繁发生冲突。

2. 输入数据的特点

哈希冲突的发生也可能与输入数据本身的特性有关。例如，如果多个数据项本身非常相似（如有相同的前缀或后缀），即使哈希函数设计得当，它们也可能被映射到相同的哈希桶。

3. 哈希表的大小和负载因子

哈希表的大小决定了它能容纳多少元素。当哈希表的负载因子（即哈希表中元素的数量与表的容量之比）过高时，哈希冲突的概率也会增加。即使哈希函数设计得很好，如果哈希表容量不足以存储所有元素，哈希冲突不可避免。

二、哈希冲突的解决方法

为了解决哈希冲突，通常有两种主要的方法：开放寻址法和链表法。每种方法都有其优缺点，适用于不同的场景。

1. 链表法（Separate Chaining）

链表法是最常见的哈希冲突解决方案。其基本思路是，在哈希表的每个位置上，存储一个链表或其他数据结构，用来存储发生冲突的多个元素。

具体步骤：

• 每当发生冲突时，将新的元素插入到该位置的链表中。
• 查找时，首先通过哈希函数找到对应的桶，再遍历桶中的链表进行查找。

优点：

• 解决哈希冲突的简单性：链表法能够很自然地处理哈希冲突。
• 动态扩展性：如果负载因子过高，链表的长度会增加，但不至于导致性能大幅下降。

缺点：

• 空间浪费：每个桶都需要存储一个额外的数据结构（如链表），这可能导致额外的内存开销。
• 查找效率下降：如果链表过长，查找操作的效率就会受到影响，最坏情况下变成 O(n)。

2. 开放寻址法（Open Addressing）

开放寻址法的基本思想是，当发生冲突时，哈希表会尝试找到一个空桶来存储冲突的元素，而不是使用链表存储所有冲突的元素。常见的开放寻址法有以下几种：

线性探测（Linear Probing）

线性探测是一种常见的开放寻址方法，当发生冲突时，哈希表会按顺序探测下一个位置，直到找到一个空桶为止。具体步骤如下：

• 计算哈希值，如果位置已经被占用，则尝试当前位置后的桶（即加 1、加 2、加 3…）。

优点：

• 实现简单，直接。
• 空间效率较高，因为不需要额外的数据结构。

缺点：

• 聚集问题：线性探测会导致'聚集'现象，即多个元素集中在一小段区域内，导致查找效率降低。
• 删除操作复杂：删除一个元素时，可能会导致查找操作失败，需要特别处理。

二次探测（Quadratic Probing）

二次探测是一种改进版的线性探测方法。当发生冲突时，探测过程遵循一个二次方程（如加 1^2、2^2、3^2…）。

优点：

• 避免了线性探测的聚集问题。

缺点：

• 仍然有聚集现象（虽然比线性探测要轻微）。
• 可能导致表的大小不合适，影响性能。

四、哈希表的实际应用：C++ 实现

C++ 标准库提供了基于哈希表实现的容器，如**unordered_set和unordered_map，它们是无序的集合和映射容器。与set和map的区别在于，unordered_set和unordered_map**使用哈希表作为底层实现，因此查找、插入和删除操作具有常数时间复杂度。

1. 使用 unordered_set

**unordered_set**是一个哈希表实现的集合，存储的元素是唯一的，不允许重复。

#include <iostream>
#include <unordered_set>

int main() {
    std::unordered_set<int> mySet = {1, 2, 3, 4, 5};
    // 插入元素
    mySet.insert(6);
    // 查找元素
    if (mySet.find(3) != mySet.end()) {
        std::cout << "Found 3!" << std::endl;
    }
    // 删除元素
    mySet.erase(4);
    // 打印元素
    for (int element : mySet) {
        std::cout << element << " ";
    }
    std::cout << std::endl;
    return 0;
}

2. 使用 unordered_map

**unordered_map**是一个哈希表实现的映射容器，存储键值对。

#include <iostream>
#include <unordered_map>

int main() {
    std::unordered_map<std::string, int> myMap;
    // 插入元素
    myMap["Alice"] = 25;
    myMap["Bob"] = 30;
    // 查找元素
    if (myMap.find("Alice") != myMap.end()) {
        std::cout << "Alice's age: " << myMap["Alice"] << std::endl;
    }
    // 删除元素
    myMap.erase("Bob");
    // 打印键值对
    for (const auto& pair : myMap) {
        std::cout << pair.first << ": " << pair.second << std::endl;
    }
    return 0;
}

五、哈希表与红黑树的性能对比

下面是性能测试代码，包含大量重复、部分重复、完全有序三组测试用例，分别从插入、查找、删除三个维度进行对比。

注：测试性能用的是 Release 版，这里的基础数据量为 100 w

#include <iostream>
#include <vector>
#include <set>
#include <unordered_set>
using namespace std;

int main() {
    const size_t N = 1000000;
    unordered_set<int> us;
    set<int> s;
    vector<int> v;
    v.reserve(N);
    srand(time(0));
    for (size_t i = 0; i < N; ++i) {
        //v.push_back(rand()); //大量重复
        //v.push_back(rand()+i); //部分重复
        v.push_back(i); //完全有序
    }
    
    size_t begin1 = clock();
    for (auto e : v) {
        s.insert(e);
    }
    size_t end1 = clock();
    cout << "set insert:" << end1 - begin1 << endl;
    
    size_t begin2 = clock();
    for (auto e : v) {
        us.insert(e);
    }
    size_t end2 = clock();
    cout << "unordered_set insert:" << end2 - begin2 << endl;
    
    size_t begin3 = clock();
    for (auto e : v) {
        s.find(e);
    }
    size_t end3 = clock();
    cout << "set find:" << end3 - begin3 << endl;
    
    size_t begin4 = clock();
    for (auto e : v) {
        us.find(e);
    }
    size_t end4 = clock();
    cout << "unordered_set find:" << end4 - begin4 << endl << endl;
    
    cout << s.size() << endl;
    cout << us.size() << endl << endl;
    
    size_t begin5 = clock();
    for (auto e : v) {
        s.erase(e);
    }
    size_t end5 = clock();
    cout << "set erase:" << end5 - begin5 << endl;
    
    size_t begin6 = clock();
    for (auto e : v) {
        us.erase(e);
    }
    size_t end6 = clock();
    cout << "unordered_set erase:" << end6 - begin6 << endl << endl;
    
    return 0;
}

插入大量重复数据

插入数据大量重复----结果：

• 插入：哈希比红黑快 88%
• 查找：哈希比红黑快 100%
• 删除：哈希比红黑快 37%

插入部分重复数据

插入数据部分重复----结果：

• 插入：哈希与红黑差不多
• 查找：哈希比红黑快 100%
• 删除：哈希比红黑快 41%

插入完全有序数据

插入数据完全有序----结果：

• 插入：哈希比红黑慢 52%
• 查找：哈希比红黑快 100%
• 删除：哈希比红黑慢 58%

总的来说，在数据随机的情况下，哈希各方面都比红黑强，在数据有序的情况下，红黑更胜一筹。

总结

1. 操作性能差异

从表中可以看出，哈希表的平均性能优于红黑树，尤其在查找和插入操作中，其常数时间复杂度具有明显优势。然而，红黑树的性能更为稳定，即使在最坏情况下，其时间复杂度依然为 O(log n)。

2. 空间效率对比

• 哈希表：通常需要较大的内存来避免哈希冲突，因此在存储稀疏数据时可能造成一定的空间浪费。
• 红黑树：作为平衡二叉树，其内存利用率较高，适合存储密集数据。

3. 数据顺序支持

哈希表中的数据存储是无序的，无法直接支持范围查询或按顺序遍历。而红黑树则天然支持有序性操作，如查找区间范围、按序遍历等。

结语

哈希表是现代计算机科学中不可或缺的数据结构，它通过哈希函数实现快速的数据存取，并广泛应用于各个领域。本文通过对哈希表的介绍，深入探讨了哈希函数的设计、哈希冲突的解决方法以及 C++ 中的实现，旨在帮助读者更好地理解和使用这一高效的数据结构。

在实际应用中，我们不仅要选择合适的哈希函数，还要灵活运用冲突解决策略，以确保哈希表能够高效地工作。在性能方面，哈希表通常优于红黑树，但在特定有序数据场景下红黑树表现更佳。