Hash Table

1.Hash functions

• 直接定址法：h(k)=ak+b.
• 数字分析法
• 平方取中法：去关键字平方后的中间几位为hash address.
• 折叠法：将关键字分割成位数相同的几部分（最后一部分位数可以不同),然后取这几部分的叠加（去掉进位）和作为hash address.
• 除留余数法:h(k)=k mod m, m<=Table.length.一般情况下，取m为质数或不包含小于20的质因数的合数。
• 随机数法：h(k)=random(k), 当关键字长度不同时采用此法较恰当。
• 乘法散列法(multiplication method):h(k)= [m(kA mod 1)], m=2^p, A≈(√5 - 1)/2 (best).
• 全域散列法(universal hashing)：从一组精心设计的functions中随机的选择hash function.

2.解决冲突的方法

• 再Hash法：关键字产生冲突时，再用其它不同的hash function再计算一次地址。
• 链接法：将所有关键字为同义词的元素放在同一个线性链表中。
• 开放寻址法：
  • 线性探测：h(k,i)=(h'(k)+i) mod m, i=0,1,...,m-1.存在primary clusting问题。（群集：在函数地址的表中，散列函数的结果不均匀地占据表的单元，形成区块。散列到区块中的任何关键字需要查找多次试选单元才能插入表中，解决冲突，造成时间浪费。对于开放寻址法，聚集会造成性能的灾难性损失，是必须避免的。）
  • 二次探测：h(k,i)=(h'(k)+c*i+d*i^{2) mod m, i=0,1,...,m-1.存在secondary clusting问题，程度较轻。}
  • 双重散列(double hashing):h(k,i)=(h₁(k)+i*h₂(k)) mod m, i=0,1,...,m-1.为了能查找整个散列表，值h₂(k)必须与m互素。
    
    • 方案一：m取2的幂，并设计一个总产生奇数h_2。
    • 方案二：m为素数，并设计一个总是返回较m小的正整数的函数h_2。
• 建立一个公共溢出区：一旦发生冲突，都填入溢出表。

3.完全散列(perfect hashing)

采用两级的散列方法来设计散列方案，每一级上都采用全域散列。适用于关键字集合是静态的情况，即关键字一旦存入表中，关键字集合就不再改变。如程序设计语言中保留字的集合，CD—ROM上的文件名的集合。

4.采用开放寻址法的散列表中的删除操作

删除关键字时，不能仅仅将该位置置空（NIL），比如两个关键字的hash值相同时，那么第二个关键字就要往后移，这种情况下删除第一个关键字将会导致第二个关键字无法被检索到。一个解决方法是用特定的值DELETED来标记该位置。在必须删除关键字的应用中，更常见的做法是采用链接法来解决冲突。（python中字典是通过散列表实现，用开放寻址法解决冲突，搜索的时间复杂度为T(n)=O(1)；c++的STL通过红黑树实现，搜索的时间复杂度T(n)=O(lgn),SGI的STL通过链接法解决冲突。）

5.时间复杂度

搜索、插入、删除的时间复杂度：T(n)=O(1).

6.查找效率、载荷因子

6.1查找效率

对散列表查找效率的量度，用平均查找长度来衡量。

查找过程中，关键码的比较次数，取决于产生冲突的多少，产生的冲突少，查找效率就高，产生的冲突多，查找效率就低。影响产生冲突多少有以下三个因素：

1. 散列函数是否均匀；
2. 处理冲突的方法；
3. 散列表的载荷因子（load factor）。

6.2载荷因子

散列表的载荷因子定义为： = 填入表中的元素个数 / 散列表的长度

是散列表装满程度的标志因子。由于表长是定值，与“填入表中的元素个数”成正比，所以，越大，表明填入表中的元素越多，产生冲突的可能性就越大；反之，越小，标明填入表中的元素越少，产生冲突的可能性就越小。实际上，散列表的平均查找长度是载荷因子的函数，只是不同处理冲突的方法有不同的函数。

对于开放寻址法，荷载因子是特别重要因素，应严格限制在0.7-0.8以下。超过0.8，查表时的CPU缓存不命中（cache missing）按照指数曲线上升。因此，一些采用开放寻址法的hash库，如Java的系统库限制了荷载因子为0.75，超过此值将resize散列表。