数据结构（c++）学习笔记--词典

---

一、散列

1.循对象访问

1.1 联合数组：更直接、更有效的访问

• 根据数据元素的取值，直接访问
  • style[“关羽”] = “云长”
  • style[“张飞”] = “翼德”
  • style[“赵云”] = “子龙”
  • style[“马超”] = “孟起”
• 下标不再是整数，甚至没有大小次序 ——更为直观、便捷

1.2 词条(entry)~ 映射/词典(Map/Dictionary)

• entry = (key, value)
• Map/Dictionary：词条的集合
  • 关键码禁止/允许雷同
  • get(key) put(key, value) remove(key)
• 关键码未必可定义大小，元素类型较BST更多样
• 查找对象不限于最大/最小词条，接口功能较PQ更强大

1.3 词典

template <typename K, typename V> //key、value 
struct Dictionary { 
    virtual int size() = 0; 
    virtual bool put( K, V ) = 0; 
    virtual V* get( K ) = 0; 
    virtual bool remove( K ) = 0; 
};

• 词典中的词条只需支持判等/比对操作

2.原理

2.1 电话：号码 ~ 人

2.2 电话簿

• 需求： 为一所学校制作电话簿
  • 号码 --> 教员、学生、员工、办公室
• 蛮力： 用户记录 ~ 数组Rank ~ 电话号码 （O(1)效率）
• 可能的电话 = R= 10^8 = 100M ，实有的电话 = N= 25,000 = 25K
• 问题：
  • 空间 = O（R/N）= O(100M + 25K)
  • 效率 = 25K / 100M = 0.025%
    

2.3 散列表 / 散列函数

• 桶（bucket）：直接存放或间接指向一个词条

• Bucket array ~ Hashtable(哈希表)

  • 容量：M
  • 满足：$N<M<<R$
  • 空间：O(N+M)=O(N)

• 定址/杂凑/散列

  • 根据词条的key（未必可比较）
  • “直接”确定散列表入口（无论表有多长）

• 散列函数： hash():key->&entry

• “直接”:expected-O(1)≠O（1）

2.4 实例

3.冲突

3.1 同义词(synonym)

$ke{y}_1\ne ke{y}_2$ but $hash(ke{y}_1)=hash(ke{y}_2)$

3.2 装填因子 vs. 冲突

• load factor：λ=N/M
• λ越大/小
  • 空间利用率越高/低
  • 冲突的情况越严重/轻微
• 通过降低λ，冲突程度将会有所改善,但只要数据集在动态变化，就无法彻底杜绝

3.3 完美散列

• 在某些条件下，的确可以实现单射（injection）式散列

• 数据集已知且固定时，可实现完美散列（perfect hashing）

  • 采用两级散列模式

  • 仅需O(n)空间

  • 关键码之间互不冲突

  • 最坏情况下的查找时间也不过O(1)

• 不过在一般情况下，完美散列可期不可求

3.4 生日悖论

• 将在座同学（对应的词条）按生日（月/日）做散列存储
  • 散列表长M = 365，装填因子 = 在场人数N / 365
• 冲突（至少有两位同学生日相同）的可能性P365(n)
  • P365(1) = 0, P365(2) = 1/365, …, P365(22) = 47.6%, P365(23) = 50.7%, …
• 100人的集会：1 - p365(100) = 0.000,031%
  • 自7岁起，不吃不喝、无休无息，每小时参加四次
  • 到100岁，才有可能期望遇到一次无冲突的集会
• 因此，在装填因子确定之后，散列策略的选取将至关重要，散列函数的设计也很有讲究

3.5 两项基本任务

• 首先（下一节）：精心设计散列表及散列函数，尽可能降低冲突的概率
• 同时（再下节）：制定可行的预案，以便在发生冲突时，能够尽快予以排解

二、散列函数

1.基本

1.1 评价标准 + 设计原则

• 确定（determinism）：同一关键码总是被映射至同一地址

• 快速（efficiency）：expected-O(1)

• 满射（surjection）：尽可能充分地利用整个散列空间

• 均匀（uniformity）：关键码映射到散列表各位置的概率尽量接近，有效避免聚集（clustering）现象

1.2 除余法

• $hash(key)=key % M $

• 据说M为素数时，数据对散列表的覆盖最充分，分布最均匀 其实对于理想随机的序列，表长是否素数，无关紧要

• 序列的Kolmogorov复杂度：生成该序列的算法，最短可用多少行代码实现？

  • 算术级数： 7 12 17 22 27 32 37 42 47 … //单调性／线性：从7开始，步长为5
  • 循环级数： 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 … //周期性：12345不断循环
  • 英文：data structures and algorithms … //局部性：频率、关联、词根、…

• 实际应用中的数据序列远非理想随机，上述规律性普遍存在

• 蝉的哲学：经长期自然选择，生命周期“取”作素数

1.3 MAD法

• 除余法的缺陷
  • 不动点：无论表长M取值如何，总有：hash(0)≡0
  • 相关性：[0,R)的关键码尽管系平均分配至M个桶；但相邻关键码的散列地址也必相邻

• Multiply - Add - Divide
  • $hash(key)=(a\ast key+b)\%M，M为素数，a>0，b>0，且a\%M\ne 0$

1.4 更多散列函数

• 数字分析(selecting digits) :抽取key中的某几位，构成地址

  • 比如，取十进制表示的奇数位

• 平方取中(mid-square) :取$ke{y}^2$的中间若干位，构成地址

  • $hash(123)=middle(123\ast 123)=1\underline{512}9=512$

• 折叠法(folding) ：将key分割成等宽的若干段，取其总和作为地址

  • hash( 123 456 789 ) = 123 + 456 + 789 = 1368 //自左向右
  • hash( 123 456 789 ) = 123 + 654 + 789 = 1566 //往复折返

• 位异或法(XOR) ：将key分割成等宽的二进制段，经异或运算得到地址

  • hash( 110 011 011 b ) = 110 ^ 011 ^ 011 = 110b //自左向右
  • hash( 110 011 011 b ) = 110 ^ 110 ^ 011 = 011b //往复折返

• 总之，越是随机，越是没有规律，越好

2.随机数

2.1 （伪）随机数法

• 循环： rand( x + 1 ) = [ a * rand( x ) ] % M //M素数，a % M ≠ 0

  • $a=7^5=16,807=100000110100111_b$
  • $M=2^{31}–1=2,147,483,647=01111111111111111111111111111111_b$

• 径取：hash(key) = rand(key) = [$rand(0)\ast a^{key}$] % M

• 种子：rand(0) = ?

• 把难题推给伪随机数发生器，但是（伪）随机数发生器的实现，因具体平台、不同历史版本而异，创建的散列表可移植性差——故需慎用此法

unsigned long int next = 1; //sizeof(long int) = 8 
    void srand(unsigned int seed) { next = seed; } //sizeof(int) = 4 or 8 
    int rand(void) { //1103515245 = 3^5 * 5 * 7 * 129749 
        next = next * 1103515245 + 12345; 
        return (unsigned int)(next/65536) % 32768;
} 

int rand() { int uninitialized; return uninitialized; } 
char* rand( t_size n ) { return ( char* ) malloc( n ); }

2.2 就地随机置乱：任给一个数组A[0, n)，理想地将其中元素的次序随机打乱

void shuffle( int A[], int n ) { 
    for ( ; 1 < n; --n ) //自后向前，依次将各元素 
    swap( A[ rand() % n ], A[ n - 1 ] ); //与随机选取的某一前驱（含自身）交换 
} //20! < 2^64 < 21!

3.hashCode与多项式法

3.1 任意类型->整数型

• $$\begin{array}{rl}hashCode(“x_{n-1}...x_2{x}_1{x}_0")& =x_{n-1}\cdot a^{n-1}+...+x_2\cdot a^2+x_1\cdot a^1+x_0\\ & =(...((x_{n-1}\cdot a+x_n-2)\cdot a)+...+x_1)\cdot a+x_0\end{array}$$

3.2 冲突 ~ 巧合

• $hashCode(S)={\sum }_{c\in S}code(upper(c))$

  • $hashCode(“hash”)=8+1+19+8=36$

• 字符相对次序信息丢失，将引发大量冲突

  • I am Lord Voldemort
  • Tom Marvolo Riddle

• 即便字符不同、数目不等

  • He’s Harry Potter

三、排解冲突

1.开放散列

1.1 多槽位(Multiple Slots)

• Multiple Slots

  • 桶单元细分成若干槽位
  • 存放（与同一单元）冲突的词条

• 只要槽位数目不太多 依然可以保证O(1)的时间效率

• 需要细分到什么程度
  • 过细，空间浪费；反过来
  • 无论多细，极端情况下仍可能不够

1.2 公共溢出区(Overflow Area)

• 单独开辟一块连续空间 发生冲突的词条，顺序存入此区域
• 结构简单，算法易于实现
• 但是，不冲突则已，一旦发生冲突,最坏情况下，处理冲突词条所需的时间将 正比于溢出区的规模

1.3 独立链 (Linked-List Chaining / Separate Chaining）

• 每个桶拥有一个列表，存放对应的一组同义词
• 优点
  • 无需为每个桶预备多个槽位
  • 任意多次的冲突都可解决
  • 删除操作实现简单、统一
• 但是，指针本身占用空间，节点的动态分配和回收需耗时间 更重要的是空间未必连续分布，系统缓存很难生效

2.封闭散列

2.1 开放定址

• 闭散列方法（Closed Hashing），必然对应于开放定址（Open Addressing）

  • 只要有必要，任何散列桶都可以接纳任何词条

• 检测序列（Probe Sequence/Chain）：为每个词条，都需事先约定若干备用桶，优先级逐次下降

• 查找算法：沿试探链，逐个转向下一桶单元，直到命中成功，或者抵达一个空桶而失败

2.2 线性试探

• Linear Probing

  • 一旦冲突，则试探后一紧邻的桶
  • 直到命中（成功），或抵达空桶（失败）

• [ hash( key ) + 1 ] % M->[ hash( key ) + 2 ] % M->[ hash( key ) + 3 ] % M->[ hash( key ) + 4 ] % M

• 在散列表内部解决冲突,无需附加的指针、链表或溢出区等,整体结构保持简洁

• 只要还有空桶，迟早会找到

• 新增非同义词之间的冲突

• 数据堆积（clustering）现象严重

• 好在，试探链连续，数据局部性良好

• 通过装填因子，冲突与堆积都可有效控制

2.3 插入+删除

• 插入：新词条若尚不存在，则存入试探终止处的空桶
• 试探链：可能因而彼此串接、重叠！
• 删除：经过它的试探链都将因此断裂，导致后续词条丢失——明明存在，却访问不到

3.懒惰删除

3.1 Lazy Removal：故居 ~ 空宅

• Bitmap* removed 用Bitmap懒惰地标记被删除的桶
• int L 被标记桶的数目

• 仅做标记，不对试探链做更多调整——此后，带标记的桶，角色因具体的操作而异
  • 查找词条时，被视作“必不匹配的非空桶”，试探链在此得以延续
  • 插入词条时，被视作“必然匹配的空闲桶”，可以用来存放新词条

3.2 两种算法

template<typename K,typename V> int Hashtable::probe4Hit(const K& k) { 
    int r = hashCode(k) % M; //按除余法确定试探链起点 
    while ( ( ht[r] && (k != ht[r]->key) ) || removed->test(r) ) 
        r = ( r + 1 ) % M; //线性试探（跳过带懒惰删除标记的桶） 
    return r; //调用者根据ht[r]是否为空及其内容，即可判断查找是否成功 
} 

template<typename K,typename V> int Hashtable::probe4Free(const K& k) { 
    int r = hashCode(k) % M; //按除余法确定试探链起点 
    while ( ht[r] ) r = (r + 1) % M; //线性试探，直到空桶（无论是否带有懒惰删除标记） 
    return r; //只要有空桶，线性试探迟早能找到
}

4.重散列(Rehashing)

template<typename K,typename V> //随着装填因子增大，冲突概率、排解难度都将激增 
void Hashtable::rehash() { //此时，不如“集体搬迁”至一个更大的散列表 
    int oldM = M; Entry** oldHt = ht; 
    ht = new Entry*[ M = primeNLT( 4 * N ) ]; N = 0; //新表“扩”容 
    memset( ht, 0, sizeof( Entry* ) * M ); //初始化各桶 
    release( removed ); removed = new Bitmap(M); L = 0; //懒惰删除标记 
    for ( int i = 0; i < oldM; i++ ) //扫描原表 
        if ( oldHt[i] ) //将每个非空桶中的词条 
            put( oldHt[i]->key, oldHt[i]->value ); //转入新表 
    release( oldHt ); //释放——因所有词条均已转移，故只需释放桶数组本身 
}

template<typename K,typename V> bool Hashtable::put( K k, V v ) { 
    if ( ht[ probe4Hit( k ) ] ) return false; //雷同元素不必重复插入 
    int r = probe4Free( k ); //为新词条找个空桶（只要装填因子控制得当，必然成功） 
    ht[ r ] = new Entry( k, v ); ++N; //插入 
    if ( removed->test( r ) ) { removed->clear( r ); --L; } //懒惰删除标记 
    if ( (N + L)*2 > M ) rehash(); //若装填因子高于50%，重散列 
    return true; 插入
}

template<typename K,typename V> bool Hashtable::remove( K k ) { 
    int r = probe4Hit( k ); if ( !ht[r] ) return false; //确认目标词条确实存在 
    release( ht[r] ); ht[r] = NULL; --N; //清除目标词条 
    removed->set(r); ++L; //更新标记、计数器 
    if ( 3*N < L ) rehash(); //若懒惰删除标记过多，重散列 
    return true; 
}

5.平方试探

5.1 平方试探(Quadratic Probing)

• Quadratic Probing:以平方数为距离，确定下一试探桶单元

  • $[hash(key)+1^2]\%M$
  • $[hash(key)+2^2]\%M$

• 数据聚集现象有所缓解

  • 试探链上，各桶间距线性递增
  • 一旦冲突，可“聪明”地跳离是非之地

• 对于大散列表，I/O操作有所增加

5.2 素数表长时，只要λ<0.5就一定能够找出；否则，不见得

• $\{0,1,2,3,4,5,...{\}}^2\%12=\{0,1,4,9\}$
  • M若为合数：$n^2\%M$可能的取值可能少于$\lceil M/2\rceil$种——此时，只要对应的桶均非空

• $\{0,1,2,3,4,5,...{\}}^2\%11=\{0,1,4,9,5,3\}$
  • 若M为素数，$n^2\%M$恰有$\lceil M/2\rceil$种取值，且由试探链的前$\lceil M/2\rceil$项取遍

5.3 每一条试探链，都有足够长的无重前缀

• 反证：假设存在$0\le a\le b<\lceil M/2\rceil$，使得沿着试探链，第a项和第b项彼此冲突
• 于是：$a^2$和%b^2%自然关于M同余，亦即
  • $a^2\equiv b^2(modM)$
  • $b^2-a^2=(b+a)(b-a)\equiv 0(modM)$
• 然而，$0<b-a\le b+a<\lceil M/2\rceil +(\lceil M/2\rceil +1)\le \lceil M/2\rceil +\lceil M/2\rceil =M$
  • 无论b-a还是b+a都不可能整除M

6.双向平方试探

6.1 策略：交替地沿两个方向试探，均按平方确定距离

• $[hash(key)+1^2]\%M$，$[hash(key)+2^2]\%M$
• $[hash(key)-1^2]\%M$，$[hash(key)-2^2]\%M$

6.2 子试探链

• 正向和反向的子试探链，各自包含$\lceil M/2\rceil$个互异的桶
  • $\underline{\lfloor M/2\rfloor ,...,-3,-2,-1},0,\underline{1,2,3,...,\lfloor M/2\rfloor }$

6.3 4k+3

• 表长取作素数M=4k+3，即必然可以保证试探链的前M项均互异

6.4 费马二平方定理（Two-Square Theorem of Fermat）

• 任一素数p可表示为一对整数的平方和，当且仅当$p\equiv 1(modM)$

• 只要注意到：$(u^2+v^2)(s^2+t^2)=(us+vt{)}^2+(ut-vs{)}^2=(us-vt{)}^2+(ut+vs{)}^2$

• 就不难推知：自然数n可表示为一对整数的平方和，当（且仅当）它的每一 M=4k+3类的素因子均为偶数次方

7.双散列(Double Hashing)

• 预先约定第二散列函数： $has{h}_2(key,i)$

• 冲突时，由其确定偏移增量，确定下一试探位置：$[hash(key)+{\sum }_{i=1}^{k}has{h}_2(key,i)]\%M$

• 线性试探： $has{h}_2(key,i)\equiv 1$

• 平方试探： $has{h}_2(key,i)=2i-1$

• 更一般地，偏移增量同时还与key相关

四、桶排序

1.算法

1.1 简单情况

• 对[0,m)内的n（
• 空间 = O(m)，时间 = O(n)

1.2 一般情况

• 若允许重复 （可能m << n）
• 依然使用散列表
  • 每一组同义词各成一个链表
• 空间 = O(m + n)，时间 = O(n)

2.最大缝隙

2.1 最大缝隙（MaxGap）

• 任意n个互异点均将实轴分为n-1段有界区间，其中的哪一段最长
• 如果不追求效率，显而易见的方法莫过于
  • 对所有点排序 //Ω(nlogn)
  • 依次计算各相邻点对的间距，保留最大者 //Θ(n)
• 采用分桶策略，可改进至O（n）时间

2.2 线性算符

• 找到最左点、最右点 O(n) //一趟线性扫描

• 将有效范围均匀地划分为n-1段（n个桶） O(n) //相当于散列表

• 通过散列，将各点归入对应的桶 O(n) //模余法

• 在各桶中，动态记录最左点、最右点 O(n) //可能相同甚至没有

• 算出相邻（非空）桶之间的“距离” O(n) //一趟遍历足矣

• 最大的距离即MaxGap O(n) //画家算法

2.3 正确性

• MaxGap至少跨越两个桶，等价地，MaxGap不可能局限于某一个桶内

五、基数排序

1.算法与实现

1.1 词典序

• 有时，关键码由多个域组成：$k_d,k_{t-1},...,k_1$
• 若将各域视作字母，则关键码即单词——按词典的方式排序（lexicographic order）

1.2 算法：自$k_1$到$k_t$（低位优先），依次以各域为序做一趟桶排序

1.3 正确性

• 归纳假设：前i趟排序后，所有词条关于低i位有序 （第1趟显然）
• 假设前i-1趟均成立，现考查第i趟排序之后的时刻
• 无非两种情况
  • 凡第i位不同的词条，即便此前曾是逆序，现在亦必已转为有序
  • 凡第i位相同的词条，得益于桶排序的稳定性，必保持原有次序

1.4 时间成本

$$\begin{array}{rl}时间成本& =各趟桶排序所需时间之和\\ & =n+2m_1+n+2m_2+...+n+2m_d//m为各域k的取值范围\\ & =O(d\ast (n+m))//m=max\{m_1,...,m_d\}\end{array}$$

• 当m = O(n)且d可视作常数时，O(n)
• 在一些特定场合，Radixsort非常高效

1.5 实现（以二进制无符号整数为例）

typedef unsigned int U; //约定：类型T或就是U；或可转换为U，并依此定序 

template<typename T> void List<T>::radixSort( ListNodePosi p, int n ) { 
    ListNodePosi<T> head = p->pred; ListNodePosi<T> tail = p; 
    for ( int i = 0; i < n; i++ ) tail = tail->succ; //待排序区间为(head, tail) 
    for ( U radixBit = 0x1; radixBit && (p = head); radixBit <<= 1 ) //以下反复地 
        for ( int i = 0; i < n; i++ ) //根据当前基数位，将所有节点 
            radixBit & U (p->succ->data) ? //分拣为前缀（0）与后缀（1） 
                insert( remove( p->succ ), tail ) : p = p->succ; 
} //为避免remove()、insert()的低效率，可拓展List::move(p,tail)接口，将节点p直接移至tail之前

1.6 实例

2.整数排序

2.1 常对数密度的整数集

• 设d>1为常数

• 考查取自$[0,n^d)$内的n个整数

  • 常规密度$=n/n^d=1/n^{d-1}\to 0$
  • 对数密度 $=\ln n/\ln n^d=1/d=O(1)$

• 亦即，这类整数集的对数密度不超过常数

• 若取d=4，则即便是64位整数,也只需$n>(2^{64}{)}^{1/4}=2^{16}=65,356$

2.2 线性排序算法

• 预处理：将所有元素转换为n进制形式：$x=(x_d,...,x_3,x_2,x_1)$

• 于是，每个元素均转化为d个域，故可直接套用Radixsort算法
• 排序时间=d·(n+n)=P(n)
• 原因在于：
  • 整数取值范围有限制
  • 不再是基于比较的计算模式

六、计数排序

1.算法

• 以纸牌排序为例（n>>m=4），假设已按点数排序，以下对花色排序
  
• (1)经过分桶，统计出各种花色的数量 //O(n)
• (2)自前向后扫描各桶，依次累加 (cumulative sum, O(m)), 即可确定各套花色所处的秩区间：[0, 3) + [3, 5) + [5, 9) + [9, 11)

• (3)自后向前扫描每一张牌 (O(n)), 对应桶的计数减一，即是其在最终有序序列中对应的秩

2.实例