数据结构与算法_哈希散列算法的Python实现与查找排序算法的总结

数据结构和算法是计算机技术的基本功之一,北京大学的课程深入浅出,使用Python作为载体简化了编程难度。最近浏览了52-58,主要内容是散列算法(即哈希算法)的Python实现,也涉及到区块链算法的基础知识。

Hashing散列

查找复杂度为O(1)。哈希表(散列表)是一种数据结构,其中数据项的存储方式尤其有利于查找定位。每一个存储位置称为槽slot,每个槽有唯一的名称。在插入数据项之前,值为空。实现从数据项到存储槽名称的转换的,成为散列函数 hash function。
散列函数接受数据项作为参数,返回整数值0-10,表示数据项存储的槽号(名称)。假设数据项为54.26.93.17.77.31,一种常见的散列方法是求余数,将数据项除以散列表的大小,得到的余数作为槽号。原因是:返回槽号必须在散列表大小范围内。

def a1(item):
    return item%11

占据了6个位.
要查找就无比简单:使用同一个哈希函数,看一下返回槽号中是否有数据项即可,这就是O(1)复杂度的查找算法。

【冲突collision】,求到同一个余数怎么办?

完美散列函数,定义:给定一组数据项,如果一个散列函数能把每个数据项映射到不同的槽中,那么这个散列函数就是【完美的哈希函数】。但如果数据项经常变动,则很难有一个系统性方法来设计完美的散列函数。得到完美散列函数的方法:
一种方法使扩大散列表的容量,大到所有可能出现的数据项都能够占据不同的槽-这方法对于可能数据项范围。
过大的情况并不适用,11位手机号要求百亿个槽-impossible。
退而求其次:冲突尽量少,计算难度低、充分分散数据项。
散列技术还用在信息处理的很多领域,由于完美散列函数能够对于任何不同的数据生成不同的散列值
如果将散列值当作数据的指纹或者摘要,这种特性被广泛应用在数据的一致性校验上
【完美散列函数】特征:由任意长度的数据生成【唯一】长度固定的指纹,在一定数量范围内是可能的
【压缩性】:无穷大的数据也是这个
【易计算性】:得到哈希值容易,而反推元数据不可能
【抗修改性】:对原数据的微小变动,都会引起哈希值的极大改变
【抗冲突性】:找到对应同一个哈希的两个元数据是非常困难的
MD5函数:Message Digest将任何长度的数据变换为固定长为128位-16字节的摘要。
SHA 函数:Secure Hash Algorithm是另一组散列函数 SHA-0/1输出哈希值160位。SHA-256/224 输出256位,224位,还有512.384等。160位二进制相当于10的48次方,水分子数量是10的47次方,宇宙所有基本例子大约是72-87次方。
Python自带hashlib,包括了md5,sha1,sha224,sha256,sha384,sha512等6种哈希函数。

import hashlib
print(hashlib.md5("Hello world!".encode("utf-8")).hexdigest())
#用update方法对任意长的数据分部分来计算
m=hashlib.md5()
m.update("hello world".encode("utf-8"))
m.update("sasd".encode("utf-8"))
m.update("22".encode("utf-8"))
print(m.hexdigest())#这样不管多大的数据都不会有内存不足问题

应用1
完美哈希函数用于文件一致性判断,为每个文件计算哈希值,对比哈希值可知文件是否一致。用于网络文件下载完整性校验,用于文件分享系统,网盘中相同文件不需要存储多次。
应用2
加密形式保存密码,仅保存密码的哈希值,用户输入密码后计算哈希值并比对
无需保存密码的明文即可判断用户是否输入了正确的密码。
应用3 防文件篡改; 4 彩票投注结果提前公布;

Blockchain

区块Blocks由头head和体body组成,每一个区块头记录了生成时间,前一个block的哈希值。
由于hash抗修改,对某个区块数据的改动必然引起散列值的变化,就需要修改之后所有的区块。
Bitcoin的工作量证明机制下,51%算力才可以执行这种攻击。Bitcoin是10分钟一个区块。
矿工不惜耗费算力计算新区块的hash,最先找到的才能得到新区块。
BItcoin算法设计成有难度系数的问题,矿工需要找到一个数值Nonce,把它跟整个区块数据一起计算哈希,这个哈希值必须小于target才是有效的散列值。
每4年奖励的比特币减半。

哈希函数设计

折叠法:
将数据项按照位数分为若干段,再将几段相加,最后对【散列表大小-槽数】求余,得到散列值
隔数反转的步骤,或可微调分布,作为补充手段
平方取中法:
平方数中间两位对槽数求余
对非数字:
字符转为ASC2码,求和再求余

def hash(astring,tablesize):
    sum=0
    for pos in range(len(astring)):
        sum=sum+ord(astring[pos])#ord()函数返回字符的ASC2码
    return sum%tablesize

print(hash("hello",12))

对变位词输出相同哈希值-改进,加入位置权重,如+1+2+3。
基本原则:计算要简单,否则还不如用二分查找。

冲突解决solution of collisions

如果两个数据项被散列映射到同一个槽,需要一个系统化的方法在哈希表中保存第二个数据项
这个过程称为解决冲突。完美哈希函数没有此问题,根据定义。
【开放定址】
方法1:为冲突数据项再找一个空槽,从冲突槽开始向后遍历,没有的话再从头遍历-寻找空槽-开放定址法,open addressing
逐个槽寻找-linear probing线性探测。
在查找时,也要进行顺序查找,直到碰到空槽返回失败。
缺点:clustering连锁式影响其他数据项的插入
改进:跳跃式探测,例如步长改为+3;quadratic probing +1+4+9...
再哈希rehashing;rehash(pos)=(pos+1)%sizeoftable, 跳跃则加n。注意n不能被size整除,可以取size为素数如11,13,17
【数据项链Chaining】
将槽扩大为容纳数据项集合/对数据项链表的引用
缺点:查找时需要遍历集合,查找时间会增加

映射-抽象数据类型 Map

Python最有用的数据类型之一是字典,可以保存key-data键值对的数据类型。
这种键值关联的方法成为映射Map,Map的结构是键值的无序集合,快速查找。
Python实现Map数据结构:

Map()
put(key,val)
get(key) return value
len() return number of key-value connections
in return True/False key in map

可以列表数据结构加顺序查找或者二分查找
更合适的是使用前述的哈希表实现,这样可以达到最快O(1)的性能
接下来示例使用哈希表class实现map类:slot列表保存key,平行的data列表用于保存数据项
找到一个key的位置后,再data[key]得到对应的值。key表为哈希表

class HashTable:
    def __init__(self):
        self.size=11#素数
        self.slots=[None]* self.size
        self.data=[None]* self.size
    
    def hashfunction(self,key):
        return key%self.size

    def rehash(self,oldhash):
        return (oldhash+1)%self.size

    def put(self,key,data):
        hashvalue=self.hashfunction(key)#注意self.def1
        if self.slots[hashvalue]==None:
            self.slots[hashvalue]=key
            self.data[hashvalue]=data
        else:
            if self.slots[hashvalue]==key:
                self.data[hashvalue]=data #原地更新
            else:
                #哈希冲突,两个不同的key值得到了同一个哈希值
                nextslot=self.rehash(hashvalue)
                while self.slots[nextslot]!= None and self.slots[nextslot]!=key:
                    nextslot=self.rehash(nextslot)#不断再哈希运算直到找到空位置或找到key值
                if self.slots[nextslot]==None:#找到空位
                    self.slots[nextslot]=key
                    self.data[nextslot]=data
                else:#找到key
                    self.data[nextslot]=data#原衍生地更新

    def get(self,key):
        startslot=self.hashfunction(key)
        data=None
        stop=False
        found=False
        position=startslot
        while self.slots[position]!=None and not found and not stop:#写法值得借鉴
            if self.slots[position]==key:
                found=True
                data=self.data[position]
            else:
                position=self.rehash(position)
                if position==startslot:
                    stop=True#遍历完成
        return data
    
    def __getitem__(self,key):#实现可以通过map[key]访问value
        return self.get(key)

    def __setitem__(self,key,data):#类上
        return self.put(key,data)

在最好情况下,哈希算法提供O(1)查找性能,冲突会导致开销。使用负载因子衡量冲突大小。
如果负载因子较大,散列表填充较满,槽里数据较多。

排序与查找算法总结

【查找算法】
在有序表或者无序表上顺序查找,时间复杂度为O(n)。
在有序表上二分查找,最差为O(logn)。
哈希表/散列表可以O(1)查找。
【排序算法】
冒泡、选择、插入排序是O(n2),谢尔排序在插入排序基础上递增子表排序,复杂度。
在n与n2之间,归并是nlogn,需要空间开销,快排最好是nlogn,在不均衡数据上退化为n2。
冒泡中如果没有发生移位,短路,可以提前退出。-实际却更慢?!
原因:如果使用random.shuffle获取数据测试,每一个数据都不给短路算法发挥的空间,因此更慢。
shuffle会把数据打乱到最乱的程度。

你可能感兴趣的:(数据结构与算法_哈希散列算法的Python实现与查找排序算法的总结)