哈希表和冲突处理
目录
前言
散列表
散列表的构造
直接定址法
除留余数法
如何选择
散列冲突
装填因子
冲突影响因素
冲突解决方法
线性探测法
查找
删除
平方探测（二次探测法）
查找
删除
拉链法
前言
哈希表也被称作为散列表，下面以散列表来表示
散列表
关键字通过一个函数与数组的下标形成某种映射关系，这种函数被称作为散列函数(哈希函数)，这个数组称作为散列表，类似python中的字典。
例如：学生类中，以学号为关键字key，那么通过散列函数映射到数组中的下标，这就是散列表
散列表的构造
直接定址法
除留余数法
如何选择
散列冲突
装填因子
冲突影响因素
冲突：会影响散列表的效率，尽可能减少冲突，无法避免冲突
影响因素：散列函数、装填因子、处理冲突方式
冲突解决方法
线性探测法和二次探测法统称为开发地址法（再散列法）
基本思想是：当关键字key的哈希地址p=H(key)出现冲突时，以p为基础，产生另一个哈希地址p1，如果p1仍让冲突，再以p为基础，产生另一个哈希地址p2，……，直到找出一个不冲突的哈希地址pi，将相应元素存入其中。这种方法有一个通用的再散列函数形式：
Hi = ( H(key) + di ) % m 【i = 1，2，3，……，n】
其中 H(key) 为哈希函数，m为表长，di为增量序列。增量序列取值不同，相应的再散列方式也不同。除了线性探测法，二次探测法，还有伪随机探测再散列
线性探测法
冲突后依次探测下一个位置，直到遇到空闲位置。表尾的下一个位置是表首
问题：那么这样如果填满整个列表，岂不是会一直死循环下去？
回答：是的。但是我们一般不会填满整个列表，在装填因子大于0.75时候会扩充数组
查找
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
删除
删除标记不影响查找和插入
平方探测（二次探测法）
查找
删除
伪随机探测再散列
di = 伪随机序列。具体实现时候，应该建立一个伪随机数发生器（如 i = (i+p) % m )，并给定一个随机数做起点
例如：已知散列表长度m=11，散列函数为：H(key) = key % 11，则H(47) = 3，H(60) = 5，假设下一个关键字为69，则H(69) = 3，与47冲突。
此时，伪随机数序列为2，5，9，……，则下一个散列地址为H1 = (3+2) % 11 = 5，仍然冲突，再找下一个哈希地址H2 = (3+5) % 11 = 8，此时不冲突，将69填入8号单元。
拉链法
把所以映射到同一个位置(同义词)的关键字用链表串起来
