哈希（hash）理解

转载自https://www.cnblogs.com/mingaixin/p/4318837.html

一、什么是哈希？（一种更复杂的映射）

Hash，一般翻译做“散列”，也有直接音译为“哈希”的，就是把任意长度的输入，通过散列算法（哈希函数），变换成固定长度的输出，该输出就是散列值（哈希值）。这种转换是一种压缩映射，也就是，散列值的空间通常远小于输入的空间，不同的输入可能会散列成相同的输出（冲突），所以不可能从散列值来唯一的确定输入值。

映射是一种对应关系，而且集合A的某个元素只能对应集合B中的一个元素。但反过来，集合B中的一个元素可能对应多个集合A中的元素。如果B中的元素只能对应A中的一个元素，这样的映射被称为一一映射。这样的对应关系在现实生活中很常见，比如：

A  -> B

人 -> 身份证号

日期 -> 星座

这里的映射都是直接的映射，没有经过函数处理，而哈希就是经过哈希函数处理后的映射

先说明几个概念:

1. 键值（函数自变量）、哈希值（因变量）：

上面两个映射中，人 -> 身份证号是一一映射的关系。在哈希表中，上述对应过程称为hashing。A中元素a对应B中元素b，a被称为键值(key)，b被称为a的hash值(hash value)。

2.哈希表（存储映射关系）、哈希函数（映射法则f(x)）：

哈希表是从一个集合A到另一个集合B的映射。哈希表的核心是一个哈希函数(hash function)，这个函数规定了集合A中的元素如何对应到集合B中的元素

假设集合A中的元素的元素都是三位以上的整数，哈希函数f(x)的法则为取这个数的个位数作为哈希值，即f(x)=x%10;那么在哈希表中对应的关系就是a[x]=x*%10

3.冲突（碰撞）：

两个不同的键值，根据同一哈希函数计算出的哈希值相同的现象叫做冲突（碰撞）。

例如：a[122]=2,   a[123]=3,a[124]=4,   a[222]=2和a[122]=2的哈希值相同，产生冲突

二、常见的哈希函数

1.直接定址法：直接以关键字k或者k加上某个常数（k+c）作为哈希地址（哈希值）。

f(k)=k*a+b,其中a,b为合理的常数;

2.数字分析法：提取关键字中取值比较均匀的数字作为哈希地址。

例如有某些人的生日数据如下：

年. 月. 日

75.10.03

85.11.23

86.03.02

86.07.12

85.04.21

96.02.15

经分析,第一位，第二位，第三位重复的可能性大，取这三位造成冲突的机会增加，所以尽量不取前三位，取后三位比较好

3.除留余数法：如果知道Hash表的最大长度为m，可以取不大于m的最大质数p，然后对关键字进行取余运算，将所得余数作为哈希表地址。

f(k)=k%p,在这里p的选取非常关键，p选择的好的话，能够最大程度地减少冲突，p一般取不大于m的最大质数。

4.分段叠加法：按照哈希表地址位数将关键字分成位数相等的几部分，其中最后一部分可以比较短。然后将这几部分相加，舍弃最高进位后的结果就是该关键字的哈希地址。

假设知道图书的ISBN号为8903-241-23，可以将address(key)=89+03+24+12+3作为Hash地址。

5.平方取中法：如果关键字各个部分分布都不均匀的话，可以先求出它的平方值，然后按照需求取中间的几位作为哈希地址。

假如有以下关键字序列{421，423，436}，平方之后的结果为{177241，178929，190096}，那么可以分别取{72，89，00}作为{421，423，436}的Hash地址

6.伪随机数法：采用一个伪随机数当作哈希函数。

f(key)=random(key) ,其中random为随机函数。通常用于关键字长度不等时采用此法。

三、解决碰撞的方法

通过构造性能良好的哈希函数，可以减少冲突，但一般不可能完全避免冲突，因此解决冲突是哈希法的另一个关键问题。创建哈希表和查找哈希表都会遇到冲突，两种情况下解决冲突的方法应该一致。下面以创建哈希表为例，说明解决冲突的方法。常用的解决冲突方法有以下四种：

• 开放定址法：

开放定址法就是一旦发生了冲突，就去寻找下一个空的散列地址，只要散列表足够大，空的散列地址总能找到，并将记录存入。

这种方法也称再散列法，其基本思想是：当关键字key的哈希地址p=f（key）出现冲突时，以p为基础，产生另一个哈希地址p1，如果p1仍然冲突，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：f i=(f(key)+di)%m   i=1，2，…，n,其中f（key）为哈希函数，m 为表长，di称为增量序列。增量序列的取值方式不同，相应的再散列方式也不同。主要有以下三种：

1.线性探测再散列

di=1，2，3，…，m-1

这种方法的特点是：冲突发生时，顺序查看表中下一单元，直到找出一个空单元或查遍全表。

2.二次探测再散列

di=1²，-1²，2²，-2²，…，k²，-k²    ( k<=m/2)

这种方法的特点是：冲突发生时，在表的左右进行跳跃式探测，比较灵活。

3.伪随机探测再散列处理

di=伪随机数序列。

具体实现时，应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。

下面举例说明上述三种处理方法

假设已知哈希表长度m=11，哈希函数为：f（key）= key  %  11，则f（47）=3，f（26）=4，f（60）=5，假设下一个关键字为69，则f（69）=3，与47冲突。

如果用线性探测再散列处理冲突：

下一个哈希地址为f1=（3 + 1）% 11 = 4，仍然冲突，再找下一个哈希地址为f2=（3 + 2）% 11 = 5，还是冲突，继续找下一个哈希地址为f3=（3 + 3）% 11 = 6，此时不再冲突，将69填入5号单元。

如果用二次探测再散列处理冲突：

下一个哈希地址为f1=（3 + 1²）% 11 = 4，仍然冲突，再找下一个哈希地址为f2=（3 - 1²）% 11 = 2，此时不再冲突，将69填入2号单元。

如果用伪随机探测再散列处理冲突：

假设伪随机数序列为：2，5，9，……..，则下一个哈希地址为f1=（3 + 2）% 11 = 5，仍然冲突，再找下一个哈希地址为f2=（3 + 5）% 11 = 8，此时不再冲突，将69填入8号单元。

从上述例子可以看出，线性探测再散列容易产生“二次聚集”，即在处理同义词的冲突时又导致非同义词的冲突。例如，当表中i, i+1 ,i+2三个单元已满时，下一个哈希地址为i, 或i+1 ,或i+2，或i+3的元素，都将填入i+3这同一个单元，而这四个元素并非同义词。线性探测再散列的优点是：只要哈希表不满，就一定能找到一个不冲突的哈希地址，而二次探测再散列和伪随机探测再散列则不一定。

• 链地址法
  • 将哈希表的每个单元作为链表的头结点，所有哈希地址为i的元素构成一个同义词链表。即发生冲突时就把该关键字链在以该单元为头结点的链表的尾部。

这种方法的基本思想是将所有哈希地址为i的元素构成一个称为同义词链的单链表，并将单链表的头指针存在哈希表的第i个单元中，因而查找、插入和删除主要在同义词链中进行。若选定的散列表长度为m，则可将散列表定义为一个由m个头指针组成的指针数组T[0..m-1]。凡是散列地址为i的结点，均插入到以T[i]为头指针的单链表中。T中各分量的初值均应为空指针。链地址法适用于经常进行插入和删除的情况。

• 再哈希法
  • 当哈希地址发生冲突用其他的函数计算另一个哈希函数地址，直到冲突不再产生为止。

再散列法其实很简单，就是再使用哈希函数去散列一个输入的时候，输出是同一个位置就再次散列，直至不发生冲突位置

缺点：每次冲突都要重新散列，计算时间增加。

• 建立公共溢出区
  • 将哈希表分为基本表和溢出表两部分，发生冲突的元素都放入溢出表中。

这种方法的基本思想是：将哈希表分为基本表和溢出表两部分，凡是和基本表发生冲突的元素，一律填入溢出表.(注意：在这个方法里面是把元素分开两个表来存储)

四、简单应用

一、字符串哈希

介绍：关于字符串hash，一句话概括，就是把字符串有效的转化为一个整数，下面介绍一种转化方法：

进制哈希：

首先让我们先回想一下二进制数。

对于任意一个二进制数，我们将它化为10进制的数的方法如下（以二进制数1101101为例）：

进制hash用的也是一样的原理

假设两个较大的素数p和mod,把字符串内的每一个字母按前缀和的方式处理，每一次都乘以素数p，再加上当前字符str[i](转化成整数)，最后把求得的和对mod取模的值，就是转化后这个字符串对应的哈希值。

假设sum[0]=str[0]

sum[i]=( sum[i-1]*p+str[i] )%mod   (i>=1);

for example:

取p=13, mod=101,求字符串str=“abc"对应的整数

sum[0]=str[0]-'a'+1; 表示a映射1。

sum[1]=(sum[0]*13+(int)b)%101=15；表示ab映射15。

sum[2]=(sum[1]*13+(int)c)%101=97; 表示abc映射97。

这样，我们就可以记录下每一个字符串所对应的整数，若下一次出现一个字符串，查询整数是否出现过，就可以完成验证。

但是也有可能出现两个字符串对应一个整数。

调整方法(减少冲突)：

调整p和mod，取p和mod都为较大的素数。  p取6~8位素数，一般可取131或13331；mod一般取1e9+7或者1e9+9；

为什么要要用unsigned long long?

如果字符串很多呢？那样不是会溢出了吗？

因此我们把hash值储存在unsigned long long里面， 那样溢出时，会自动取余2的64次方，but这样可能会使2个不同串的哈希值相同，但这样的概率极低（不排除你的运气不好）。

注意：unsigned long long 数据精度很高，对格式的要求也更高，因此在做取模运算时，要注意使用一致的数据类型

简单应用题

/*
给定N个单词（每个单词长度不超过100，单词字符串内仅包含小写字母）。
请求出N个单词中共有多少个不同的单词。

输入
第1行包含1个正整数N。
接下来N行每行包含一个字符串。

输出
一个整数，代表不同单词的个数

样例输入
5
lalala
hahaha
haha
lalala
haha

样例输出
3

提示* N <= 10000000

    不同单词个数不超过100000

*/
#include<iostream>
#include<algorithm>
#include<string.h>
#define ull unsigned long long
using namespace std;
ull num[];
ull n,p=,mod=1e9+;
ull hs(string str)
{
    ull temp=str[];
    for(int i=;i<str.length();i++)
        temp=(temp*p+str[i])%mod;
    return temp;
}
int main()
{
    string str;
    cin>>n;
    for(int i=;i<n;i++)
    {
        cin>>str;
        num[i]=hs(str);
    }
    sort(num,num+n);
    int cnt=;
    for(int i=;i<n;i++)
    {
        if(num[i-]!=num[i])
            cnt++;
    }
    cout<<cnt<<endl;
    return ;
}

那么，对于一个字符串，怎么提取它[l,r]中的哈希值呢？ 

我们已经知道这个字符串每一个位置的哈希值，类似与前缀和，即sum[r] - sum[l],但是对于 r 位置的哈希值sum[r],包含它的前一部分（[0,l-1]部分），这一部分多乘了（r-l+1）个p

sum[r]=sum[l,r]+sum[l-1]*p^(r-l+1)

因此区间[l,r]的哈希值可以表示为

sum[l,r]=sum[r]-sum[l-1]*p^(r-l+1)

模板题：poj4300   https://www.cnblogs.com/-citywall123/p/10841081.html