hash演算法就是一種壓縮對映，壓縮到有鍊表頭函式組成的固定長度陣列中。上實際例子：
例1：100萬條簡訊，有重複，以文字形式儲存，一行一條。找出重複最少的前十條。
解法：雜湊表+推排序。
步驟一：統計重複次數，
建立資料節點：
struct hashnode
node;
hash函式：
int hashfuc(char const *p)
return value%10;//對映的關鍵語句
}圖表說明:
左邊很明顯是個陣列，陣列的每個成員包括乙個指標，指向乙個鍊錶的頭，當然這個鍊錶可能為空，也可能元素很多。我們根據元素的一些特徵把元素分配到不同的鍊錶中去，也是根據這些特徵，找到正確的鍊錶，再從鍊錶中找出這個元素。
注：常用hash函式構造法：
1，除法雜湊法
最直觀的一種，上圖使用的就是這種雜湊法，公式：
index = value % 16
學過彙編的都知道，求模數其實是通過乙個除法運算得到的，所以叫「除法雜湊法」。
2，平方雜湊法
求index是非常頻繁的操作，而乘法的運算要比除法來得省時（對現在的cpu來說，估計我們感覺不出來），所以我們考慮把除法換成乘法和乙個位移操作。公式：
index = (value * value) >> 28（右移，除以2^28。記法：左移變大，是乘。右移變小，是除。）
如果數值分配比較均勻的話這種方法能得到不錯的結果，但我上面畫的那個圖的各個元素的值算出來的index都是0——非常失敗。也許你還有個問題，value如果很大，value * value不會溢位嗎？答案是會的，但我們這個乘法不關心溢位，因為我們根本不是為了獲取相乘結果，而是為了獲取index。
時間複雜度：o(n)
步驟二：
演算法二：部分排序
題目要求是求出top 10，因此我們沒有必要對所有的簡訊都進行排序，我們只需要維護乙個10個大小的陣列，初始化放入10個簡訊，按照每個簡訊的統計次數由大到小排序，然後遍歷這100萬條記錄，每讀一條記錄就和陣列最後乙個簡訊count對比，如果小於這個count，那麼繼續遍歷，否則，將陣列中最後一條資料淘汰，加入當前的簡訊。最後當所有的資料都遍歷完畢之後，那麼這個陣列中的10個query便是我們要找的top10了。
不難分析出，這樣，演算法的最壞時間複雜度是n*k， 其中k是指top多少。
演算法三：堆
在演算法二中，我們已經將時間複雜度由nlogn優化到nk，不得不說這是乙個比較大的改進了，可是有沒有更好的辦法呢？
分析一下，在演算法二中，每次比較完成之後，需要的操作複雜度都是k，因為要把元素插入到乙個線性表之中，而且採用的是順序比較。這裡我們注意一下，該陣列是有序的，一次我們每次查詢的時候可以採用二分的方法查詢，這樣操作的複雜度就降到了logk，可是，隨之而來的問題就是資料移動，因為移動資料次數增多了。不過，這個演算法還是比演算法二有了改進。
基於以上的分析，我們想想，有沒有一種既能快速查詢，又能快速移動元素的資料結構呢？回答是肯定的，那就是堆。
借助堆結構，我們可以在log量級的時間內查詢和調整/移動。因此到這裡，我們的演算法可以改進為這樣，維護乙個k(該題目中是10)大小的小根堆，然後遍歷300萬的query，分別和根元素進行對比。
思想與上述演算法二一致，只是演算法在演算法三，我們採用了最小堆這種資料結構代替陣列，把查詢目標元素的時間複雜度有o（k）降到了o（logk）。
那麼這樣，採用堆資料結構，演算法三，最終的時間複雜度就降到了n『logk，和演算法二相比，又有了比較大的改進。
總結：參考：從頭到尾測底解決雜湊
演算法學習 雜湊表
雜湊表 hash table，也叫雜湊表 是根據鍵 key 而直接訪問在記憶體儲存位置的資料結構。也就是說，它通過計算乙個關於鍵值的函式，將所需查詢的資料對映到表中乙個位置來訪問記錄，這加快了查詢速度。這個對映函式稱做雜湊函式，存放記錄的陣列稱做雜湊表。雜湊函式 hashfunction 若關鍵字為...
演算法學習 雜湊表及雜湊查詢
基於樹等的查詢方法，都是通過一系列對比來查詢的，查詢效率由比較一次所縮小的查詢範圍決定。而理想的查詢情況是直接根據關鍵碼得到其對應的資料元素位置。原理 將待儲存元素經過某一函式特定轉換為乙個值，將這個值作為位址，將這個待儲存元素存入這個位址中。當要查詢時，則將待查詢的元素經過同一轉換函式得到乙個轉換...
雜湊表與雜湊演算法學習筆記
雜湊表 於陣列具有下標隨機訪問特性，理解這點非常重要。可以說雜湊表是由陣列進化來的。將輸入的鍵通過雜湊函式對映得出的value作為index去table中查詢，這便是雜湊的思想。graph lr a 鍵值key 雜湊函式 b 結果value 我們了解到為什麼雜湊表的查詢複雜度是o 1 因為key v...