大家好呀，我是你们的大帅蛋。
之前我在讲数组的时候说过：要查一个数在数组中的位置，那可是太费劲了，只能从头开始一个个的比较，直到找到相等的才算完事。
这个方法，说实话也太笨了，简直不是我这种懒人应该做的事。
就不能有种方法直接看到这个数，就直接在数组中查到位置嘛？！
诶，你别说，还真有。
因为总有比我更懒的，蛋蛋懒是只能躺着，人家大佬懒是直接动手解决，果然那句”懒是第一生产力“，诚不我欺！
这个就是我今天要给小婊贝们讲的：哈希表。
哈希表
哈希表，别名儿叫散列表，洋名儿叫 Hash Table。
我在上面讲，希望有种方法，直接看到数，就知道它在数组中的位置，其实里就用到了哈希思想。
哈希思想就是说不用一些无用的比较，直接可以通过关键字 key 就能找到它的存储位置。
我来举个场景，可能更清楚点：
狗蛋班有 40 个学生，每个学生的学号由入学年份 + 年级 + 班级 + 编号组成，例如 2021210129 是 2021 年入学的 21 级 01 班的 29 号同学。
现在有个需求：我们需要快速找到某个同学的个人信息。
那这个时候我们就要建立一张表，按理来说我要是想要知道某个同学的个人信息，其实就知道学号就好了，但是在这不行，学号的值实在太大了，我们不能把学号当作下标。
学号不可以，那啥可以？我们定睛一看，咦，编号可以呀，编号是从 1 ~ 40。
那咋取到编号？不就是学号对 2021210100 取余就 ok 了嘛。
此时，如果我们想查学号为 2021210129 的学生个人信息，只要访问下标为 29 的数据即可。
其实这就可以在时间复杂度为 O(1) 内解决找到。
秒男实锤。
用公式表示就是：存储位置 = f(关键字)。
这里的 f 又叫做哈希函数，每个 key 被对应到 0 ~ N-1 的范围内，并且放在合适的位置。
在上面的例子中 f(key) = key % 2021210100。
存储时，通过同一个哈希函数的计算 key 的哈希地址，并按照此哈希地址存储该 key。
最后形成的表就是哈希表，它主要是面向查找的存储结构，简化了比较的过程，提高了效率。
哈希示例
上面看明白的话，那再举个小例子加深点印象。
有个 n = 10 的数组，哈希函数 f(key) = key % 10，将 4，10，11，19，29，39 散列到数组中。
哈希函数确定后，剩下的就是计算关键字对应的存储位置。
1. 4 % 10 = 4，所以将 4 放入下标为 4 的位置。
2. 10 % 10 = 0，所以将 10 放入下标为 0 的位置。
3. 11 % 10 = 1，所以将 11 放入下标为 1 的位置。
4. 19 % 10 = 9，所以将 19 放入下标为 9 的位置。
5. 29 % 10 = 9，所以将 29 放入下标为 9 的位置。
但是现在问题来了，下标为 9 的这个坑已经被 19 占了，这 29 计算出来的下标冲突了。
这种情况有个学名，叫：哈希（散列）冲突。
处理哈希冲突
对于两个不相等的关键字 key1 和 key2，若 f(key1) = f(key2)，这就是哈希冲突。
key1 占了坑，那 key2 只能想别的办法，啥办法呢？
一般处理哈希冲突有以下几种办法：
- 开放定址法
- 再哈希（散列）函数法
- 链地址法
- 。。。
开放定址法
开放定址法就是：一旦发生冲突，就选择另外一个可用的位置。
开放定址法有 2 个最常用的策略：
- 线性探测法
- 二次探测法
线性探测法
线性探测法，顾名思义，直来直去的探测。
且看它的公式：
f(key) = (f(key) + di) % m (di = 1, 2, 3, ... , m-1)。
我还是用“哈希示例”中的例子：
n = 10 的数组，哈希函数 f(key) = key % 10，将 4，10，11，19，29，39 散列到数组中。
到了 29 的时候，29 % 10 = 9。
但此时下标 9 已经有了元素 19，所以此时探测下一个位置 (9 + 1) % 10 = 0。
下标为 0 的位置上已经有了元素 10，所以继续探测下一个位置 (9 + 2) % 10 = 1。
下标为 1 的位置上也有了元素 11，所以还得继续探测下一个位置 (9 + 3) % 10 = 2。
下标为 2 的位置上总算是空的，因此 29 找到了家：
不知道你发现了没，对于 29 这个来说，本来只是和 19 冲突，整着整着和 10，11 也冲突了。
这样就使得每次要处理好几次冲突，而且这样会出现大量数字聚集在一个区域的情况，大大降低了插入和查找的效率。
后来不知道哪个大佬在线性的基础上做了改进，捣鼓出二次探测法。
二次探测法
二次探测法就是把之前的 di 整成了平方，公式如下：
f(key) = (f(key) + di) % m (di = 1², -1², 2², -2², ..., q², -q², q ≤ m/2)
比如对于 29 来说，下标为 9 的位置上呆了19，所以此时探测下一个位置 (9 + 1²) % 10 = 0。
下标为 0 的位置上占了元素 10，那下一次就探测上一个位置 (9 - 1²) % 10 = 8。
下标为 8 的位置上空着，直接占住：
再哈希（散列）函数法
再哈希的话，就是不只是一个哈希函数，而是使用一组哈希函数 f1(key)、f2(key)、f3(key)....。
当使用第一个哈希函数计算到的存储位置被占了，那就用第二个哈希函数计算，反正总会有一个散列函数能把冲突解决掉。
依次类推，直到找到空的位置，然后占住。
当然这种方法不会出现大量数字聚集在一个区域的情况，但这种情况明显增加了计算的时间。
链地址法
是谁说出现冲突后只能找别的坑位的，几个人蹲一个坑它不香嘛。
可能真的有巨佬觉得香，然后就整出了链地址法。
链地址法呢是将得出同一个结果的 key 放在一个单链表中，哈希表存储每条单链表的头指针。
还是用老例子：n = 10 的数组，哈希函数 f(key) = key % 10，将 4，10，11，19，29，39 散列。
最后得到如下图：
你看，链地址法就不会出现此坑被占，就得去找别的坑的情况。
大家一起蹲，这样就绝不会出现找不到地址的情况，而是直接插到对应的单链表中即可，所以插入的时间复杂度为 O(1)。
当然有得必有失，这样的情况必然造成了查找上的性能损耗，这里的查找的时间复杂度为 O(k)，其中 k = n / 单链表条数。
好啦，到这里哈希表就讲完辣，是不是看起来还挺简单的。
哈希表作为非常高高高高高效的查找数据结构，丢掉了关键字之间反复无意义的比较，直接一步到位查找结果，非常顶。
这么看来它处理冲突啥的这点屁事就显得不是那么烦人了，毕竟有得有失才对嘛。
希望小婊贝们看完就能学会，如果有什么问题我们留言区见。
顺便大家不要忘记我的点赞在看呀，么么哒。
我是蛋蛋，我们下次见～
