字符串上的 GroupBy（哈希码冲突）答案

【问题标题】：GroupBy on strings (hashcode collision)字符串上的 GroupBy（哈希码冲突）
【发布时间】：2013-07-26 09:19:56
【问题描述】：

我有一个字符串数组（大约 2000 个），我想使用 IEnumerable.GroupBy 对相等的字符串进行分组。

问题是虽然有很多散列冲突，例如“mysteriously”和“well”。这可能是因为 GroupBy 使用了 GetHashCode()，它返回的 int 太小（或者 String 类的 GetHashCode 函数没有很好地实现）。

我想你可以尝试实现一个重写的 GetHashCode 函数或定义一个自定义 IEqualityComparer 并使用不同的哈希码，但没有任何方法可以直接比较它们或不同？我知道这需要更长的时间，但少量是可以接受的。我该如何解决这个问题？

【问题讨论】：

GetHashCode 与 Equals一起工作。它只是为了帮助实现一个基于哈希的 Map 并且可以显示 non-equality 但它不能证明相等。标准的 String.GetHashCode 应该可以很好地实现这个目的（请提供一个链接来支持“尚未很好地实现”）：一个整数可以表示超过 2000 个值，偶尔的冲突无关紧要。你不能继承 String，但你可以使用 IEqualityComparer .. 虽然我不知道为什么。
另外，关于 "mysteriously".GetHashCode() == "well".GetHashCode() 的断言在 .NET 4.5 中是错误的——我不知道其他版本，但我会感到非常惊讶如果任何 .NET 生成的字符串哈希代码如提示的那样“绝对糟糕”。（但是，请记住，哈希算法可以成为冲突攻击的目标：这与导致相同哈希码的随机输入有很大不同。这些攻击，实际上是一般的“重复哈希”，会影响性能，但不会影响正确性。）
是的，很抱歉，我将每个组中的所有字符串都打印出来了，但我没有想到的是字符串可以包含多行，因此看起来像是匹配，调试不好我猜对了！
很高兴问题解决了：D

标签： c# linq

【解决方案1】：

字符串上的 GroupBy 只会将相等的字符串组合在一起，无论它们是否具有相同的哈希码。由于 GroupBy 在后台使用哈希表，许多具有相同哈希码的不同字符串可能会稍微降低性能，但仍会给出正确的答案。

为了向自己证明这一点，请注意，即使使用具有糟糕散列函数的自定义 IEqualityComparer，GroupBy 也能很好地工作：

void Main()
{
    var groups = new[] { "a", "a", "b", "b", "c", "c" }.GroupBy(s => s, new BadComparer())
        .Select(g => string.Join(",", g))
        .ToArray();
    Console.WriteLine(string.Join(Environment.NewLine, groups));
    // this prints:
    // a,a
    // b,b
    // c,c      
}

public class BadComparer : IEqualityComparer<string> {
    public bool Equals(string a, string b) { return a == b; }
    public int GetHashCode(string s) { return 0; }
}

还要注意，按字符串本身而不是按其哈希码进行分组很重要：

myStrings.GroupBy(s => s) // works

myStrings.GroupBy(s => s.GetHashCode()) // doesn't work

【讨论】：

嗯，这很奇怪，我在这里有一个证据，GroupBy 给了我一个无效的组，但如果我测试单个数组中的单词它们将不匹配，请稍等