改进哈希表的插入时间 - C++

Question

我正在为一个类创建一个哈希表，并且我正在尝试提高插入速度。在我的实现中，我使用了链接。向量承载字符串列表。我必须从字典中插入超过 350,000 个单词到哈希表中（我大学计算机系的 /usr/share/dict/words 中的“单词”）。

这是我的哈希表。作业可能需要任何奇怪的命名约定（例如 MyDS）：

#ifndef _MYDS_H
#define _MYDS_H

#include "MyHash.h"
#include <string>
#include <vector>
#include <list>
#include <iostream>

using namespace std;

class MyDS
{
public:
    MyDS()
    {
        max_size = 128;
        size = 0;
        nodes.resize(max_size);
    }

// destructor

// copy constructor

// assignment operator

    void push(const string& s)
        {
            unsigned long hash = MyHash()(s) % max_size;
            list<string> & hashList = nodes[hash];

            hashList.push_back(s);

            if (++size > nodes.size())
            {
                max_size *= 4;
                rehash();
            }
        }

bool search(const string& s)
{
    unsigned long hash = MyHash()(s) % max_size;
    list<string>::iterator it = nodes[hash].begin();

    for (int i = 0; i < nodes[hash].size(); i++)
    {
        if (*it == s)
        {
            return true;
        }
        *it++;
    }

    return false;
}
private:
    void rehash()
    {
        unsigned long hash;
        list<string>::iterator it;
        vector < list<string> > newNodes = nodes;
        newNodes.resize(max_size);

        for (int i = 0; i < nodes.size(); i++)
        {
            if (nodes[i].size() > 0)
            {
                it = nodes[i].begin();
                hash = MyHash()(*it) % max_size;
                newNodes[hash] = nodes[i];
            }
        }

        nodes = newNodes;
    }

    vector< list<string> > nodes;
    int max_size;
    int size;
};

#endif

我使用的散列函数是 djb2。我的搜索功能和插入似乎都非常快。重新散列需要很长时间。

如果有更好的方法来设置我的哈希表，请告诉我。我在做这个项目时使用的数据结构不受限制。

Answer 1

停止复制所有这些字符串，只是为了在一分钟后看着它们燃烧。试试这个：

void rehash()
{
    std::vector<std::list<std::string>> newNodes(max_size);

    for (auto & bucket : nodes)
    {
        for (auto it = bucket.begin(); it != bucket.end(); )
        {
            std::list<std::string> & newBucket = newNodes[MyHash()(*it) % max_size];
            newBucket.splice(newBucket.end(), bucket, it++);
        }
    }

    nodes.swap(newNodes);
}   //    ^^^^^^^^^^^^^^

这也修复了实际上没有重新散列的损坏的“重新散列”。

Answer 2

    if (nodes[i].size() > 0)
    {
        it = nodes[i].begin();
        hash = MyHash()(*it) % max_size;
        newNodes[hash] = nodes[i];
    }

我认为这些是不正确的。 nodes[i] 中的元素应该分布到更大表中的不同节点中。 因此，您需要重新计算每个元素的哈希值，而不仅仅是第一个元素。

Answer 3

您可能不想在节点数量等于大小时重新散列所有内容。附带说明一下，每当您将字符串添加到表中时，您都会增加大小，因此即使一个存储桶中有一个包含 128 个字符串的列表并且所有其他存储桶仍然是空的，您可以调整存储桶的数量，您确定这是逻辑吗你打算？我建议围绕 n 个桶的平方根进行分配，而不是重新散列。如果您使用了良好的哈希函数，则字符串到桶中的分布将相当均匀，并且查找时间根本不会受到太大影响。

Answer 4

“如果有更好的方法来设置我的哈希表，请告诉我。我在执行此项目时使用的数据结构不受限制。”

在这种情况下，使用现有的 hashmap，例如 std::unordered_map 或 std::hash_map。我相信你在课堂上会不及格，但在现实生活中你会得到及格