Algorithm 哈希表v/s树

哈希表总是比树快吗？虽然哈希表具有O（1）搜索复杂度，但假设由于设计不当的哈希函数而发生大量冲突，并且如果我们使用链式结构（例如平衡树）处理冲突，则最坏的搜索运行时间为O（logn）。因此，我可以得出结论，对于大数据集或小数据集，即使在最坏的情况下，哈希表也总是比树快？另外，如果我有足够的内存，并且不需要范围搜索，我是否可以始终使用哈希表？

使用哈希表，并使用适当的维度初始化它。例如，如果您仅使用半个空格，则碰撞非常少。

在最坏的情况下，hast表中的时间为O（n）但是这比现在写太阳爆炸的可能性要小几十亿，所以当使用一个好的散列函数时，你可以安全地假设它在O（1）中工作，除非太阳爆炸。
另一方面，哈希表和树的性能可能因实现、语言和月相而异，因此对这个问题的唯一好答案是“两者都尝试，思考并选择更好的”

哈希表总是比树快吗

不，不总是。这取决于许多因素，例如集合的大小、哈希函数，对于某些哈希表实现，还取决于删除操作的数量

哈希表平均每个操作都是

O（1）

，但情况并非总是如此。在最坏的情况下，它们可能是

O（n）

我现在可以想到一些喜欢树木的原因：

订购很重要。[哈希表不维护顺序，BST按定义排序]

是一个问题-您不能承受可能发生的

O（n）

。[这对于实时系统可能至关重要]

这些数据可能与您的散列函数“相似”，并且散列到相同位置的许多元素[冲突]不是不可描述的。[这有时可以通过使用不同的哈希函数来解决]

对于相对较小的集合，哈希表的

O（1）

之间的隐藏常量比树的隐藏常量高很多倍，对于较小的集合，使用树可能更快

---

但是-如果数据量很大，延迟不是问题，冲突也不可预测-哈希表比使用树渐进地好。

如果由于哈希函数设计不当，会发生很多冲突，如果我们使用链式结构（比如平衡树）处理冲突那么最坏的搜索运行时间是O（n）（而不是O（logn））。因此，即使在最坏的情况下，您也无法得出大数据集或小数据集的结论。哈希表总是比树快。

我不是专家，但我认为这是情境性的。很多散列函数都很昂贵，对于某些访问模式来说，树是很好的。“总是”是一个非常大的包罗万象的词。您是否有可能编辑此问题，将其简化为更具体的内容，例如特定场景（仅限）？否则，它几乎肯定会被关闭为非建设性的。这里的很多人都提到，最坏的情况是O（N）。如果使用平衡树结构而不是链表来处理冲突，那么它怎么可能是O（n）呢。在像AVL这样的平衡树上进行搜索的最坏情况是O（logn）@avinashah您可以通过使用其他溢出数据结构来减少最坏情况下的搜索情况，但您不能免费获得

O（lgn）

search。它是以

O（lgn）

insert为代价的，因为您现在正在插入一个树或类似的树，在最坏的情况下，它包含所有元素。在几乎所有的应用程序中，折衷是不值得的。通常情况下，由于缓存的一致性（无论是从主内存还是从磁盘），仔细打包的树可能会比哈希表执行得更好。在这种情况下，不管您有多少数据，哈希表可能不是您的最佳选择，这取决于您如何使用字典结构。什么哈希表？打开寻址哈希表还是“Bucket”哈希表？是否进行增量调整？还是基于线性哈希？散列表的实现太多了！你的答案对其中一些是错误的，所以请准确一点。@MatthieuM.：对于几乎所有的哈希表来说，这些都是传统的缺点，即使使用开放寻址或链接作为“bucket”的简单数组。排序是一个缺点，因为散列不能保证保留顺序。延迟是最坏情况下的一个问题（如果由于某些限制，您无法承受任何

O（n）

ops，这是一个问题），类似的哈希值实际上不是一个退步，因为它可以通过选择不同的哈希函数轻松解决，如果我没记错的话，大小问题通常是由于哈希函数开销造成的。你有什么特别的问题？@amit:不，没有（除了点餐……显然）。例如，延迟在这里定义不清。我可以用哈希表（使用增量调整大小）保证O（1）插入，而对于BST，我将有常规的重新平衡操作，所以在最坏的情况下是O（logn）。O（1）但查找无法保证；但是我可以通过使用BST作为bucket结构来获得O（logn）。小型集合同样可以从开放寻址哈希表中获益：每个节点的开销更小，单块分配=>比BST更好的CPU缓存行为！所以并不是所有的注释都适用于所有的实现。@MatthieuM.：好的，我明白你的意思了。事实上，没有什么灵丹妙药，是的，有一些解决“传统”DS（如BST作为bucket）某些问题的方法，确实没有一种方法同样适用于所有的DS，但在为您的设置选择DS时，应该考虑这些问题。