Data structures 长尾分布中发生计数的数据结构

我有一个巨大的元素列表（数千万）。 我试图计算这些元素的几个子集的出现次数。 发生分布呈长尾分布

数据结构当前看起来像这样（在OCaml风格中）：

类型元素\u键
类型元素\u aggr\u键
输入原始数据=元素密钥列表
类型元素_stat=
{
出现：（element_key，int）Hashtbl.t；
}
类型统计=
{
element_stat_hashtable：（element_aggr_key，element_stat）Hashtbl.t；
}

元素_stat当前使用哈希表，其中键是每个元素，值是整数。但是，这是低效的，因为当许多元素只有一个引用时，引用哈希表会被调整多次大小。 我无法通过设置一个较大的初始大小来避免调整引用哈希表的大小，因为实际上有许多元素\ u stat实例（stat中哈希表的大小很大）

---

我想知道这个用例是否有更有效的（内存和/或插入）数据结构。我发现了很多现有的数据结构，比如trie、基数树、Judy数组。但是我很难理解它们之间的差异以及它们是否适合我的问题。

这里有一个表映射

element\u aggr\u key

到表，这些表依次映射

element\u key

到

int

。出于所有实际目的，这相当于将

element\u aggr\u key*element\u key

映射到

int

的单个表，因此您可以执行以下操作：

type stat = (element_aggr_key * element_key, int) Hashtbl.t

---

然后，您有一个单独的哈希表，您可以给它一个巨大的初始大小。

您只是担心调整大小，还是将其视为真正的性能瓶颈？总的来说，我相信，调整大小会增加一个日志因素。调整大小在开始时经常发生，但当时表很小。后来，这种情况几乎从未发生过。我有过一次调整尺寸成本很高的经历。不过，我没有任何数字。我还知道，在一次出现大量密钥（大约一百万）的特殊情况下（参见长尾分布），会发生调整大小的情况。