Hash是把锋利的刀子，处理海量数据时经常用到，大家可能经常用hash，但hash的有些特点你是否想过、理解过。我们可以利用我们掌握的概率和期望的知识，来分析Hash中一些有趣的问题，比如：
- 平均每个桶上的项的个数
- 平均查找次数
- 平均冲突次数
- 平均空桶个数
- 使每个桶都至少有一个项的项个数的期望
本文hash的采用链地址法发处理冲突，即对hash值相同的不同对象添加到hash桶的链表上。
每个桶上的项的期望个数
将n个不同的项hash到大小为k的hash表中，平均每个桶会有多少个项？首先，对于任意一个项items(i)被hash到第1个桶的概率为1/k，那么将n个项都hash完后，第1个桶上的项的个数的期望为C(项的个数)=n/k，这里我们选取了第一个桶方便叙述，事实上对于任一个特定的桶，这个期望值都是适用的。这就是每个桶平均项的个数。
用程序模拟的过程如下：
/***
* 对N个字符串hash到大小为K的哈希表中，每个桶上的项的期望个数
*
* @return
*/
private double expectedItemNum() {
// 桶大小为K
int[] bucket = new int[K];
// 生成测试字符串
List<String> strings = getStrings(N);
// hash映射
for (int i = 0; i < strings.size(); i++) {
int h = hash(strings.get(i), 37);
bucket[h]++;
}
// 计算每个桶的平均次数
long sum = 0;
for (int itemNum : bucket)
sum += itemNum;
return 1.0 * sum / K;
} /***
* 多次测试计算每个桶上的项的期望个数，
*/
private static void expectedItemNumTest() {
MyHash myHash = new MyHash();
// 测试100次
int tryNum = 100;
double sum = 0;
for (int i = 0; i < tryNum; i++) {
double count = myHash.expectedItemNum();
sum += count;
}
// 取100次测试的平均值
double fact = sum / tryNum;
System.out.println("K=" + K + " N=" + N);
System.out.println("程序模拟的期望个数：" + fact);
double expected = N * 1.0 / K;
System.out.println("估计的期望个数 n/k：" + expected);
}
输出的结果如下，可以看到我们用公式计算的期望与实际是很接近的，这也说明我们的期望公式计算正确了，毕竟实践是检验真理的唯一标准。
K=1000 N=618
程序模拟的期望个数：0.6180000000000007
估计的期望个数 n/k：0.618
空桶的期望个数
将n个不同的项hash到大小为k的hash表中，平均会有多少个空桶？我们还是以第1个桶为例，任意一个项item(i)没有hash到第一个桶的概率为(1-1/k)，hash完n个项后，所有的项都没有hash到第一个桶的概率为(1-1/k)^n，这也是每个桶为空的概率。桶的个数为k，因此期望的空桶个数就是C(空桶的个数)=k(1-1/k)^n，这个公式不好计算，用程序跑还可能被归零了，转化一下就容易计算了：\begin{equation} C(空桶的个数)=k(1-\frac{1}{k})^n=k(1-\frac{1}{k})^{-k(-\frac{n}{k})}=ke^{(-\frac{n}{k})}\end{equation} 同样我们模拟测试一下：
/***
* 计算期望的空桶个数
*
* @return
*/
private int expectedEmputyBuckts() {
// 桶大小为K
int[] bucket = new int[K];
// 生成测试字符串
List<String> strings = getStrings(N);
// hash映射
for (int i = 0; i < strings.size(); i++) {
int h = hash(strings.get(i), 37);
bucket[h]++;
}
// 记录空桶的个数
int count = 0;
for (int itemNum : bucket)
if (itemNum == 0)
count++;
return count;
} /***
* 多次测试求空桶的期望个数
*/
private static void expectedEmputyBucktsTest() {
MyHash myHash = new MyHash();
// 测试100次
int tryNum = 100;
long sum = 0;
for (int i = 0; i < tryNum; i++) {
int count = myHash.expectedEmputyBuckts();
sum += count;
}
// 取100次测试的平均值
double fact = sum / tryNum;
System.out.println("K=" + K + " N=" + N);
System.out.println("程序模拟的期望空桶个数：" + fact);
double expected = K * Math.exp(-1.0 * N / K);
System.out.println("估计的期望空桶个数ke^(-n/k)：" + expected);
}
输出结果：
K=1000 N=618
程序模拟的期望空桶个数：539.0
估计的期望空桶个数ke^(-n/k)：539.021403076357
冲突次数期望
我们这里的n个项是各不相同的，只要某个项hash到的桶已经被其他项hash过，那就认为是一次冲突，直接计算冲突次数不好计算，但我们知道C(冲突次数)=n-C(被占用的桶的个数)，而被占用的桶的个数C(被占用的桶的个数)=k-C(空桶的个数)，因此我们的得到：\begin{equation} C(冲突次数)=n-(k-ke^{-n/k}) \end{equation} 程序模拟如下：
/***
* 期望冲突次数
*
* @return
*/
private int expextedCollisions() {
// 桶大小为K
int[] bucket = new int[K];
int count = 0;
// 生成测试字符串
List<String> strings = getStrings(N);
for (int i = 0; i < strings.size(); i++) {
// hash映射
int h = hash(strings.get(i), 37);
// 桶h没有被占用
if (bucket[h] == 0)
bucket[h] = 1;
// 桶h已经被占用，发生了冲突
else
count++;
}
return count;
} private static void expextedCollisionsTest() {
MyHash myHash = new MyHash();
// 测试100次
int tryNum = 100;
long sum = 0;
for (int i = 0; i < tryNum; i++) {
int count = myHash.expextedCollisions();
sum += count;
}
// 取100次测试的平均值
double fact = sum / tryNum;
System.out.println("K=" + K + " N=" + N);
System.out.println("程序模拟的冲突数：" + fact);
double expected = N - (K - K * Math.exp(-1.0 * N / K));
System.out.println("估计的期望冲突次数n-(k-ke^(-n/k))：" + expected); }
输出结果：
K=1000 N=618
程序模拟的冲突数：157.89
估计的期望冲突次数n-(k-ke^(-n/k))：157.02140307635705
不发生冲突的概率
将n个项hash完后，一次冲突也没有发生的概率，首先对第一个被hash的项item(1)，item(1)可以hash到任意桶中，但一旦item(1)固定后，第二个项item(2)就只能hash到除item(1)所在位置的其他k-1个位置上了，依次类推，可以知道$$P(不发生冲突的概率)=\frac{k}{k}\times\frac{k-1}{k}\times\frac{k-1}{k}\times\frac{k-2}{k}\times\cdot\cdot\cdot\times\frac{k-(n-1)}{k}$$ 这个概率也是不好计算，但当k比较大、n比较小时，有$$P(不发生冲突的概率)=e^{\frac{-n(n-1)}{2k}}$$ 模拟过程：
/***
* hash N个字符串的过程是否产生冲突
*
* @return
*/
private boolean containsCollison() {
// 桶大小为K
int[] bucket = new int[K];
// 生成测试字符串
List<String> strings = getStrings(N);
for (int i = 0; i < strings.size(); i++) {
// hash映射
int h = hash(strings.get(i), 37);
// 桶h没有被占用
if (bucket[h] == 0)
bucket[h] = 1;
// 桶h已经被占用，发生了冲突，直接返回
else
return true;
}
return false;
} /***
* 重复调用多次containsCollison，计算不发生冲突的概率
*/
private static void probCollisionTest() {
MyHash myHash = new MyHash();
// 测试100次
int tryNum = 100;
// 不冲突的次数
int count = 0;
for (int i = 0; i < tryNum; i++) {
if (!myHash.containsCollison())
count++;
}
// 取100次测试的平均值
double fact = 1.0 * count / tryNum;
System.out.println("K=" + K + " N=" + N);
System.out.println("程序模拟的不冲突概率：" + fact);
double expected = Math.exp(-1.0 * N * (N - 1) / (2 * K));
System.out.println("估计的期望不冲突概率e^(-n(n-1)/(2k))：" + expected);
System.out.println("程序模拟的冲突概率：" + (1 - fact));
System.out.println("估计的期望冲突冲突概率1-e^(-n(n-1)/(2k))：" + (1 - expected)); }
输出结果如下，这个逼近公式只有在k比较大n比较小时误差较小。
K=1000 N=50
程序模拟的不冲突概率：0.29
估计的期望不冲突概率e^(-n(n-1)/(2k))：0.29375770032353277
程序模拟的冲突概率：0.71
估计的期望冲突冲突概率1-e^(-n(n-1)/(2k))：0.7062422996764672
使每个桶都至少有一个项的项个数的期望
实际使用Hash时，我们一开始并不知道要hash多少个项，如果把桶设置过大，会浪费空间，一般都是设置一个初始大小，当hash的项超过一定数量时，将桶的大小扩大一倍，并将桶内的元素重新hash一遍。查看Java的HashMap源码可以看到，每次调用put添加数据都会检查大小，当n>k*装置因子时，对hashMap进行重建。
public V put(K key, V value) {
if(...)
return ...;
...
modCount++;
addEntry(hash, key, value, i);
return null;
}
/**
* Adds a new entry with the specified key, value and hash code to
* the specified bucket. It is the responsibility of this
* method to resize the table if appropriate.
*
* Subclass overrides this to alter the behavior of put method.
*/
void addEntry(int hash, K key, V value, int bucketIndex) {
if ((size >= threshold) && (null != table[bucketIndex])) {
resize(2 * table.length);
hash = (null != key) ? hash(key) : 0;
bucketIndex = indexFor(hash, table.length);
}
createEntry(hash, key, value, bucketIndex);
}
现在我们不是直接当n大于某一个数时对Hash表进行重建，而是预计Hash表的每一个桶都至少有了一个项时，才对hash表进行重建，现在问当n为多少时，每个桶至少有了一个项。要计算这个n的期望，我们先设$X_i$表示从第一次占用$i-1$个桶到第一次占用$i$个桶所插入的项的个数。首先，很容易理解$X_1=1$，对于$X_2$表示从插入第一个元素后，占用两个桶所需要的插入次数，理论上它可以是任意大于1的值，我们一次接一次的插入项，每次插入有两种独立的结果，一个结果是映射到的桶是第一次映射的桶；另一个是映射到的桶是新的桶，当占用了新桶时插入了项的个数即为$X_2$，又因为此时映射到新桶的概率$p=\frac{k-1}{k}$，因此$X_2$的期望$E(X_2)=\frac{1}/{p}=\frac{k}{k-1}$；同样的道理，占用两个桶后，对任意一次hash映射到新桶的概率为$\frac{k-2}{k}$，因此$E(X_2)=\frac{k}{k-2}$。
现在定义随机变量$X=X_1+X_2+\cdot\cdot\cdot+X_k$，我们可以看出$X$实际上就是每个桶都填上项所需要插入的项的个数。$$E(X)=\sum_{j=1}^k E(X_j)$$$$=\sum_{j=1}^k \frac{k}{k-j+1}$$$$=k\sum_{j=1}^k \frac{1}{k-j+1}$$$$\overset{\underset{\mathrm{令i=k-j+1}}{}}{=}k\sum_{i=1}^k \frac{1}{i}$$ 上面这个数是一个有趣的数，叫做调和数（Harmonic_number），这个数（常记做$H_k$）没有极限，但已经有数学家给我们确定了它关于n的一个等价近似值：$$\frac{1}{4}+\ln k\le H_k \le 1+\ln k$$ 因此$E(X)=O(k\ln k)$，当项的个数为$k\ln k$时，平均每个桶至少有一个项。
结论总结
- 每个桶上的项的期望个数：将n个项hash到大小为k的hash表中，平均每个桶的项的个数为${\frac{n}{k}}$
- 空桶的期望个数：将n个项hash到大小为k的hash表中，平均空桶个数为$ke^{(-\frac{n}{k})}$
- 冲突次数期望：当我们hash某个项到一个桶上，而这个桶已经有项了，就认为是发生了冲突，将n个项hash到大小为k的hash表中，平均冲突次数为$n-(k-ke^{-n/k})$
- 不发生冲突的概率：$$P(不发生冲突的概率)=e^{\frac{-n(n-1)}{2k}}$$
- 调和数：$H_k=\sum_{i=1}^k \frac{1}{i}$称为调和数，$\sum_{i=1}^k \frac{1}{i}=\Theta{logk}$
本文主要参考自参考文献[1]，写这边博客复习了一下组合数学和概率论的知识，对hash理解得更深入了一点，自己设计hash结构时能对性能有所把握。另外还学会了在博客园插入公式，之前都是在MathType敲好再截图。
希望本文对您有所帮助，欢迎评论交流！
转载请注明出处：http://www.cnblogs.com/fengfenggirl
参考文献：
[1].http://www.math.dartmouth.edu/archive/m19w03/public_html/Section6-5.pdf
[2].http://preshing.com/20110504/hash-collision-probabilities/