Twee verschillende sleutels kunnen naar dezelfde bucket hashing — een botsing. Hash tables blijven gemiddeld O(1) door botsingen op te lossen en groot te worden voordat buckets vol raken, bestuurd door de load factor.
Separate chaining: each bucket holds a list
[3] -> ("cat",9) -> ("rat",2) # both hashed to 3
Open addressing: probe to the next free slot
hash=3 taken -> try 4 -> try 5 ... (linear probing)
load factor α = number_of_entries / number_of_buckets
α rises -> more collisions -> slower lookups
When α exceeds a threshold (e.g. 0.75):
-> allocate a bigger array (usually 2x)
-> REHASH every existing key into new buckets
# Conceptual resize
def _resize(self):
old = self.buckets
self.buckets = [None] * (len(old) * 2)
for entry in all_entries(old):
self._insert(entry.key, entry.value) # rehash into new array
| Bewerking | Gemiddeld | Slechtste |
|---|---|---|
| opzoeken / invoegen / verwijderen | O(1) | O(n) |
| enkel aanpassen | — | O(n) |
| invoegen (amortised, met aanpassen) | O(1) | — |
Een aanpassing is O(n) maar gebeurt zelden, dus het amortiseert naar O(1) per invoegen.
Deze interne details verklaren waarom hash maps gemiddeld snel zijn, maar kunnen pieken tot O(n) — cruciaal voor performance-gevoelige code en verdediging tegen adversarische invoer (hash-flooding).
Begrip van load factor verklaart ook de geheugen-/snelheid afstemmingsknoppen die echte libraries blootstellen.