To forskjellige nøkler kan hash til samme bøtte — en kollisjon. Hash-tabeller holder O(1) i gjennomsnitt ved å løse kollisjoner og endre størrelse før bøtter blir fulle, kontrollert av 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
| Operasjon | Gjennomsnitt | Verste |
|---|---|---|
| oppslag / innsetting / sletting | O(1) | O(n) |
| enkelt endre størrelse | — | O(n) |
| innsetting (amortisert, med endring av størrelse) | O(1) | — |
En endring av størrelse er O(n) men skjer sjelden, så den amortiseres til O(1) per innsetting.
Disse interne detaljene forklarer hvorfor hash maps er rask i gjennomsnitt men kan øke til O(n) — kritisk for performance-sensitiv kode og forsvar mot adversarisk input (hash-flooding).
Foståelse av load factor forklarer også minne-/hastighets-tuning-knapper eksponert av virkelige biblioteker.