Dwa różne klucze mogą haszować do tej samej przegródki — kolizji. Tabele haszujące pozostają O(1) średnio poprzez rozwiązywanie kolizji i zmianę rozmiaru zanim przegródki się zapełnią, kontrolowane przez współczynnik obciążenia.
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
| Operacja | Średnia | Najgorsza |
|---|---|---|
| wyszukiwanie / wstawianie / usuwanie | O(1) | O(n) |
| jedna zmiana rozmiaru | — | O(n) |
| wstawianie (amortyzowane, ze zmianą rozmiaru) | O(1) | — |
Zmiana rozmiaru to O(n), ale zdarza się rzadko, więc amortyzuje się do O(1) na wstawienie.
Te szczegóły wewnętrzne wyjaśniają, dlaczego mapy haszujące są szybkie średnio, ale mogą skoczyć do O(n) — ważne dla kodu wrażliwego na wydajność i obrony przed złośliwymi danymi wejściowymi (hash-flooding).
Zrozumienie współczynnika obciążenia wyjaśnia również parametry dostrajające pamięć/szybkość udostępniane przez rzeczywiste biblioteki.