带有链表的哈希表中的前 10 个频率

Posted 2023-02-25

【中文标题】带有链表的哈希表中的前 10 个频率

【英文标题】：Top 10 Frequencies in a Hash Table with Linked Lists

【发布时间】：2010-10-25 02:10:48

【问题描述】：

下面的代码会将它在我的哈希表（其中是一堆链表）中可以找到的最高频率打印 10 次。我需要我的代码来打印我的哈希表中的前 10 个频率。我不知道该怎么做（代码示例会很棒，简单的英语逻辑/伪代码也一样好）。

我创建了一个名为“tmp”的临时哈希列表，它指向我的哈希表“hashtable” while 循环然后遍历列表并查找最高频率，即 int 'tmp->freq' 循环将继续使用变量“topfreq”复制它找到的最高频率的过程，直到它到达哈希表上链表的末尾。

我的“节点”是一个由变量“freq”（int）和“word”（128 个字符）组成的结构。当循环没有其他内容可搜索时，它会在屏幕上打印这两个值。

问题是，我不知道如何从我刚刚找到的数字中找到下一个最小的数字（这可能包括另一个具有相同频率值的节点，所以我必须检查那个词也不一样）。

void toptenwords()

    int topfreq = 0;
    int minfreq = 0;
    char topword[SIZEOFWORD];

    for(int p = 0; p < 10; p++) // We need the top 10 frequencies... so we do this 10 times
    
        for(int m = 0; m < HASHTABLESIZE; m++) // Go through the entire hast table
        
            node* tmp;
            tmp = hashtable[m];

            while(tmp != NULL) // Walk through the entire linked list
            
                if(tmp->freq > topfreq) // If the freqency on hand is larger that the one found, store...
                
                    topfreq = tmp->freq;
                    strcpy(topword, tmp->word);
                
                tmp = tmp->next;
            
        
        cout << topfreq << "\t" << topword << endl;
    

非常感谢任何和所有帮助:)

【问题讨论】：

请将您的制表符更改为 4 个空格。那会伤害眼睛，而且护目镜什么都不做！ ;)

如果这是作业添加作业标签。

@all：这是我自己设定的任务......所以不，不是家庭作业。

【参考方案1】：

做到这一点的绝对最快方法是使用SoftHeap。使用 SoftHeap，您可以在 O(n) 时间内找到前 10 个项目，而此处发布的所有其他解决方案都需要 O(n lg n) 时间。

http://en.wikipedia.org/wiki/Soft_heap

这篇***文章展示了如何使用软堆在 O(n) 时间内找到中位数，前 10 名只是中位数问题的一个子集。然后，您可以按顺序对前 10 项中的项目进行排序，并且由于您总是最多对 10 项进行排序，因此仍然是 O(n) 时间。

【参考方案2】：

如果目标是累积单词频率，则包含单词链接列表的哈希表似乎是一种特殊的数据结构。

尽管如此，获得 10 个最高频率节点的有效方法是将每个节点插入优先级队列/堆，例如斐波那契堆，其插入时间为 O(1)，删除时间为 O(n)。假设哈希表迭代很快，该方法的运行时间为 O(n×O(1) + 10×O(n)) ≡ O(n)。

【讨论】：

+1。两件事：我知道的所有堆（包括斐波那契）的删除时间是 O(log n)，而不是 O(n)；如果 n >> 10 保持最小堆（而不是最大堆）会快得多，您可以在其中插入下一个元素并在每次迭代中删除最小的元素（这样堆最多只包含10 个元素）。

O(log(n)) ≡ O(n) 是它的摊销删除时间 - 因为这个算法只涉及删除一些摊销分析无效的键。斐波那契堆的最坏情况删除是 O(n)。

好点。所以在一般情况下，当我们想要前 k 个频率时，您的算法将是 O(kn) - 即与运行选择排序的前 k 个迭代的明显解决方案相同。请参阅我对使用普通二进制堆（而不是斐波那契堆，实现起来更棘手）的 O(nlog(k)) 算法的回答。

【参考方案3】：

假设总共有 n 个词，我们需要出现频率最高的 k 个词（这里，k = 10）。

如果 n 比 k 大很多，我知道的最有效的方法是维护一个最小堆（即顶部元素具有 minimum 堆中所有元素的频率）。在每次迭代中，将下一个频率插入堆中，如果堆现在包含 k+1 个元素，则删除 最小的。这样，堆始终保持在 k 个元素的大小，在任何时候都包含到目前为止看到的 k 个最高频率的元素。在处理结束时，按递增顺序读出 k 个最高频率的元素。

时间复杂度：对于每个n个单词，我们做两件事：插入一个大小最多为k的堆中，然后删除最小元素。每个操作花费 O(log k) 时间，因此整个循环花费 O(nlog k) 时间。最后，我们从一个大小为 k 的堆中读出 k 个元素，耗时 O(klog k)，总时间为 O((n+k )日志 k)。由于我们知道 k n，O(klog k) 最坏的情况是 O(nlog k)，所以这可以简化为 O(nlog k)。

【参考方案4】：

第 1 步（低效）：

通过插入排序将向量移动到已排序的容器中，但插入到大小为 10 的容器（例如链表或向量）中，并删除掉出列表底部的所有元素。

第 2 步（高效）：

与步骤 1 相同，但要跟踪列表底部项的大小，如果当前项太小，则完全跳过插入步骤。

【参考方案5】：

保留一个包含 10 个节点指针的数组，并将每个节点插入到数组中，保持数组有序。数组中的第 11 个节点在每次迭代时都会被覆盖并包含垃圾。

void toptenwords()

        int topfreq = 0;
        int minfreq = 0;
        node *topwords[11];
        int current_topwords = 0;

        for(int m = 0; m < HASHTABLESIZE; m++) // Go through the entire hast table
        
                node* tmp;
                tmp = hashtable[m];

                while(tmp != NULL) // Walk through the entire linked list
                
                        topwords[current_topwords] = tmp;
                        current_topwords++;
                        for(int i = current_topwords - 1; i > 0; i--)
                        
                                if(topwords[i]->freq > topwords[i - 1]->freq)
                                
                                        node *temp = topwords[i - 1];
                                        topwords[i - 1] = topwords[i];
                                        topwords[i] = temp;
                                
                                else break;
                        
                        if(current_topwords > 10) current_topwords = 10;
                        tmp = tmp->next;
                
        

【参考方案6】：

在遍历哈希表（然后遍历其中包含的每个链表）时，将自平衡二叉树 (std::set) 作为“结果”列表。当您遇到每个频率时，将其插入到列表中，如果列表中的条目超过 10 个，则将其截断。完成后，您将获得一组（排序列表）前十个频率，您可以根据需要对其进行操作。

在哈希表本身中使用集合而不是链表可能会获得性能提升，但您可以自己解决。

【讨论】：

作为要求之一，我不能使用二叉树。非常感谢您的建议，非常感谢！

@tmhai：“要求”之一是不允许使用二叉树？这是作业吗？ （如果是这样，很好，但这样标记你的问题。）

【参考方案7】：

我会维护一组已使用的单词并更改最里面的 if 条件以测试频率是否大于先前的最高频率和 tmp->单词不在已使用的单词列表中。