[转]为何Java中的HashMap默认加载因子是0.75

前几天在一个群里看到有人讨论hashmap中的加载因子为何是默认0.75。

HashMap源码中的加载因子

static final float DEFAULT_LOAD_FACTOR = 0.75f; 

当时想到的是应该是“哈希冲突”和“空间利用率”矛盾的一个折衷。
跟数据结构要么查询快要么插入快一个道理，hashmap就是一个插入慢、查询快的数据结构。

加载因子是表示Hash表中元素的填满的程度。
加载因子越大,填满的元素越多,空间利用率越高，但冲突的机会加大了。
反之,加载因子越小,填满的元素越少,冲突的机会减少,但空间浪费多了。

冲突的机会越大,则查找的成本越高。反之,查找的成本越小。

所以,必须在 "冲突的机会"与"空间利用率"之间寻找一种平衡与折衷。

哈希冲突主要与两个因素有关，（1）填装因子，填装因子是指哈希表中已存入的数据元素个数与哈希地址空间的大小的比值，a=n/m ; a越小，冲突的可能性就越小，相反则冲突可能性较大；可是a越小空间利用率也就越小，a越大，空间利用率越高，为了兼顾哈希冲突和存储空间利用率，一般将a控制在0.6-0.9之间，而.net中的HashTable则直接将a的最大值定义为0.72 （虽然微软官方MSDN中声明HashTable默认填装因子为1.0，但实际上都是0.72的倍数），（2）与所用的哈希函数有关，若是哈希函数得当，就可使哈希地址尽量的均匀分布在哈希地址空间上，从而减小冲突的产生，但一个良好的哈希函数的得来很大程度上取决于大量的实践，不过幸亏前人已经总结实践了不少高效的哈希函数，能够参考大神Lucifer文章：数据结构：HashTable： http://www.cnblogs.com/lucifer1982/archive/2008/06/18/1224319.html

---

可是为何必定是0.75？而不是0.8，0.6

本着不嫌事大的精神继续深挖，在此以前先简单补充点本文须要的基础知识：

1.冲突定义：假设哈希表的地址集为［0，ｎ），冲突是指由关键字获得的哈希地址为j（0<=j<=n-1）的位置上已经有记录。在关键字获得的哈希地址上已经有记录，那么就称之为冲突。

2.处理冲突：就是为该关键字的记录扎到另外一个“空”的哈希地址。即在处理哈希地址的冲突时，若获得的另外一个哈希地址H1仍然发生冲突，则再求下一个地址H2，若H2仍然冲突，再求的H3，直至Hk不发生冲突为止，则Hk为记录在表中的地址。

---

处理冲突的几种方法：

1、 开放定址法

Hi=(H(key) + di) MOD m i=1,2,...k(k<=m-1)其中H(key)为哈希函数；m为哈希表表长；di为增量序列。

开放定址法根据步长不一样能够分为３种：

1）线性探查法(Linear Probing)：di=1,2,3,...,m-1
　 简单地说就是以当前冲突位置为起点，步长为１循环查找，直到找到一个空的位置就把元素插进去，循环完了都找不到说明容器满了。就像你去一条街上的店里吃饭，问了第一家被告知满座，而后挨着一家家去问是否有位置同样。

2）线性补偿探测法：di=Ｑ　下一个位置知足 Hi=(H(key) + Ｑ) mod m i=1,2,...k(k<=m-1) ，要求 Q 与 m 是互质的，以便能探测到哈希表中的全部单元。
继续用上面的例子，如今你不是挨着一家家去问了，拿出计算器算了一下，而后隔Ｑ家问一次有没有位置。

3）伪随机探测再散列：di=伪随机数序列。仍是那个例子，这是彻底根据心情去选一家店来问了

缺点：

• 这种方法创建起来的hash表当冲突多的时候数据容易堆聚在一块儿，这时候对查找不友好；
• 删除结点不能简单地将被删结 点的空间置为空，不然将截断在它以后填人散列表的同义词结点的查找路径。所以在 用开放地址法处理冲突的散列表上执行删除操做，只能在被删结点上作删除标记，而不能真正删除结点
• 当空间满了，还要创建一个溢出表来存多出来的元素。

2、再哈希法

Hi = RHi（key），i=1,2,...k
RHi均是不一样的哈希函数，即在同义词产生地址冲突时计算另外一个哈希函数地址，直到不发生冲突为止。这种方法不易产生汇集，可是增长了计算时间。

缺点：增长了计算时间。

3、创建一个公共溢出区

假设哈希函数的值域为[0,m-1]，则设向量HashTable[0...m-1]为基本表，每一个份量存放一个记录，另设立向量OverTable[0....v]为溢出表。全部关键字和基本表中关键字为同义词的记录，无论他们由哈希函数获得的哈希地址是什么，一旦发生冲突，都填入溢出表。

简单地说就是搞个新表存冲突的元素。

4、链地址法（拉链法）

将全部关键字为同义词的记录存储在同一线性链表中，也就是把冲突位置的元素构形成链表。

拉链法的优势:

• 拉链法处理冲突简单，且无堆积现象，即非同义词决不会发生冲突，所以平均查找长度较短；
• 因为拉链法中各链表上的结点空间是动态申请的，故它更适合于造表前没法肯定表长的状况；
• 在用拉链法构造的散列表中，删除结点的操做易于实现。只要简单地删去链表上相应的结点便可。

拉链法的缺点：

• 指针须要额外的空间，故当结点规模较小时，开放定址法较为节省空间，而若将节省的指针空间用来扩大散列表的规模，可以使装填因子变小，这又减小了开放定址法中的冲突，从而提升平均查找速度

---

Java中HashMap的数据结构

HashMap其实是一个“链表散列”的数据结构，即数组和链表的结合体。

 

HashMap数据结构，来源于网络

看图就能够知道Java中的hashMap使用了拉链法处理冲突。
HashMap有一个初始容量大小，默认是16

static final int DEFAULT_INITIAL_CAPACITY = 1 << 4; // aka 16 

为了减小冲突的几率，当hashMap的数组长度到了一个临界值就会触发扩容，把全部元素rehash再放到扩容后的容器中，这是一个很是耗时的操做。

而这个临界值由【加载因子】和当前容器的容量大小来肯定：DEFAULT_INITIAL_CAPACITY*DEFAULT_LOAD_FACTOR ，即默认状况下是16x0.75=12时，就会触发扩容操做。

因此使用hash容器时尽可能预估本身的数据量来设置初始值。具体代码实现自行去研究HashMap的源码。

基础知识补充完毕，回到正题，为何加载因子要默认是0.75？
从hashmap源码注释里找到了这一段

Ideally, under random hashCodes, the frequency of

• nodes in bins follows a Poisson distribution
• (http://en.wikipedia.org/wiki/Poisson_distribution) with a
• parameter of about 0.5 on average for the default resizing
• threshold of 0.75, although with a large variance because of
• resizing granularity. Ignoring variance, the expected
• occurrences of list size k are (exp(-0.5) * pow(0.5, k) /
• factorial(k)). The first values are:
• 0: 0.60653066
• 1: 0.30326533
• 2: 0.07581633
• 3: 0.01263606
• 4: 0.00157952
• 5: 0.00015795
• 6: 0.00001316
• 7: 0.00000094
• 8: 0.00000006
• more: less than 1 in ten million

注意wiki连接中的关键字：Poisson_distribution
泊淞分布啊

简单翻译一下就是在理想状况下,使用随机哈希码,节点出现的频率在hash桶中遵循泊松分布，同时给出了桶中元素个数和几率的对照表。

从上面的表中能够看到当桶中元素到达8个的时候，几率已经变得很是小，也就是说用0.75做为加载因子，每一个碰撞位置的链表长度超过８个是几乎不可能的。

好了，再深挖就要挖到统计学那边去了，就此打住，重申一下使用hash容器请尽可能指定初始容量，且是2的幂次方。

关于泊淞分布的知识请看

http://www.ruanyifeng.com/blog/2015/06/poisson-distribution.html#comment-356111

做者：Eric新之助
连接： https://www.jianshu.com/p/dff8f4641814 來源：简书 著做权归做者全部。商业转载请联系做者得到受权，非商业转载请注明出处。