Weiß jemand, wie der eingebaute Wörterbuchtyp für Python implementiert ist? Mein Verständnis ist, dass es sich um eine Art Hash-Tabelle handelt, aber ich konnte keine endgültige Antwort finden.
python
data-structures
dictionary
Ricree
quelle
quelle
Antworten:
Hier ist alles über Python-Diktate, die ich zusammenstellen konnte (wahrscheinlich mehr als jeder andere wissen möchte; aber die Antwort ist umfassend).
dict
verwendet eine offene Adressierung , um Hash-Kollisionen aufzulösen (siehe unten) (siehe dictobject.c: 296-297 ).O(1)
Suche nach Index durchführen können).Die folgende Abbildung ist eine logische Darstellung einer Python-Hash-Tabelle. In der folgenden Abbildung
0, 1, ..., i, ...
links sind die Indizes der Slots in der Hash-Tabelle dargestellt (sie dienen nur zur Veranschaulichung und werden offensichtlich nicht zusammen mit der Tabelle gespeichert!).Wenn ein neues Diktat initialisiert wird, beginnt es mit 8 Slots . (siehe dictobject.h: 49 )
i
der auf dem Hash des Schlüssels basiert. CPython verwendet zunächsti = hash(key) & mask
(womask = PyDictMINSIZE - 1
, aber das ist nicht wirklich wichtig). Beachten Sie nur, dass der anfängliche Steckplatz, deri
überprüft wird, vom Hash des Schlüssels abhängt .<hash|key|value>
). Aber was ist, wenn dieser Steckplatz belegt ist? Höchstwahrscheinlich, weil ein anderer Eintrag denselben Hash hat (Hash-Kollision!)==
Vergleich nicht denis
Vergleich) des Eintrags im Slot mit dem Hash und dem Schlüssel des aktuell einzufügenden Eintrags ( dictobject.c) : 337,344-345 ). Wenn beide übereinstimmen, wird angenommen, dass der Eintrag bereits vorhanden ist, gibt auf und fährt mit dem nächsten einzufügenden Eintrag fort. Wenn entweder Hash oder Schlüssel nicht übereinstimmen, beginnt die Prüfung .i+1, i+2, ...
und das erste verfügbare verwenden (das ist lineare Prüfung). Aus Gründen, die in den Kommentaren ausführlich erläutert wurden (siehe dictobject.c: 33-126 ), verwendet CPython eine zufällige Prüfung . Bei der zufälligen Prüfung wird der nächste Schlitz in einer pseudozufälligen Reihenfolge ausgewählt. Der Eintrag wird dem ersten leeren Steckplatz hinzugefügt. Für diese Diskussion ist der tatsächliche Algorithmus, der zum Auswählen des nächsten Steckplatzes verwendet wird, nicht wirklich wichtig (siehe dictobject.c: 33-126 für den Algorithmus zum Prüfen ). Wichtig ist, dass die Steckplätze geprüft werden, bis der erste leere Steckplatz gefunden wird.dict
wird die Größe geändert, wenn zwei Drittel voll sind. Dadurch wird vermieden, dass Suchvorgänge verlangsamt werden. (siehe dictobject.h: 64-65 )HINWEIS: Ich habe die Python Dict-Implementierung als Antwort auf meine eigene Frage untersucht, wie mehrere Einträge in einem Diktat dieselben Hashwerte haben können. Ich habe hier eine leicht bearbeitete Version der Antwort gepostet, da die gesamte Forschung auch für diese Frage sehr relevant ist.
quelle
Hier ist der kurze Kurs:
Der geordnete Aspekt ist ab Python 3.6 inoffiziell (um anderen Implementierungen die Möglichkeit zu geben, Schritt zu halten), in Python 3.7 jedoch offiziell .
Pythons Wörterbücher sind Hash-Tabellen
Lange hat es genau so funktioniert. Python würde 8 leere Zeilen vorab zuordnen und anhand des Hashs bestimmen, wo das Schlüssel-Wert-Paar abgelegt werden soll. Wenn der Hash für den Schlüssel beispielsweise mit 001 endet, wird er im Index 1 (dh 2.) gespeichert (wie im folgenden Beispiel).
Jede Zeile belegt 24 Bytes in einer 64-Bit-Architektur, 12 in einer 32-Bit-Architektur. (Beachten Sie, dass die Spaltenüberschriften nur Beschriftungen für unsere Zwecke sind - sie sind tatsächlich nicht im Speicher vorhanden.)
Wenn der Hash genauso endet wie der Hash eines bereits vorhandenen Schlüssels, handelt es sich um eine Kollision, die das Schlüssel-Wert-Paar an einer anderen Stelle festhält.
Nachdem 5 Schlüsselwerte gespeichert wurden, ist beim Hinzufügen eines weiteren Schlüssel-Wert-Paares die Wahrscheinlichkeit von Hash-Kollisionen zu groß, sodass das Wörterbuch doppelt so groß ist. In einem 64-Bit-Prozess sind vor der Größenänderung 72 Bytes leer, und danach verschwenden wir 240 Bytes aufgrund der 10 leeren Zeilen.
Dies nimmt viel Platz in Anspruch, aber die Suchzeit ist ziemlich konstant. Der Schlüsselvergleichsalgorithmus besteht darin, den Hash zu berechnen, zum erwarteten Speicherort zu gehen und die ID des Schlüssels zu vergleichen. Wenn es sich um dasselbe Objekt handelt, sind sie gleich. Wenn nicht, vergleichen Sie die Hash-Werte. Wenn sie nicht gleich sind, sind sie nicht gleich. Andernfalls vergleichen wir schließlich die Schlüssel auf Gleichheit und geben den Wert zurück, wenn sie gleich sind. Der endgültige Vergleich für die Gleichheit kann recht langsam sein, aber die früheren Überprüfungen verkürzen normalerweise den endgültigen Vergleich, wodurch die Suche sehr schnell erfolgt.
Kollisionen verlangsamen die Arbeit, und ein Angreifer könnte theoretisch Hash-Kollisionen verwenden, um einen Denial-of-Service-Angriff durchzuführen. Daher haben wir die Initialisierung der Hash-Funktion so randomisiert, dass für jeden neuen Python-Prozess unterschiedliche Hashes berechnet werden.
Der oben beschriebene verschwendete Speicherplatz hat uns veranlasst, die Implementierung von Wörterbüchern zu ändern, mit einer aufregenden neuen Funktion, bei der Wörterbücher jetzt durch Einfügen sortiert werden.
Die neuen kompakten Hash-Tabellen
Wir beginnen stattdessen damit, ein Array für den Index der Einfügung vorab zuzuweisen.
Da unser erstes Schlüssel-Wert-Paar in den zweiten Slot geht, indizieren wir wie folgt:
Und unsere Tabelle wird nur durch die Einfügereihenfolge gefüllt:
Wenn wir also nach einem Schlüssel suchen, verwenden wir den Hash, um die erwartete Position zu überprüfen (in diesem Fall gehen wir direkt zu Index 1 des Arrays) und dann zu diesem Index in der Hash-Tabelle (z. B. Index 0) ), überprüfen Sie, ob die Schlüssel gleich sind (unter Verwendung des zuvor beschriebenen Algorithmus), und geben Sie in diesem Fall den Wert zurück.
Wir behalten die konstante Suchzeit bei, mit geringfügigen Geschwindigkeitsverlusten in einigen Fällen und Gewinnen in anderen Fällen, mit dem Vorteil, dass wir gegenüber der bereits vorhandenen Implementierung viel Platz sparen und die Einfügereihenfolge beibehalten. Der einzige verschwendete Speicherplatz sind die Null-Bytes im Index-Array.
Raymond Hettinger hat dies im Dezember 2012 auf Python-Dev eingeführt . Es wurde schließlich in Python 3.6 in CPython aufgenommen . Die Bestellung durch Einfügen wurde als Implementierungsdetail für 3.6 angesehen, damit andere Implementierungen von Python aufholen können.
Geteilte Schlüssel
Eine weitere platzsparende Optimierung ist eine Implementierung, die Schlüssel gemeinsam nutzt. Anstatt redundante Wörterbücher zu haben, die den gesamten Speicherplatz einnehmen, haben wir Wörterbücher, die die gemeinsam genutzten Schlüssel und Schlüssel-Hashes wiederverwenden. Sie können sich das so vorstellen:
Bei einem 64-Bit-Computer können bis zu 16 Byte pro Schlüssel und zusätzlichem Wörterbuch eingespart werden.
Freigegebene Schlüssel für benutzerdefinierte Objekte und Alternativen
Diese Dicts mit gemeinsamem Schlüssel sind für benutzerdefinierte Objekte vorgesehen
__dict__
. Um dieses Verhalten zu erhalten, müssen Sie meines Erachtens das__dict__
Auffüllen Ihres Objekts beenden, bevor Sie Ihr nächstes Objekt instanziieren ( siehe PEP 412 ). Dies bedeutet, dass Sie alle Ihre Attribute im__init__
oder zuweisen sollten, da Sie__new__
sonst möglicherweise keine Platzersparnis erzielen.Wenn Sie jedoch alle Ihre Attribute zum Zeitpunkt Ihrer
__init__
Ausführung kennen, können Sie auch__slots__
für Ihr Objekt sorgen und garantieren, dass__dict__
es überhaupt nicht erstellt wird (falls es nicht in den Eltern verfügbar ist), oder sogar zulassen,__dict__
aber garantieren, dass Ihre vorgesehenen Attribute vorhanden sind sowieso in Steckplätzen gespeichert. Weitere Informationen__slots__
finden Sie in meiner Antwort hier .Siehe auch:
**kwargs
in einer Funktion.quelle
find_empty_slot
: github.com/python/cpython/blob/master/Objects/dictobject.c # L969 - und ab Zeile 134 gibt es eine Prosa, die es beschreibt.Python-Wörterbücher verwenden offene Adressierung ( Referenz im schönen Code )
NB! Offenes Adressieren , auch geschlossenes Hashing genannt, sollte, wie in Wikipedia erwähnt, nicht mit dem entgegengesetzten offenen Hashing verwechselt werden !
Offene Adressierung bedeutet, dass das Diktat Array-Slots verwendet. Wenn die primäre Position eines Objekts im Diktat eingenommen wird, wird der Punkt des Objekts an einem anderen Index im selben Array gesucht, wobei ein "Störungs" -Schema verwendet wird, bei dem der Hash-Wert des Objekts eine Rolle spielt .
quelle