就哈希函数而言，桶是什么？
What are buckets in terms of hash functions?
看书 Mining of Massive Datasets，第 1.3.2 节概述了哈希函数。没有计算机科学背景，这对我来说很陌生； Ruby 是我的第一语言，其中 hash 似乎等同于 Dictionary<object, object>。而且我从来没有考虑过如何这种数据结构。
本书提到 散列函数，作为实现这些字典数据结构的一种方式。本段：
First, a hash function h takes a hash-key value as an argument and produces
a bucket number as a result. The bucket number is an integer, normally in the
range 0 to B − 1, where B is the number of buckets. Hash-keys can be of any
type. There is an intuitive property of hash functions that they “randomize”
hash-keys
hash function 中的桶到底是什么？听起来桶是 array-like 结构，而 hash function 是某种算法/array-like-structure 搜索，每次都会产生相同的桶号？这个比喻性的桶里面是什么？
我一直读到 javascript objects/ruby 哈希等不能保证顺序。在实践中我发现键的顺序没有改变（实际上，我认为使用旧版本的 Mozilla 的 Rhino 解释器 JS 对象顺序 DID 改变了，但我不能确定......）。
这是否意味着散列 (Ruby) / 对象 (JS) 未被这些 hash functions 解析？
hashing 这个词是否会根据您使用计算机的水平而有不同的含义？也就是说，Ruby 散列似乎与 C++ 散列不同...
当您散列一个值时，任何有用的散列函数 通常 具有比 域[=] 更小的 范围 30=]。这意味着在一个大的输入值列表（例如所有可能的字母组合）中，它将输出任何一个较小的值列表（一个以特定长度为上限的数字）。这意味着不止一个输入值可以映射到相同的输出值。
在这种情况下，输出值称为桶。
考虑函数 f(x) = x mod 2
这会生成以下输出；
1 => 1
2 => 0
3 => 1
4 => 0
在这种情况下，有两个桶（1 和 0），每个桶中都有一堆输入值。
一个好的散列函数将平等地填充所有这些 'buckets'，从而实现更快的搜索等。如果你采用任何数字的 mod，你就会得到要查看的桶，并且因此必须搜索比最初搜索更少的结果，因为每个桶中的结果少于整个输入集。在理想情况下，哈希计算速度很快，每个桶中只有一个结果，这使得查找只需应用哈希函数所需的时间。
这当然是一个简化的例子，但希望你明白了吗？
散列函数的概念总是一样的。它是一个计算一些数字来表示一个对象的函数。这个号码的属性应该是：
- 计算起来相对便宜
- 所有对象都尽可能不同。
让我们举一个真实的例子来说明我的意思，通常使用 why/how 哈希。
取所有自然数。现在让我们假设检查 2 个数字是否相等是很昂贵的。
我们也定义一个相对便宜的散列函数如下：
hash = number % 10
思路很简单，取数字的最后一位作为hash即可。在您得到的解释中，这意味着我们将所有以 1 结尾的数字放入一个假想的 1 桶中，将所有以 2 结尾的数字放入 2 桶中，依此类推...
那些桶并不真正作为数据结构存在。它们只是让哈希函数的推理变得容易。
现在我们有了这个便宜的哈希函数，我们可以用它来降低其他事情的成本。例如，我们想创建一个新的数据结构来实现廉价的数字搜索。我们称此数据结构为哈希图。
这里其实我们把所有带hash=1的数字放在一个list/set/...里，我们把带hash=5的数字放到自己的list/set里。 ..等等
如果我们想查找一些数字，我们首先计算它的哈希值。然后我们检查这个hash对应的list/set，然后只比较"similar"个数来找到我们想要的确切数。这意味着我们只需要做一个廉价的哈希计算，然后用昂贵的相等性检查来检查 1/10 的数字。
注意这里我们使用散列函数来定义一个新的数据结构。哈希本身不是数据结构。
考虑 phone 一本书。
假设您想在 phone 书中寻找唐老鸭。
必须查看每个页面以及该页面上的每个条目，效率非常低。因此，我们没有这样做，而是做了以下事情：
我们创建一个索引
我们创建了一种从名称中获取索引键的方法
对于 phone 一本书，索引从 A-Z 开始，用于获取索引键的函数只是获取姓氏的第一个字母。
在这种情况下，哈希函数采用 Donald Duck 并为您提供 D。
然后你取 D 并转到所有姓氏以 D 开头的人所在的索引。
这样说太简单了。
我简单解释一下。在使用链接技术（开放式散列或封闭式寻址）处理冲突时，桶进入画面
这里，每个数组条目应对应一个桶，每个数组条目（如果非空）将有一个指向链表头部的指针。 （桶是用链表实现的）
散列table 应使用散列函数来计算存储桶数组的索引，从中可以找到所需的值。
也就是说，在检查某个元素是否在散列 table 中时，首先对键进行散列以找到要查看的正确存储桶。然后遍历对应的链表，定位到想要的元素。
类似地，在任何元素添加或删除时，散列用于找到合适的桶。然后在桶中查找presence/absence个需要的元素，据此从桶中遍历相应的链表added/removed
。
看书 Mining of Massive Datasets，第 1.3.2 节概述了哈希函数。没有计算机科学背景，这对我来说很陌生； Ruby 是我的第一语言，其中 hash 似乎等同于 Dictionary<object, object>。而且我从来没有考虑过如何这种数据结构。
本书提到 散列函数，作为实现这些字典数据结构的一种方式。本段：
First, a hash function h takes a hash-key value as an argument and produces a bucket number as a result. The bucket number is an integer, normally in the range 0 to B − 1, where B is the number of buckets. Hash-keys can be of any type. There is an intuitive property of hash functions that they “randomize” hash-keys
hash function 中的桶到底是什么？听起来桶是 array-like 结构，而 hash function 是某种算法/array-like-structure 搜索，每次都会产生相同的桶号？这个比喻性的桶里面是什么？
我一直读到 javascript objects/ruby 哈希等不能保证顺序。在实践中我发现键的顺序没有改变（实际上，我认为使用旧版本的 Mozilla 的 Rhino 解释器 JS 对象顺序 DID 改变了，但我不能确定......）。
这是否意味着散列 (Ruby) / 对象 (JS) 未被这些 hash functions 解析？
hashing 这个词是否会根据您使用计算机的水平而有不同的含义？也就是说，Ruby 散列似乎与 C++ 散列不同...
当您散列一个值时，任何有用的散列函数 通常 具有比 域[=] 更小的 范围 30=]。这意味着在一个大的输入值列表（例如所有可能的字母组合）中，它将输出任何一个较小的值列表（一个以特定长度为上限的数字）。这意味着不止一个输入值可以映射到相同的输出值。
在这种情况下，输出值称为桶。
考虑函数 f(x) = x mod 2
这会生成以下输出；
1 => 1
2 => 0
3 => 1
4 => 0
在这种情况下，有两个桶（1 和 0），每个桶中都有一堆输入值。
一个好的散列函数将平等地填充所有这些 'buckets'，从而实现更快的搜索等。如果你采用任何数字的 mod，你就会得到要查看的桶，并且因此必须搜索比最初搜索更少的结果，因为每个桶中的结果少于整个输入集。在理想情况下，哈希计算速度很快，每个桶中只有一个结果，这使得查找只需应用哈希函数所需的时间。
这当然是一个简化的例子，但希望你明白了吗？
散列函数的概念总是一样的。它是一个计算一些数字来表示一个对象的函数。这个号码的属性应该是：
- 计算起来相对便宜
- 所有对象都尽可能不同。
让我们举一个真实的例子来说明我的意思，通常使用 why/how 哈希。
取所有自然数。现在让我们假设检查 2 个数字是否相等是很昂贵的。
我们也定义一个相对便宜的散列函数如下：
hash = number % 10
思路很简单，取数字的最后一位作为hash即可。在您得到的解释中，这意味着我们将所有以 1 结尾的数字放入一个假想的 1 桶中，将所有以 2 结尾的数字放入 2 桶中，依此类推...
那些桶并不真正作为数据结构存在。它们只是让哈希函数的推理变得容易。
现在我们有了这个便宜的哈希函数，我们可以用它来降低其他事情的成本。例如，我们想创建一个新的数据结构来实现廉价的数字搜索。我们称此数据结构为哈希图。
这里其实我们把所有带hash=1的数字放在一个list/set/...里，我们把带hash=5的数字放到自己的list/set里。 ..等等
如果我们想查找一些数字，我们首先计算它的哈希值。然后我们检查这个hash对应的list/set，然后只比较"similar"个数来找到我们想要的确切数。这意味着我们只需要做一个廉价的哈希计算，然后用昂贵的相等性检查来检查 1/10 的数字。
注意这里我们使用散列函数来定义一个新的数据结构。哈希本身不是数据结构。
考虑 phone 一本书。
假设您想在 phone 书中寻找唐老鸭。
必须查看每个页面以及该页面上的每个条目，效率非常低。因此，我们没有这样做，而是做了以下事情：
我们创建一个索引
我们创建了一种从名称中获取索引键的方法
对于 phone 一本书，索引从 A-Z 开始，用于获取索引键的函数只是获取姓氏的第一个字母。
在这种情况下，哈希函数采用 Donald Duck 并为您提供 D。
然后你取 D 并转到所有姓氏以 D 开头的人所在的索引。
这样说太简单了。
我简单解释一下。在使用链接技术（开放式散列或封闭式寻址）处理冲突时，桶进入画面
这里，每个数组条目应对应一个桶，每个数组条目（如果非空）将有一个指向链表头部的指针。 （桶是用链表实现的）
散列table 应使用散列函数来计算存储桶数组的索引，从中可以找到所需的值。
也就是说，在检查某个元素是否在散列 table 中时，首先对键进行散列以找到要查看的正确存储桶。然后遍历对应的链表，定位到想要的元素。
类似地，在任何元素添加或删除时，散列用于找到合适的桶。然后在桶中查找presence/absence个需要的元素，据此从桶中遍历相应的链表added/removed
。