为什么在评估哈希函数时哈希查找的成本 O(1) 可能需要比这更多的时间？
Why is the cost of a hash lookup O(1) when evaluating the hash function might take more time than that?
A HashMap（或）HashTable 是 keyed 数组的一个例子。在这里，索引是用户定义的键而不是通常的索引号。例如，arr["first"]=99 是一个 hashmap 的例子，其中 b 键是 first，值为 99.
由于使用了键，所以需要一个哈希函数将键转换为索引元素，然后insert/search数组中的数据。此过程假设 没有碰撞。
现在，给定一个要在数组中搜索的键，如果存在，则必须获取数据。所以，每次搜索前，都必须将key转换为数组的索引号。那么这如何花费 O(1) 时间呢？因为，时间复杂度也取决于散列函数。所以时间复杂度一定是O（哈希函数的时间）。
在谈论散列时，我们通常通过谈论搜索时需要进行的 探测 的预期数量来衡量散列的性能 table table 中的元素。在大多数哈希设置中，我们可以证明预期的探测数是 O(1)。通常，我们然后从那里跳到 "so the expected runtime of a hash table lookup is O(1)."
不过，情况不一定如此。正如您所指出的，计算特定输入的哈希函数的成本可能并不总是需要时间 O(1)。同样，比较散列 table 中的两个元素的成本也可能不会花费 O(1) 的时间。例如，考虑哈希字符串或列表。
也就是说，以下情况通常是正确的。如果我们让 table 中的元素总数为 n，我们可以说执行查找散列 table 的预期成本与数字 n 无关。也就是说，哈希 table 或 10100 中是否有 1,000,000 个元素并不重要 - 您需要证明的点数平均而言是相同的.因此，我们可以说在散列 table、 中执行查找的预期成本作为散列 table 大小 的函数是 O(1)因为执行查找的成本不取决于 table 大小。
也许考虑散列中查找成本的最佳方法 table 会说它是 O(Thash + Teq)，其中Thash是散列一个元素所需的时间，Teq是比较所需的时间table 中的两个元素。例如，对于字符串，您可以说查找的预期成本是 O(L + Lmax)，其中 L 是您正在散列的字符串的长度，Lmax是哈希存储的最长字符串的长度table.
希望对您有所帮助！
A HashMap（或）HashTable 是 keyed 数组的一个例子。在这里，索引是用户定义的键而不是通常的索引号。例如，arr["first"]=99 是一个 hashmap 的例子，其中 b 键是 first，值为 99.
由于使用了键，所以需要一个哈希函数将键转换为索引元素，然后insert/search数组中的数据。此过程假设 没有碰撞。
现在，给定一个要在数组中搜索的键，如果存在，则必须获取数据。所以，每次搜索前，都必须将key转换为数组的索引号。那么这如何花费 O(1) 时间呢？因为，时间复杂度也取决于散列函数。所以时间复杂度一定是O（哈希函数的时间）。
在谈论散列时，我们通常通过谈论搜索时需要进行的 探测 的预期数量来衡量散列的性能 table table 中的元素。在大多数哈希设置中，我们可以证明预期的探测数是 O(1)。通常，我们然后从那里跳到 "so the expected runtime of a hash table lookup is O(1)."
不过，情况不一定如此。正如您所指出的，计算特定输入的哈希函数的成本可能并不总是需要时间 O(1)。同样，比较散列 table 中的两个元素的成本也可能不会花费 O(1) 的时间。例如，考虑哈希字符串或列表。
也就是说，以下情况通常是正确的。如果我们让 table 中的元素总数为 n，我们可以说执行查找散列 table 的预期成本与数字 n 无关。也就是说，哈希 table 或 10100 中是否有 1,000,000 个元素并不重要 - 您需要证明的点数平均而言是相同的.因此，我们可以说在散列 table、 中执行查找的预期成本作为散列 table 大小 的函数是 O(1)因为执行查找的成本不取决于 table 大小。
也许考虑散列中查找成本的最佳方法 table 会说它是 O(Thash + Teq)，其中Thash是散列一个元素所需的时间，Teq是比较所需的时间table 中的两个元素。例如，对于字符串，您可以说查找的预期成本是 O(L + Lmax)，其中 L 是您正在散列的字符串的长度，Lmax是哈希存储的最长字符串的长度table.
希望对您有所帮助！