高效插入和搜索字符串

Question

在一个应用程序中，我将有大约3000到30000个字符串。 在创建之后（从无序的文件中读取）将不会有很多字符串经常被添加（但有时会有！）。删除字符串也不会经常发生。 将字符串与存储的字符串进行比较将经常发生。

我可以使用哪种结构，哈希表，树（红黑，Splay，......）或只是在有序列表上（可能是StringArray？）？

（补充说明：一个好的C＃实现的链接也将受到赞赏）

Answer 1

听起来你只需要一个哈希表。因此，HashSet<T>似乎是理想的选择。 （您似乎不需要密钥，但如果您这样做，Dictionary<T>将是正确的选项。）

以下是HashSet<T>大小n上不同操作的时间复杂性摘要。它们部分基于类型使用数组作为后备数据结构这一事实。

• 插入：通常为O(1)，但如果需要调整数组大小，则可能为O(n)。
• 删除 O(1)
• 存在（包含）： O(1)（给定理想的哈希表桶）

如果有任何错误请有人纠正我。根据我对实现/哈希表的了解，它们只是我最好的猜测。

Answer 2

HashSet非常适合快速插入和搜索速度。添加，删除和包含是O（1）。

Edit- Add假定数组不需要调整大小。如果是这样的话，Noldorin已经声明它是O（n）。

我在最近的VB 6（我没有写它）上使用HashSet到.NET 3.5升级项目，我在那里迭代一个包含子项的集合，每个子项可能出现在多个父项中。该应用程序处理了我想要发送到API的项目列表，每次调用会收取大量费用。

我基本上使用HashSet跟踪我已发送的项目，以防止我们产生不必要的费用。由于该进程被多次调用（它基本上是一个包含多个命令的批处理作业），所以我在调用之间序列化了HashSet。这非常有效 - 我需要尽可能多地重用现有代码，因为这已经过彻底测试。 HashSet肯定表现得非常快。

Answer 3

如果您正在寻找实时性能或最佳内存效率，我建议使用基数树或显式后缀或前缀树。否则我可能会使用哈希。

树的优点是在最坏情况查找，插入和删除时间（基于您正在查找的模式的长度）具有固定边界。基于散列的解决方案的优势在于可以更轻松地编写代码（在C＃中开箱即用），最初构建成本更低，如果配置正确，则具有相似的平均情况性能。但是，它们确实倾向于使用更多内存并且具有非确定性时间查找，插入（并且取决于实现可能的删除）。

Answer 4

如果你的比较只是“这个字符串是否存在于集合中”，那么推荐HashSet<T>的答案就会被点亮。您甚至可以使用不同的IEqualityComparer<string>实现（可能选择StringComparer中的实现）来区分大小写等。

这是你需要的唯一比较类型，还是你需要“如果这个字符串实际上是一个有序列表，它会出现在集合中的哪个位置？”如果你需要那种检查，那么你可能想要进行二分查找。 （List<T>提供了BinarySearch方法;我不知道为什么SortedList和SortedDictionary没有，因为两者都可以轻松搜索。不可否认SortedDictionary搜索不会像正常的二进制搜索一样相当，但它通常仍然具有我认为相似的特征。）

正如我所说的，如果您仅想要“在集合中”，那么HashSet<T>就是您的朋友。我以为我会在以下情况下调出其余部分：）

Answer 5

如果你需要知道“如果它实际上是一个有序列表，那么这个字符串会出现在集合中的哪个位置”（如Jon Skeet的答案），你可以考虑trie。此解决方案只能用于某些类型的“字符串式”数据，如果“字母”与字符串数量相比较大，则很快就会失去其优势。缓存局部性也可能是个问题。

然而，对于一组仅有大约预先计算的N = 30,000件物品，这可能会被过度设计。您甚至可以更好地分配一个k * N可选的数组，并通过在每个实际事物之间跳过k空格来填充它（从而降低您的稀有插入需要重新分配的可能性，仍然让您使用二进制搜索的变体，并保持您的项目按排序顺序。如果您需要精确“此字符串将出现在集合中的哪个位置”，但这不起作用，因为您需要O（n）时间来检查每个空格。项目检查是否为空白或插入O（n）时间以更新“每个插槽中有多少项目在我之前”计数器。它可以为您提供非常快速的不精确索引，但是，这些索引在插入/删除之间是稳定的。