HashMap加載因子為什么是0.75

本篇內容主要講解“HashMap加載因子為什么是0.75”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“HashMap加載因子為什么是0.75”吧!

加載因子是哈希表在其容量自動增加之前可以達到多滿的一種尺度，它衡量的是一個散列表的空間的使用程度，負載因子越大表示散列表的裝填程度越高，反之愈小。

對于使用鏈表法的散列表來說，查找一個元素的平均時間是  O(1+a)。因此如果負載因子越大，對空間的利用更充分，然而后果是查找效率的降低;如果負載因子太小，那么散列表的數據將過于稀疏，對空間造成嚴重浪費。

如果你看過源代碼，你會發現在初始條件下，HashMap 在時間和空間兩者間折中選擇了 0.75

/** * The load factor used when none specified in constructor. */  static final float DEFAULT_LOAD_FACTOR = 0.75f;

但是為什么一定是 0.75?而不是 0.8，0.6，這里有一個非常重要的概念：泊松分布。

相信大家都學過概率論，對這個大名鼎鼎的定律感覺應該是既熟悉又陌生。本篇文章的重點不是為大家普及概率論知識，這里就簡單介紹下。

泊松分布是最重要的離散分布之一，它多出現在當X表示在一定的時間或空間內出現的事件個數這種場合。

舉個簡單的例子，假如你一個老板，新開張了一家酒店，這個時候應該如何準備一天所用的食材呢?

準備的太多，最后賣不掉這么多菜只能浪費扔掉;準備不夠，又接不了生意。但是你有很多同行和朋友，他們會告訴你很多經驗。

比如把一天分成幾個時間段，上午、下午、晚上每個時間段大概會來多少個客人，每一桌大概會點幾個菜。綜合下來，就可以大致知道在一天的時間內，估計出需要準備的食材數量。

我們接下來看看 HashMap 源碼注釋的原話：

Ideally, under random hashCodes, the frequency of nodes in bins follows a  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)).

翻譯過來說的是，在理想情況下,使用隨機哈希碼，節點出現的頻率在 hash 桶中遵循泊松分布。

對照桶中元素個數和概率的表，可以看到當用 0.75 作為加載因子時，桶中元素到達 8 個的時候，概率已經變得非常小，因此每個碰撞位置的鏈表長度超過 8  個是幾乎不可能的，因此在鏈表節點到達 8 時才開始轉化為紅黑樹。

到此，相信大家對“HashMap加載因子為什么是0.75”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！