我有一个很大的元素列表(数千万) . 我试图计算这些元素的几个子集的出现次数 . 事件分布是长尾的 .
数据结构目前看起来像这样(在OCaml-ish风格):
type element_key
type element_aggr_key
type raw_data = element_key list
type element_stat =
{
occurrence : (element_key, int) Hashtbl.t;
}
type stat =
{
element_stat_hashtable : (element_aggr_key, element_stat) Hashtbl.t;
}
Element_stat当前使用哈希表,其中键是每个元素,值是整数 . 但是,这是低效的,因为当许多元素只出现一次时,出现的哈希表会多次调整大小 . 我无法避免通过设置较大的初始大小来调整发生哈希表的大小,因为实际上有很多element_stat实例(stat中的哈希表的大小很大) .
我想知道这个用例是否有更高效(内存方式和/或插入方式)的数据结构 . 我发现了很多现有的数据结构,比如trie,radix tree,Judy array . 但我很难理解他们的差异以及他们是否适合我的问题 .
1 回答
你在这里有一个表
element_aggr_key
映射到表,然后将element_key
映射到int
. 出于所有实际目的,这相当于将element_aggr_key * element_key
映射到int
的单个表,因此您可以这样做:然后你有一个哈希表,你可以给它一个巨大的初始大小 .