Home-Made Dictionaries [KSR Wiki]

Diese Seite ist nicht editierbar. Du kannst den Quelltext sehen, jedoch nicht verändern. Kontaktiere den Administrator, wenn du glaubst, dass hier ein Fehler vorliegt.
## Home-Made Dictionaries

Das Dictionary ist neben der Liste einer der grundlegenden Container-Datentypen, die in den meisten Programmiersprachen vorkommen. Manchmal wird es auch _Map_, [[https://docs.python.org/3/glossary.html#term-mapping|Mapping]] oder [[wp>Associative_array|Associative Array]] genannt.

Ein Dictionary ordnet jedem möglichen Schlüssel (_key_) maximal einen Wert (_value_) zu. Die folgenden Operationen werden mindestens unterstützt:

  * `lookup(key)`: gibt den zu `key` zugeordneten Wert zurück
  * `insert(key, value)`: definiert eine neue Zuordnung (eine bereits existierende Zuordnung wird überschrieben)
  * `remove(key)`: entfernt eine Zuordnung

### Variante 1: Tupel-Liste

Eine einfache Möglichkeit, in Python selber ein Dictionary zu implementieren, wäre eine Liste von Tupeln `(key, value)` zu speichern. Ein [[https://docs.python.org/3/tutorial/datastructures.html#tuples-and-sequences|Tupel]] ist nichts anderes als eine unveränderliche Liste und wird (fast) immer in runde Klammern eingebettet.

Wenn wir möchten, dass unsere Tupel-Liste die Python Syntax mit eckigen Klammern unterstützt, verwenden wir für die obigen Operationen die folgenden [[https://docs.python.org/3/reference/datamodel.html#specialnames|Special Method Names]]:

  * Lookup: ''[[https://docs.python.org/3/reference/datamodel.html#object.__getitem__|__getitem__(key)]]''
  * Insert: `__setitem__(key, value)`
  * Remove: `__delitem__(key)`
  * Optional: `__iter__` um den `for`-Loop über die Keys zu unterstützen.

Deren Spezifikation besagt, dass Lookup und Remove einen `KeyError` auslösen sollen, wenn der Schlüssel nicht existiert.

<code python>
class TupleList:
    """A linear mapping type using list of (key, value) tuples."""
    def __init__(self):
        self._tuples = []
    
    def _finditem(self, key):
        """Returns the index of key, otherwise raises KeyError."""
        for index, (k, _) in enumerate(self._tuples):
            if key == k:
                return index
        raise KeyError
    
    def __getitem__(self, key):
        return self._tuples[self._finditem(key)][1]
    
    def __delitem__(self, key):
        return self._tuples.pop(self._finditem(key))[1]

    def __setitem__(self, key, value):
        try:
            # replace existing mapping
            self._tuples[self._finditem(key)] = (key, value)
        except KeyError:
            # add new mapping
            self._tuples.append((key, value))

    def __len__(self):
        return len(self._tuples)

    def __iter__(self):
        for k, _ in self._tuples:
            yield k
    
map = TupleList()       # calls __init__
map['one'] = 42         # calls __setitem__
map['two'] = 21

print(map['one'])       # calls __getitem__
map['one'] = 'foobar'
print(map['one'])  
</code>


#### Laufzeit-Messung

Die Tupel-Liste funktioniert, aber ist sie auch schnell? Wir machen eine kleine Messung:

<code python>
def perf_test(map_type):
    import time, random
    # Measure how many mappings can be inserted, take no longer than 10s
    elapsed = 0
    count = 10 # start with 100 mappings
    while elapsed < 1:
        map = map_type()
        count = count * 10
        start = time.time()
        for i in range(count):
            key = random.randint(0, 1e6)
            map[key] = str(key)
            assert map[key] == str(key)
        elapsed = time.time() - start
        time_per_op = elapsed / count
        print(f"{map_type.__name__}: N={count:7}  Time per Op: {time_per_op:2.1e}")

perf_test(TupleList)
</code>

Output:
<code>
TupleList: N=   100  Time per Op: 5.4e-06
TupleList: N=  1000  Time per Op: 2.9e-05
TupleList: N= 10000  Time per Op: 2.5e-04
</code>

Die Zeit, um eine einzelne Zuordnung abzurufen wächst also linear mit der Anzahl Zuordnungen - wir sagen auch, dass die Lookup-Operation eine Laufzeit-Komplexität von $O(n)$ hat.

#### Aufgabe 1 - Zeitmessung
Implementiere deine eigene Tupel-Liste und miss die Zeit für Lookup auf deinem Computer!

### Variante 2: Binary Search

Natürlich möchten wir schneller sein als linear - zum Glück erinnern wir uns an die Informatik 1 und die [[gf_informatik:suchen_und_sortieren:binaersuche|Binärsuche]]!

Falls die verwendeten Schlüssel miteinander vergleichbar sind, könnten wir die Tupel-Liste ja sortieren, der Zugriff sollte dementsprechend schneller sein. Mathematiker sprechen auch davon, dass eine [[wpde>Ordnungsrelation#Totalordnung|Totalordnung]] über die Schlüssel besteht. In Python ist dies der Fall, wenn wir für die Schlüssel Zahlen oder Strings (lexikographische Ordnung) verwenden, oder wenn die Schlüssel die [[https://docs.python.org/3/reference/datamodel.html#object.__lt__|Spezial-Funktionen für die Ordnung]] aufweisen.

#### Aufgabe 2 - Sortierte Tupel-Liste
Implementiere eine `class SortedTupleList` - Hinweise:
  * Wir können von `TupleList` erben: `class SortedTupleList(TupleList)` um einigen Code wiederzuverwenden:
    * Die private Methode `_finditem(key)` muss angepasst werden um die Binärsuche zu implementieren.
    * In `__getitem__` und `__delitem__` bleiben sich gleich und müssen nicht angepasst werden.
  * In `__setitem__` benötigen wir den Einfüge-Index, falls `_finditem` nichts findet. Dafür gibt es verschiedene Möglichkeiten..

Führe jetzt eine Zeitmessung durch und vergleiche!

<nodisp 1>
++++Lösung:|
<code python>
class SortedTupleList(TupleList):
    """A logarithmic mapping type using a sorted list of (key, value) tuples."""
    # Override _finditem to use binary search
    def _finditem(self, key, raise_on_notfound=True):
        """Returns the list index of key if it is present. Otherwise, 
           either raises KeyError or returns the insertion point."""
        left = 0
        right = len(self._tuples) - 1
        while left <= right:
            middle = (left + right) // 2
            k = self._tuples[middle][0]
            if key < k:
                right = middle - 1
            elif k < key:
                left = middle + 1 
            else:  # k == key
                return middle
        if raise_on_notfound:
            raise KeyError
        return left  # Insertion point

    # __getitem__ and __delitem__ are inherited as is, but
    # for __setitem__, we need to ensure that sorting is
    # maintained.
    def __setitem__(self, key, value):
        index = self._finditem(key, raise_on_notfound=False)
        if index < len(self._tuples) and self._tuples[index][0] == key:
            self._tuples[index] = (key, value)  # replace existing entry
        else:
            self._tuples.insert(index, (key, value))  # insert new entry
</code>
++++
</nodisp>
### Variante 3 - Hash-Map

Können wir noch schneller sein als Binärsuche?

Binärsuche ist sehr viel schneller als lineare Suche: jedes Mal, wenn wir die Anzahl Einträge verdoppeln, vergrössert sich die Zeit um einen konstanten Faktor. Alternative Betrachtung: werden die Anzahl Einträge quadriert, verdoppelt sich die Zeit. Mann kann auch sagen, dass die Zeit pro Lookup mit dem Logarithmus der Anzahl Einträge wächst, oder dass Lookup die Komplexität $O(log(n))$ hat.

#### Hashing

Allerdings wissen wir auch, dass der eigentliche Zugriff auf die zugrundeliegende Liste nicht von deren Grösse abhängt. Wenn wir den richtigen Index kennen würden, könnten wir den Zugriff in konstanter Zeit (oder $O(1)$) schaffen. Dies wird mit einer Hashmap erreicht, indem der Index aus dem Key berechnet wird. Dazu wird für jedes Key-Objekt ein _Hashwert_ (eine Ganzzahl) berechnet. Aus dem Hashwert wird der Index in der Tupel-Liste mittels `hash % len(self.tuples)` berechnet.

In Python können wir die eingebaute `hash(object)` Funktion verwenden, um für jedes Objekt einen Hashwert zu erhalten. Für die meisten Objekte ist dies ein Wert, der aus der internen Speicheradresse abgeleitet wird; für Typen, die `__eq__` implementieren, wie beispielsweise Strings, basiert der Hashwert auf dem Inhalt, so dass zwei unterschiedliche String-Instanzen mit dem gleichen Inhalt trotzdem den gleichen Hashwert produzieren.

#### Kollisionen

Natürlich kann es vorkommen, dass zwei unterschiedliche Keys denselben Index ergeben, eine sogenannte Kollision. Wir müssen also beim Suchen sicherstellen, dass an der berechneten Adresse tatsächlich der gesuchte Key steht. Zur Behandlung von Kollisionen gibt es viele [[wp>Hash_table#Collision_resolution|Möglichkeiten]]:

  * Probing: In der Liste weitersuchen nach dem nächsten freien Slot.
    * Dies führt zu _Clustering_: an ungünstigen Stellen gibt es je nach _Fullness_ kaum mehr leere Slots.
    * Bei `Remove` müssen wir sicherstellen, dass die folgenden Elemente des Clusters wieder nach vorne gerückt werden.
  * Chaining: Jedes Listenelement ist eine weitere Liste, die wir nach dem richtigen Key durchsuchen.
    * Solange die Kollisionsrate tief ist, kostet die lineare Suche kaum Zeit.
    * Es bietet sich an, gleich eine `TupleList` von oben zu verwenden - oder `SortedTupleList`, wobei dies bei der zu erwartenden Länge nicht ins Gewicht fällt.

Um die Anzahl Kollisionen tief zu halten ist es wichtig, dass die Liste nie ganz gefüllt ist - die Tupel-Liste wird also bewusst grösser gewählt als nötig und bei Bedarf ein _rehash_ ausgeführt: alle Einträge werden in eine neue, grössere Liste umgefüllt, wobei die Indices dann neu berechnet werden müssen. Je nach gewähltem Faktor für die tolerierbare Kollisionszahl benötigt die Hashmap also mehr Speicher, um damit eine bessere Laufzeit zu erreichen.


#### Aufgabe 3 - HashMap
Implementiere eine `class HashMap`.

Hinweise:
  * wir können `_tuples` und `__getitem__` wieder von `TupleList` erben.

<nodisp 1>
++++Mit linear Probing:|
<code python>
class HashMap(TupleList):
    def __init__(self):
        self._tuples = [None] * 10  # The entries (None where empty)
        self._len = 0  # The number of elements we contain.
 
    def __len__(self):
        return self._len
    
    def __iter__(self):
        for entry in self._tuples:
            if entry:
                yield entry[0]
 
    def _hash(self, key):
        return hash(key)  # Use Python's built-in hash function.
    
    def _index(self, key):
        return self._hash(key) % len(self._tuples)
 
    def _finditem(self, key, raise_on_notfound=True):
        """Returns the index where key is found. Otherwise, either returns
           the index where key were to be inserted, or raises an error."""
        h = self._index(key)
 
        # Find the first matching or empty slot using linear probing.
        entry = self._tuples[h]
        while entry and entry[0] != key:
            h = (h + 1) % len(self._tuples)
            entry = self._tuples[h]
        if entry is None and raise_on_notfound:
            raise KeyError(key)
        return h

    # Any mappings that were shifted due to collision need to be moved to the gap.
    def __delitem__(self, key):
        index = self._finditem(key)
        v = self._tuples[index][1]
        self._tuples[index] = None
        self._len -= 1
        self._clean_up_after_delete(index)
        return v

    def _clean_up_after_delete(self, index):
        """After a delete, we need to ensure that any subsequent entries that may have been 
           moved due to collisions are moved forward until we find another gap."""
        probe = index + 1
        while True:
            entry = self._tuples[probe]
            if entry is None:
                return # found a gap - we're done
            h = self._index(entry[0])
            if h <= index:
                # we found an entry that was moved
                self._tuples[index] = entry
                self._tuples[probe] = None
                index = probe
            probe = (probe + 1) % len(self._tuples)
 
    def __setitem__(self, key, value):
        index = self._finditem(key, raise_on_notfound=False)
        is_addition = self._tuples[index] is None
        self._tuples[index] = (key, value)
        if is_addition:
            self._len += 1
            self._attempt_rehash()
 
    def _attempt_rehash(self):
        """Rehashes the entire map if fullness reaches 50%. The capacity is doubled."""
        # Rehash if fullness is more than 50%
        if self._len > len(self._tuples) * 0.5:
            old_tuples = self._tuples
    
            # Re-insert all elements into twice as large list
            self._tuples = [None] * (len(old_tuples) * 2)  # Double the size!
            for entry in old_tuples:
                if entry:
                    index = self._finditem(entry[0], raise_on_notfound=False)
                    self._tuples[index] = entry
</code>
++++

++++Mit Chaining:|
<code python>
class ChainingHashMap:
    """A mapping that employs a TupleList in each slot to chain colliding entries."""
    def __init__(self):
        self._tuples = [None] * 10  # The entries, either None or a linear TupleList.
        self._len = 0  # The number of elements we contain.
 
    def __len__(self):
        return self._len

    def __iter__(self):
        for entry in self._tuples:
            if entry:
                yield from entry

    def _hash(self, key):
        return hash(key)  # Use Python's built-in hash function.
    
    def _finditem(self, key, raise_on_notfound=True):
        """Returns the TupleList at the key's slot or raises an error.
           If raise_on_notfound is False, an empty TupleList is inserted and returned."""
        h = self._hash(key) % len(self._tuples)
 
        # Find the first matching or empty slot
        entry = self._tuples[h]
        if entry is None:
            if raise_on_notfound:
                raise KeyError(key)
            # create a new sublist
            entry = TupleList()
            self._tuples[h] = entry
        return entry
 
    def __getitem__(self, key):
        return self._finditem(key)[key]

    def __delitem__(self, key):
        return self._finditem(key).__delitem__(key)

    def __setitem__(self, key, value):
        entry = self._finditem(key, raise_on_notfound=False)
        is_addition = key not in entry
        entry[key] = value

        if is_addition:
            self._len += 1
            self._attempt_rehash()
 
    def _attempt_rehash(self):
        """Rehashes the entire map if fullness reaches 50%. The capacity is doubled."""
        # Rehash if fullness is more than 50%
        if self._len > len(self._tuples) * 0.5:
            old_tuples = self._tuples
    
            # Re-insert all elements into twice as large list
            self._tuples = [None] * (len(old_tuples) * 2)  # Double the size!
            for entry in old_tuples:
                if entry:
                    for key in entry:
                        self._finditem(key, raise_on_notfound=False)[key] = entry[key]
</code>
++++
</nodisp>