哈希算法在LeetCode Hot100中的高效应用与优化

1. 哈希算法基础与Hot100解题逻辑

哈希表作为算法面试中的常青树，在LeetCode Hot100题库中出现的频率高达37%。这种以空间换时间的数据结构，本质上是通过哈希函数将键(key)映射到存储位置(bucket)的快速访问机制。在Day04的速通训练中，我们主要面对的是两类典型场景：需要快速判断元素存在的验证类问题（如两数之和），以及需要统计元素频率的计数类问题（如字母异位词分组）。

哈希函数的设计直接影响冲突概率。以Java的HashMap为例，当链表长度超过8时会转为红黑树，这个阈值的设定基于泊松分布计算：在负载因子0.75时，单个哈希槽出现8个元素的概率仅为0.00000006。这也是为什么在算法题中，我们通常可以直接使用语言内置的哈希结构而不必担心性能问题。

2. 高频题型深度解析

2.1 两数之和的三种实现对比

题目要求找出数组中相加等于目标值的两个数索引。暴力解法O(n²)显然不符合Hot100的考察意图。使用哈希表存储已遍历元素可将时间复杂度降至O(n)，但这里有三个实现细节值得注意：

1. 先检查补数再存入当前数的策略，可以避免重复使用同一元素。例如处理nums=[3,3], target=6时，若先存入再检查会错误匹配自身
2. 在Python中使用字典的in操作（if target-num in seen）比先get再判断更符合习惯
3. Go语言中推荐使用map[int]int而非map[int]struct{}，因为存储索引需要int值

python复制def twoSum(nums, target):
    seen = {}
    for i, num in enumerate(nums):
        if target - num in seen:
            return [seen[target - num], i]
        seen[num] = i
    return []

2.2 字母异位词分组的哈希键设计

这道题的关键在于如何为异位词生成唯一的哈希键。常见方案有：

1. 排序法：将单词排序后作为键，时间复杂度O(n*klogk)
2. 计数法：统计字母频率作为键，如a2b1c1，时间复杂度O(n*k)
3. 质数积法：为每个字母分配质数，计算乘积作为键，需处理大数溢出

实测在Python中，使用tuple(sorted(word))作为键比字符串拼接快15%。而在Java中，使用Arrays.toString(count)比拼接StringBuilder效率更高：

java复制class Solution {
    public List<List<String>> groupAnagrams(String[] strs) {
        Map<String, List<String>> map = new HashMap<>();
        for (String s : strs) {
            char[] count = new char[26];
            for (char c : s.toCharArray()) count[c-'a']++;
            S