Производительность HashSet и List

понятно, что производительность поиска generic HashSet<T> класс выше, чем у generic List<T> класса. Просто сравните ключ на основе хэша с линейным подходом в List<T> класса.

однако вычисление хэш-ключа может занять несколько циклов процессора, поэтому для небольшого количества элементов линейный поиск может быть реальной альтернативой HashSet<T>.

мой вопрос: где безубыточности?

чтобы упростить сценарий (и быть справедливым), давайте предположим, что List<T> класс использует элемент Equals() метод для идентификации элемента.

12 ответов


многие люди говорят, что как только вы доберетесь до размера, где скорость на самом деле является проблемой, что HashSet<T> всегда будут бить List<T>, но это зависит от того, что вы делаете.

Допустим, у вас есть List<T> это будет только когда-либо иметь в среднем 5 пунктов в нем. В течение большого количества циклов, если один элемент добавляется или удаляется каждый цикл, вам может быть лучше использовать List<T>.

Я сделал тест для этого на моей машине, и, ну, это должно быть очень очень маленький, чтобы получить преимущество от List<T>. Для списка коротких строк преимущество исчезло после размера 5, для объектов после размера 20.

1 item LIST strs time: 617ms
1 item HASHSET strs time: 1332ms

2 item LIST strs time: 781ms
2 item HASHSET strs time: 1354ms

3 item LIST strs time: 950ms
3 item HASHSET strs time: 1405ms

4 item LIST strs time: 1126ms
4 item HASHSET strs time: 1441ms

5 item LIST strs time: 1370ms
5 item HASHSET strs time: 1452ms

6 item LIST strs time: 1481ms
6 item HASHSET strs time: 1418ms

7 item LIST strs time: 1581ms
7 item HASHSET strs time: 1464ms

8 item LIST strs time: 1726ms
8 item HASHSET strs time: 1398ms

9 item LIST strs time: 1901ms
9 item HASHSET strs time: 1433ms

1 item LIST objs time: 614ms
1 item HASHSET objs time: 1993ms

4 item LIST objs time: 837ms
4 item HASHSET objs time: 1914ms

7 item LIST objs time: 1070ms
7 item HASHSET objs time: 1900ms

10 item LIST objs time: 1267ms
10 item HASHSET objs time: 1904ms

13 item LIST objs time: 1494ms
13 item HASHSET objs time: 1893ms

16 item LIST objs time: 1695ms
16 item HASHSET objs time: 1879ms

19 item LIST objs time: 1902ms
19 item HASHSET objs time: 1950ms

22 item LIST objs time: 2136ms
22 item HASHSET objs time: 1893ms

25 item LIST objs time: 2357ms
25 item HASHSET objs time: 1826ms

28 item LIST objs time: 2555ms
28 item HASHSET objs time: 1865ms

31 item LIST objs time: 2755ms
31 item HASHSET objs time: 1963ms

34 item LIST objs time: 3025ms
34 item HASHSET objs time: 1874ms

37 item LIST objs time: 3195ms
37 item HASHSET objs time: 1958ms

40 item LIST objs time: 3401ms
40 item HASHSET objs time: 1855ms

43 item LIST objs time: 3618ms
43 item HASHSET objs time: 1869ms

46 item LIST objs time: 3883ms
46 item HASHSET objs time: 2046ms

49 item LIST objs time: 4218ms
49 item HASHSET objs time: 1873ms

вот эти данные отображаются в виде графика:

enter image description here

вот код:

static void Main(string[] args)
{
    int times = 10000000;


    for (int listSize = 1; listSize < 10; listSize++)
    {
        List<string> list = new List<string>();
        HashSet<string> hashset = new HashSet<string>();

        for (int i = 0; i < listSize; i++)
        {
            list.Add("string" + i.ToString());
            hashset.Add("string" + i.ToString());
        }

        Stopwatch timer = new Stopwatch();
        timer.Start();
        for (int i = 0; i < times; i++)
        {
            list.Remove("string0");
            list.Add("string0");
        }
        timer.Stop();
        Console.WriteLine(listSize.ToString() + " item LIST strs time: " + timer.ElapsedMilliseconds.ToString() + "ms");


        timer = new Stopwatch();
        timer.Start();
        for (int i = 0; i < times; i++)
        {
            hashset.Remove("string0");
            hashset.Add("string0");
        }
        timer.Stop();
        Console.WriteLine(listSize.ToString() + " item HASHSET strs time: " + timer.ElapsedMilliseconds.ToString() + "ms");
        Console.WriteLine();
    }


    for (int listSize = 1; listSize < 50; listSize+=3)
    {
        List<object> list = new List<object>();
        HashSet<object> hashset = new HashSet<object>();

        for (int i = 0; i < listSize; i++)
        {
            list.Add(new object());
            hashset.Add(new object());
        }

        object objToAddRem = list[0];

        Stopwatch timer = new Stopwatch();
        timer.Start();
        for (int i = 0; i < times; i++)
        {
            list.Remove(objToAddRem);
            list.Add(objToAddRem);
        }
        timer.Stop();
        Console.WriteLine(listSize.ToString() + " item LIST objs time: " + timer.ElapsedMilliseconds.ToString() + "ms");



        timer = new Stopwatch();
        timer.Start();
        for (int i = 0; i < times; i++)
        {
            hashset.Remove(objToAddRem);
            hashset.Add(objToAddRem);
        }
        timer.Stop();
        Console.WriteLine(listSize.ToString() + " item HASHSET objs time: " + timer.ElapsedMilliseconds.ToString() + "ms");
        Console.WriteLine();
    }

    Console.ReadLine();
}

вы смотрите на это неправильно. Да, линейный поиск списка будет бить хэш-набор для небольшого количества элементов. Но разница в производительности обычно не имеет значения для таких небольших коллекций. Это, как правило, большие коллекции, о которых вам нужно беспокоиться, и именно там вы думайте в терминах Big-O. Однако, если вы измерили реальное узкое место в производительности HashSet, вы можете попытаться создать гибридный список / HashSet, но вы сделаете это, проведя много эмпирических тесты производительности - не задавая вопросов по SO.


использовать ли HashSet или List сводится к Как вам нужно получить доступ к вашей коллекции. Если вам нужно гарантировать порядок элементов, используйте список. Если нет, используйте HashSet. Пусть Microsoft беспокоится о реализации своих алгоритмов и объектов хэширования.

хэш-набор будет иметь доступ к элементам без необходимости перечислять коллекцию (сложность O (1) или рядом с ним), и поскольку список гарантирует порядок, в отличие от HashSet, некоторые элементы будут должны быть перечислены (сложность O (n)).


по существу бессмысленно сравнивать две структуры для производительность которые ведут себя по-другому. Используйте структуру, которая передает намерение. Даже если вы скажете свой List<T> не будет дубликатов, и порядок итераций не имеет значения, что делает его сопоставимым с HashSet<T>, его все еще плохой выбор для использования List<T> потому что его относительно менее отказоустойчивой.

что сказал, Я проверю некоторые другие аспекты производительности,

+------------+--------+-------------+-----------+----------+----------+-----------+
| Collection | Random | Containment | Insertion | Addition |  Removal | Memory    |
|            | access |             |           |          |          |           |
+------------+--------+-------------+-----------+----------+----------+-----------+
| List<T>    | O(1)   | O(n)        | O(n)      | O(1)*    | O(n)     | Lesser    |
| HashSet<T> | O(n)   | O(1)        | n/a       | O(1)     | O(1)     | Greater** |
+------------+--------+-------------+-----------+----------+----------+-----------+

* Even though addition is O(1) in both cases, it will be relatively slower in HashSet<T> since it involves cost of precomputing hash code before storing it.

** The superior scalability of HashSet<T> has a memory cost. Every entry is stored as a new object along with its hash code. This article might give you an idea.


просто подумал, что я перезвоню с некоторыми ориентирами для разных сценариев, чтобы проиллюстрировать предыдущие ответы:

  1. несколько (12 - 20) небольших строк (длина от 5 до 10 символов)
  2. многие (~10K) маленькие строки
  3. несколько длинных строк (длина от 200 до 1000 символов)
  4. многие (~5K) длинные строки
  5. несколько чисел
  6. много (~10K) целых чисел

и для каждого сценария, глядя вверх значения, которые появляются:

  1. в начале списка ("пуск", индекс 0)
  2. в начале списка ("ранний", индекс 1)
  3. в середине списка ("средний", index count/2)
  4. в конце списка ("поздно", количество индексов-2)
  5. в конце списка ("end", index count-1)

перед каждым сценарием я создавал списки случайных строк произвольного размера, а затем подавал каждый список в хэш-набор. Каждый сценарий побежал в 10000 раз, по существу:

(тест псевдокод)

stopwatch.start
for X times
    exists = list.Contains(lookup);
stopwatch.stop

stopwatch.start
for X times
    exists = hashset.Contains(lookup);
stopwatch.stop

Пример Вывода

протестировано на Windows 7, 12GB Ram, 64 бит, Xeon 2.8 GHz

---------- Testing few small strings ------------
Sample items: (16 total)
vgnwaloqf diwfpxbv tdcdc grfch icsjwk
...

Benchmarks:
1: hashset: late -- 100.00 % -- [Elapsed: 0.0018398 sec]
2: hashset: middle -- 104.19 % -- [Elapsed: 0.0019169 sec]
3: hashset: end -- 108.21 % -- [Elapsed: 0.0019908 sec]
4: list: early -- 144.62 % -- [Elapsed: 0.0026607 sec]
5: hashset: start -- 174.32 % -- [Elapsed: 0.0032071 sec]
6: list: middle -- 187.72 % -- [Elapsed: 0.0034536 sec]
7: list: late -- 192.66 % -- [Elapsed: 0.0035446 sec]
8: list: end -- 215.42 % -- [Elapsed: 0.0039633 sec]
9: hashset: early -- 217.95 % -- [Elapsed: 0.0040098 sec]
10: list: start -- 576.55 % -- [Elapsed: 0.0106073 sec]


---------- Testing many small strings ------------
Sample items: (10346 total)
dmnowa yshtrxorj vthjk okrxegip vwpoltck
...

Benchmarks:
1: hashset: end -- 100.00 % -- [Elapsed: 0.0017443 sec]
2: hashset: late -- 102.91 % -- [Elapsed: 0.0017951 sec]
3: hashset: middle -- 106.23 % -- [Elapsed: 0.0018529 sec]
4: list: early -- 107.49 % -- [Elapsed: 0.0018749 sec]
5: list: start -- 126.23 % -- [Elapsed: 0.0022018 sec]
6: hashset: early -- 134.11 % -- [Elapsed: 0.0023393 sec]
7: hashset: start -- 372.09 % -- [Elapsed: 0.0064903 sec]
8: list: middle -- 48,593.79 % -- [Elapsed: 0.8476214 sec]
9: list: end -- 99,020.73 % -- [Elapsed: 1.7272186 sec]
10: list: late -- 99,089.36 % -- [Elapsed: 1.7284155 sec]


---------- Testing few long strings ------------
Sample items: (19 total)
hidfymjyjtffcjmlcaoivbylakmqgoiowbgxpyhnrreodxyleehkhsofjqenyrrtlphbcnvdrbqdvji...
...

Benchmarks:
1: list: early -- 100.00 % -- [Elapsed: 0.0018266 sec]
2: list: start -- 115.76 % -- [Elapsed: 0.0021144 sec]
3: list: middle -- 143.44 % -- [Elapsed: 0.0026201 sec]
4: list: late -- 190.05 % -- [Elapsed: 0.0034715 sec]
5: list: end -- 193.78 % -- [Elapsed: 0.0035395 sec]
6: hashset: early -- 215.00 % -- [Elapsed: 0.0039271 sec]
7: hashset: end -- 248.47 % -- [Elapsed: 0.0045386 sec]
8: hashset: start -- 298.04 % -- [Elapsed: 0.005444 sec]
9: hashset: middle -- 325.63 % -- [Elapsed: 0.005948 sec]
10: hashset: late -- 431.62 % -- [Elapsed: 0.0078839 sec]


---------- Testing many long strings ------------
Sample items: (5000 total)
yrpjccgxjbketcpmnvyqvghhlnjblhgimybdygumtijtrwaromwrajlsjhxoselbucqualmhbmwnvnpnm
...

Benchmarks:
1: list: early -- 100.00 % -- [Elapsed: 0.0016211 sec]
2: list: start -- 132.73 % -- [Elapsed: 0.0021517 sec]
3: hashset: start -- 231.26 % -- [Elapsed: 0.003749 sec]
4: hashset: end -- 368.74 % -- [Elapsed: 0.0059776 sec]
5: hashset: middle -- 385.50 % -- [Elapsed: 0.0062493 sec]
6: hashset: late -- 406.23 % -- [Elapsed: 0.0065854 sec]
7: hashset: early -- 421.34 % -- [Elapsed: 0.0068304 sec]
8: list: middle -- 18,619.12 % -- [Elapsed: 0.3018345 sec]
9: list: end -- 40,942.82 % -- [Elapsed: 0.663724 sec]
10: list: late -- 41,188.19 % -- [Elapsed: 0.6677017 sec]


---------- Testing few ints ------------
Sample items: (16 total)
7266092 60668895 159021363 216428460 28007724
...

Benchmarks:
1: hashset: early -- 100.00 % -- [Elapsed: 0.0016211 sec]
2: hashset: end -- 100.45 % -- [Elapsed: 0.0016284 sec]
3: list: early -- 101.83 % -- [Elapsed: 0.0016507 sec]
4: hashset: late -- 108.95 % -- [Elapsed: 0.0017662 sec]
5: hashset: middle -- 112.29 % -- [Elapsed: 0.0018204 sec]
6: hashset: start -- 120.33 % -- [Elapsed: 0.0019506 sec]
7: list: late -- 134.45 % -- [Elapsed: 0.0021795 sec]
8: list: start -- 136.43 % -- [Elapsed: 0.0022117 sec]
9: list: end -- 169.77 % -- [Elapsed: 0.0027522 sec]
10: list: middle -- 237.94 % -- [Elapsed: 0.0038573 sec]


---------- Testing many ints ------------
Sample items: (10357 total)
370826556 569127161 101235820 792075135 270823009
...

Benchmarks:
1: list: early -- 100.00 % -- [Elapsed: 0.0015132 sec]
2: hashset: end -- 101.79 % -- [Elapsed: 0.0015403 sec]
3: hashset: early -- 102.08 % -- [Elapsed: 0.0015446 sec]
4: hashset: middle -- 103.21 % -- [Elapsed: 0.0015618 sec]
5: hashset: late -- 104.26 % -- [Elapsed: 0.0015776 sec]
6: list: start -- 126.78 % -- [Elapsed: 0.0019184 sec]
7: hashset: start -- 130.91 % -- [Elapsed: 0.0019809 sec]
8: list: middle -- 16,497.89 % -- [Elapsed: 0.2496461 sec]
9: list: end -- 32,715.52 % -- [Elapsed: 0.4950512 sec]
10: list: late -- 33,698.87 % -- [Elapsed: 0.5099313 sec]

безубыток будет зависеть от стоимости вычисления хэша. Вычисления хэша могут быть тривиальными или нет... :- ) Всегда есть система.Коллекции.Специализированный.Класс HybridDictionary поможет вам не беспокоиться о точке безубытка.


ответ, как всегда,"зависит". Я предполагаю, что из тегов вы говорите о C#.

ваш лучший выбор, чтобы определить

  1. набор данных
  2. условиями использования

и написать несколько тестовых случаев.

Это также зависит от того, как вы сортируете список (если он сортируется вообще), какие сравнения необходимо сделать, сколько времени занимает операция "сравнить" для конкретного объекта в списке или даже, как вы собираетесь использовать коллекцию.

Как правило, лучший выбор зависит не столько от размера данных, с которыми вы работаете, а скорее от того, как вы собираетесь получить к нему доступ. У вас есть каждый фрагмент данных, связанный с определенной строкой или другими данными? Коллекция на основе хэша, вероятно, будет лучше всего. Важен ли порядок данных, которые вы храните, или вам нужно будет получить доступ ко всем данным одновременно? Обычный список может быть лучше затем.

дополнительные:

конечно, мои комментарии выше предполагают, что "производительность" означает доступ к данным. Что-то еще нужно учитывать: что вы ищете, когда говорите "производительность"? Является ли производительность индивидуальной ценностью? Это управление большими (10000, 100000 или более) наборами значений? Это производительность заполнения структуры данных данными? Удаление данных? Доступ к отдельным битам данных? Замена ценностей? Повторение значений? Использование памяти? Данные скорость копирования? Например, если доступ к данным осуществляется по строковому значению, но основным требованием к производительности является минимальное использование памяти, могут возникнуть проблемы с дизайном.


вы можете использовать HybridDictionary, который автоматически обнаруживает точку разрыва и принимает нулевые значения, что делает его по существу таким же, как хэш-набор.


Это зависит. Если точный ответ действительно имеет значение, сделайте некоторое профилирование и узнайте. Если вы уверены, что у вас никогда не будет больше определенного количества элементов в наборе, перейдите к списку. Если число неограничено, используйте HashSet.


зависит от того, что ты хэширования. Если ваши ключи целые числа, вам, вероятно, не нужно очень много элементов, прежде чем хэш-набор будет быстрее. Если вы вводите его в строку, то он будет медленнее и зависит от входной строки.

конечно, вы могли бы на скорую руку бенчмарк довольно легко?


одним из факторов, который вы не учитываете, является надежность функции GetHashcode (). С идеальной хэш-функцией HashSet явно будет иметь лучшую производительность поиска. Но по мере уменьшения хэш-функции уменьшается и время поиска HashSet.


зависит от множества факторов... Реализация списка, архитектура процессора, JVM, семантика цикла, сложность метода equals и т. д... К тому времени, когда список становится достаточно большим для эффективного бенчмарка (1000+ элементов), бинарные поисковые запросы на основе хэша бьют линейные поиски руки вниз, и разница только масштабируется оттуда.

надеюсь, что это помогает!