Производительность HashSet и List

Понятно, что эффективность поиска универсального HashSet<T>класса выше, чем универсального List<T>класса. Просто сравните ключ на основе хеша с линейным подходом в List<T>классе.

Однако вычисление ключа хеша само по себе может занять несколько циклов ЦП, поэтому для небольшого количества элементов линейный поиск может стать реальной альтернативой HashSet<T>.

Мой вопрос: где безубыточность?

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

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

Предположим, у вас есть List<T>только 5 предметов. В течение большого количества циклов, если один элемент добавляется или удаляется в каждом цикле, вам лучше использовать a List<T>.

Я проверил это на своей машине, и, чтобы получить преимущество, он должен быть очень маленьким List<T>. Для списка коротких строк преимущество ушло 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:

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 по списку превзойдет HashSet для небольшого количества элементов. Но разница в производительности обычно не имеет значения для небольших коллекций. Как правило, о больших коллекциях вы должны беспокоиться, и именно здесь вы думаете о Big-O . Однако, если вы измерили реальное узкое место в производительности HashSet, вы можете попытаться создать гибридный List / HashSet, но вы сделаете это, проведя множество эмпирических тестов производительности - не задавая вопросов по SO.

По сути, бессмысленно сравнивать две структуры по производительности, которые ведут себя по-разному. Используйте структуру, которая передает намерение. Даже если вы скажете, что у вас List<T>не будет дубликатов, и порядок итераций не имеет значения, делая его сравнимым с a HashSet<T>, его все равно плохой выбор, List<T>поскольку он относительно менее отказоустойчив.

Тем не менее, я буду проверять 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** |
+------------+--------+-------------+-----------+----------+----------+-----------+

• Несмотря на то, что сложение равно O (1) в обоих случаях, оно будет относительно медленным в HashSet, поскольку требует затрат на предварительную обработку хеш-кода перед его сохранением.

• Превосходная масштабируемость HashSet имеет стоимость памяти. Каждая запись хранится как новый объект вместе со своим хеш-кодом. Эта статья может дать вам представление.

Использовать ли HashSet <> или List <> зависит от того, как вам нужен доступ к вашей коллекции . Если вам нужно гарантировать порядок товаров, используйте Список. Если вы этого не сделаете, используйте HashSet. Позвольте Microsoft беспокоиться о реализации своих алгоритмов хеширования и объектов.

HashSet будет обращаться к элементам без нумерации коллекции (сложность O (1) или около нее), и поскольку список гарантирует порядок, в отличие от HashSet, некоторые элементы должны быть перечислены (сложность O (n)).

Просто подумал, что я бы включил некоторые тесты для различных сценариев, чтобы проиллюстрировать предыдущие ответы:

1. Несколько (12 - 20) маленьких строк (длиной от 5 до 10 символов)
2. Много (~ 10К) маленьких строк
3. Несколько длинных строк (длиной от 200 до 1000 символов)
4. Много (~ 5К) длинных строк
5. Несколько целых чисел
6. Много (~ 10К) целых чисел

И для каждого сценария ищем значения, которые появляются:

1. В начале списка («начало», индекс 0)
2. В начале списка («рано», индекс 1)
3. Посередине списка («середина», индекс количества / 2)
4. Ближе к концу списка («поздно», индекс-2)
5. В конце списка («end», index count-1)

Перед каждым сценарием я генерировал случайные по размеру списки случайных строк, а затем передавал каждый список в хэш-набор. Каждый сценарий выполнялся 10000 раз, по сути:

(тестовый 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

Проверено на Windows 7, 12 ГБ оперативной памяти, 64-разрядных, Xeon 2,8 ГГц

---------- 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. Хеш-вычисления могут быть тривиальными или нет ... :-) Всегда есть класс System.Collections.Specialized.HybridDictionary, чтобы не беспокоиться о точке безубыточности.

Ответ, как всегда, « Это зависит ». Я полагаю из тегов, которые вы говорите о C #.

Ваш лучший выбор - определить

1. Набор данных
2. Требования к использованию

и написать несколько тестов.

Это также зависит от того, как вы сортируете список (если он вообще сортируется), какого рода сравнения необходимо выполнить, сколько времени занимает операция «Сравнить» для определенного объекта в списке или даже как вы собираетесь использовать коллекция.

Как правило, лучший выбор не столько зависит от размера данных, с которыми вы работаете, сколько от того, как вы намереваетесь получить к нему доступ. У вас есть каждый фрагмент данных, связанный с определенной строкой или другими данными? Лучше всего подойдет коллекция на основе хешей. Важен ли порядок хранимых данных или вам потребуется доступ ко всем данным одновременно? Обычный список может быть лучше.

Дополнительно:

Конечно, мои комментарии выше предполагают, что «производительность» означает доступ к данным. Что еще нужно рассмотреть: что вы ищете, когда говорите «производительность»? Производительность индивидуальной ценности смотрит вверх? Это управление большими (10000, 100000 или более) наборами значений? Производительность заполнения структуры данных данными? Удаление данных? Доступ к отдельным битам данных? Замена значений? Перебирая значения? Использование памяти? Скорость копирования данных? Например, если вы обращаетесь к данным по строковому значению, но основным требованием к производительности является минимальное использование памяти, у вас могут возникнуть конфликтующие проблемы проектирования.

Вы можете использовать HybridDictionary, который автоматически обнаруживает точку разрыва и принимает нулевые значения, делая его практически таким же, как HashSet.

Это зависит. Если точный ответ действительно имеет значение, сделайте профилирование и узнайте. Если вы уверены, что в наборе никогда не будет больше определенного количества элементов, используйте Список. Если число не ограничено, используйте HashSet.

Зависит от того, что вы хэшируете. Если ваши ключи целые числа, вам, вероятно, не нужно много элементов, прежде чем HashSet станет быстрее. Если вы вводите его в строку, это будет медленнее и зависит от входной строки.

Конечно, вы могли бы довольно легко поднять отметку?

Одним из факторов, который вы не учитываете, является надежность функции GetHashcode (). С идеальной функцией хеширования HashSet, несомненно, будет иметь лучшую производительность поиска. Но с уменьшением хеш-функции время поиска HashSet будет уменьшаться.

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, чтобы эффективно тестировать (более 1000 элементов), двоичный двоичный код поиск превосходит линейный поиск, и оттуда разница только увеличивается.

Надеюсь это поможет!