Вопрос: Производительность HashSet и списков


Понятно, что производительность поиска общего HashSet<T> класс выше, чем общий List<T> класс. Просто сравните хэш-ключ с линейным подходом в List<T> класс.

Однако вычисление хэш-ключа может само по себе принимать некоторые циклы CPU, поэтому для небольшого количества элементов линейный поиск может быть реальной альтернативой HashSet<T>,

Мой вопрос: где безумие?

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


310


источник


Ответы:


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

Допустим, у вас есть List<T> который будет иметь только в среднем 5 предметов 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 своей машине, и, ну, он должен быть очень маленьким, чтобы получить преимущество от 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 данные, отображаемые 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();
}

670



Вы смотрите на это неправильно. Да, линейный поиск списка будет бить HashSet для небольшого количества элементов. Но разница в производительности обычно не имеет значения для небольших коллекций. Это, как правило, большие коллекции, о которых вам нужно беспокоиться, и вот где вы думать в терминах 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 о SO.


62



Использовать ли HashSet <> или Список <> сводится к как вам нужно получить доступ к своей коллекции , Если вам нужно гарантировать порядок пунктов, используйте Список. Если вы этого не сделаете, используйте HashSet. Пусть Microsoft беспокоится о реализации своих алгоритмов хэширования и объектов.

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


44



Нет смысла сравнивать две структуры для представление  которые ведут себя по-другому. Используйте структуру, которая передает намерение. Даже если вы скажете List<T> не будет иметь дубликатов, и порядок итераций не имеет значения, делая его сопоставимым с HashSet<T>, его по-прежнему плохой выбор для использования List<T> потому что его относительно менее отказоустойчивы.

Тем не менее, 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.


44



Просто подумал, что я бы прослушивал некоторые тесты для разных сценариев, чтобы проиллюстрировать предыдущие ответы:

  1. Несколько (12-20) маленьких строк (длиной от 5 до 10 символов)
  2. Многие (~ 10K) маленькие струны
  3. Несколько длинных строк (длина от 200 до 1000 символов)
  4. Много (~ 5K) длинных строк
  5. Несколько целых чисел
  6. Множество (~ 10K) целых чисел

И для каждого сценария, просматривая значения, которые появляются:

  1. В начале списка («start», index 0)
  2. В начале списка («ранний», индекс 1)
  3. В середине списка («средний», индексный счетчик / 2)
  4. В конце списка («late», count count-2)
  5. В конце списка («конец», индекс-1)

Перед каждым сценарием я генерировал беспорядочные списки случайных строк, а затем подавал каждый список в хешсет. Каждый сценарий выполнялся 10000 раз, по существу:

(тестовый псевдокод)

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

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

Образец вывода

Протестировано на Windows 7, 12GB Ram, 64 бит, 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]

20



Брелок будет зависеть от стоимости вычисления хэша. Вычисления хэшей могут быть тривиальными или нет ... :-) Всегда существует класс System.Collections.Specialized.HybridDictionary, который поможет вам не беспокоиться о точке безубыточности.


10



Ответ, как всегда, - это " Это зависит «Я предполагаю из тегов, о которых вы говорите о C #.

Лучше всего определить

  1. Набор данных
  2. Требования к использованию

и написать несколько тестовых примеров.

Это также зависит от того, как вы сортируете список (если он вообще отсортирован), какие сравнения должны быть сделаны, как долго выполняется операция «Сравнить» для конкретного объекта в списке или даже как вы собираетесь использовать коллекция.

Как правило, лучший выбор - это не столько размер данных, с которыми вы работаете, сколько то, как вы собираетесь его получить. У вас есть каждая часть данных, связанных с определенной строкой или другими данными? Вероятно, коллекция на основе хэша будет лучше. Является ли порядок хранения данных важными, или вам нужно будет одновременно получать доступ ко всем данным? Обычный список может быть лучше.

Дополнительно:

Конечно, мои вышеприведенные комментарии предполагают, что «производительность» означает доступ к данным. Что-то еще нужно учитывать: что вы ищете, когда говорите «производительность»? Воспроизводится ли индивидуальное значение производительности? Является ли управление большими (10000, 100000 или более) наборами значений? Является ли производительность заполнения структуры данных данными? Удаление данных? Доступ к отдельным битам данных? Замена значений? Итерация над значениями? Использование памяти? Скорость копирования данных? Например, если вы обращаетесь к данным по строковому значению, но ваши основные требования к производительности - это минимальное использование памяти, у вас могут возникнуть конфликтующие проблемы с дизайном.


6



You can use a HybridDictionary which automaticly detects the breaking point, and accepts null-values, making it essentialy the same as a HashSet.


5



It depends. If the exact answer really matters, do some profiling and find out. If you're sure you'll never have more than a certain number of elements in the set, go with a List. If the number is unbounded, use a HashSet.


4



Depends on what you're hashing. If your keys are integers you probably don't need very many items before the HashSet is faster. If you're keying it on a string then it will be slower, and depends on the input string.

Surely you could whip up a benchmark pretty easily?


3