跳表
它是一种各方面性能都比较优秀的动态数据结构，可以支持快速的插入、删除、查找操作。
对于一个存储数据有序的单链表来说，我们可以通过建立索引提高查找效率，降低查找的时间复杂度。
这种链表加多级索引的结构，就是跳表。
在跳表中查询任意数据的时间复杂度是O（logn）。这个查找的时间复杂度与二分查找是一样的，换句话说，我们基于单链表实现了二分查找。不过，这种查询效率的提升，前提是建立了很多级索引，也就是用空间换时间的设计思想。
跳表的空间复杂度是O（n）。
跳表的插入和删除操作的时间复杂度也是O（logn）。
在执行删除操作时，如果这个结点在索引中也有出现，我们除了要删除原始链表中的结点，还要删除索引中的。
散列表/哈希表
散列表用的是数组支持按照下标随机访问数据的特性，所以散列表其实就是数组的一种扩展，由数组演化而来。
学校运动会，选手参赛号问题：
这就是典型的散列思想。
参赛选手的编号叫作键（key）或者关键字，用它来标识一个选手。
把参赛编号转化为数组下表的映射方法叫作散列函数或者哈希函数。
散列函数计算得到的值就叫做散列值或者哈希值。
规律:散列表用的就是数组支持按照下标随机访问的时候，时间复杂度是O（1）的特性。
- 我们通过散列函数把元素的键值映射为下标，然后将数据存储在数组中对应下标的位置。
- 当我们按照键值查询元素时，我们用同样的散列函数，将键值转化为数组下标，从对应的数组下标的位置取数据。
散列函数
我们把它定义成hash(key)，其中key表示元素的键值，hash(key)的值表示经过散列函数计算得到的散列值。
散列函数设计的基本要求：
- 散列函数计算得到的散列值是一个非负整数;因为数组下标是从0开始的，所以散列函数生成的散列值也要是非负整数。
- 如果key1 = key2,那hash(key1) == hash(key2);相同的key经过散列函数得到的散列值也应该是相同的。
- 如果key1 != key2,那hash(key1) != hash(key2)。这个要求看起来合情合理，但是在真实的情况下，要想找到一个不同的key对应的散列值都不一样的散列函数，几乎是不可能的。所以，实际情况中无法避免散列冲突的发生。
散列冲突解决方法—开放寻址法和链表法
开放寻址法：当我们往散列表中插入数据时，如果某个数据经过散列函数散列之后，存储位置已经被占用了，我们就从当前位置开始，依次往后查找，看是否有空闲位置，直到找到为止。
图中黄色色块表示空闲位置，橙色色块表示已经存储了数据。
链表法：（相比于开放寻址法，它要简单很多）如下图所示，在散列表中，每个“桶（bucket）”或者“槽（slot）”会对应一条链表，所有散列值相同的元素都会放到相同的槽位对应的链表中。
当插入的时候，我们只需要通过散列函数计算出对应的散列槽位，将其插入到对应链表中即可，所以插入的时间复杂度是O（1）。
当查找、删除一个元素时，我们同样通过散列函数计算出对应的槽，然后遍历链表查找或者删除。这两个操作的时间复杂度与链表的长度k成正比，也就是O（k）。对于散列比较均匀的散列函数来说，k=n/m，其中n表示散列中数据的个数，m表示散列表中“槽”的个数。
如何设计散列函数
散列函数设计的好坏，决定了散列表冲突的概率大小，也决定了散列表的性能。
首先，散列表的设计不能太复杂。
其次，散列表函数生成的值要尽可能随机并且均匀分配。
散列表的装载因子=填入表中的元素 / 散列表的长度
装载因子越大，说明空闲位置越小，冲突越大，散列表的性能会下降。
**插入一个数据，最好情况下，不需要扩容，最好的时间复杂度是O（1）。最坏情况下，散列表装载因子过高，启动扩容，就需要重新申请内存空间，重新计算哈希位置，并且搬移数据，所以时间复杂度是O（n）。
总结：
当数据量比较小、装载因子小的时候，适合采用开放寻址法。
基于链表的散列冲突处理方法比较适合存储大对象、大数据量的散列表，而且，比起开放寻址，它更加灵活，支持更多的优化策略。