我注意到这篇博客的核心是解释 JavaScript 中 Set.has() 方法的时间复杂度，但开头引用了 LeetCode 问题作为标题。为了让结构更清晰、内容更聚焦，我进行了以下优化：
深入解析：为何 JavaScript 的 Set.has() 方法时间复杂度是 O(1)？
在解决算法问题时，我们常使用 Set 来优化查询性能。例如 LeetCode 128. 最长连续序列 问题中，利用 Set.has() 的 O(1) 时间复杂度可以将算法优化至 O(n)。但为何 Set.has() 如此高效？本文从哈希表原理到 JavaScript 引擎实现，为你深入解析。
一、哈希表：高效查询的基石
哈希表如何工作？
哈希表通过哈希函数将键映射到内存地址。理想情况下：
- 插入：计算键的哈希值，存入对应位置。
- 查询：用相同哈希函数直接定位存储位置。
// 示例：插入和查询的时间复杂度
const set = new Set();
set.add(42); // O(1) 插入
console.log(set.has(42)); // O(1) 查询
二、Set.has() 的底层实现
1. 插入元素（add 方法）
当调用 set.add(value) 时：
- 计算值的哈希码。
- 将值存入哈希表对应位置（处理冲突后）。
2. 查询元素（has 方法）
set.has(value) 的执行过程：
- 计算哈希值：使用与插入时相同的哈希函数。
- 定位存储桶：根据哈希码找到对应存储位置。
- 解决冲突：在桶内遍历元素（链地址法）。
// 示例：哈希冲突处理
const set = new Set([10, 20, 30]);
// 假设 10 和 30 哈希冲突，存入同一桶
console.log(set.has(30)); // 在冲突桶中遍历查找
三、时间复杂度为何是 O(1)？
理想情况下的时间复杂度
- 无冲突时：直接定位元素，严格 O(1)。
- 有冲突时：假设哈希函数均匀，桶内元素数量为常数，仍视为 O(1)。
对比数组查询
const arr = [10, 20, 30];
arr.includes(20); // O(n) 需要遍历整个数组
四、从 V8 引擎看 Set 的源码实现
以下是 V8 引擎中 Set 实现的简化逻辑（C++ 伪代码）：
class Set {
public:
bool Has(Object key) {
int hash = ComputeHash(key); // 计算哈希值
int bucket = FindBucket(hash); // 定位存储桶
for (auto& entry : buckets[bucket]) {
if (entry == key) return true; // 遍历桶内元素
}
return false;
}
};
五、极端情况与性能优化
1. 哈希冲突恶化
当所有元素哈希冲突时，退化为链表查询，时间复杂度 O(n)。
2. 负载因子与动态扩容
JavaScript 引擎自动扩容机制：
- 默认负载因子为 0.75（桶使用率 75% 时扩容）。
- 扩容后重新哈希所有元素，分摊时间复杂度仍为 O(1)。
六、在算法中的应用：LeetCode 128 题
理解 Set.has() 的原理后，我们可以高效解决最长连续序列问题：
function longestConsecutive(nums) {
const numSet = new Set(nums);
let max = 0;
for (const num of numSet) {
if (!numSet.has(num-1)) { // O(1) 查询
let current = num, count = 0;
while (numSet.has(current++)) count++; // 连续查询
max = Math.max(max, count);
}
}
return max;
}
// 时间复杂度 O(n)（每个元素最多被访问两次）
总结
Set.has()的 O(1) 时间复杂度依赖于哈希表的均匀分布特性。- 冲突解决与动态扩容机制确保了高效性。
- 在算法中合理利用
Set可将时间复杂度从 O(n²) 优化至 O(n)。
掌握底层原理，方能写出优雅高效的代码！
