介绍
图是一种善于处理关系型数据的数据结构,使用它可以很轻松地表示数据之间是如何关联的。
图的实现形式有很多,最简单的方法之一就是用散列表。
friends = {
"Alice" => ["Bob", "Diana", "Fred"],
"Bob" => ["Alice", "Cynthia", "Diana"],
"Cynthia" => ["Bob"],
"Diana" => ["Alice", "Bob", "Fred"],
"Elise" => ["Fred"],
"Fred" => ["Alice", "Diana", "Elise"]
}
因为从散列表里查找一个键所对应的值只需要 1 步,所以查找 Alice 的朋友能以 O(1)的时间复杂度完成,如下所示。
friends[“Alice”]
实现方式
尽管只用散列表也可以实现一个图,但是以面向对象的方法来写会更加健壮。
广度优先搜索
如图所示,Alice 能直接联系到 Bob,Bob 能直接联系到 Cynthia。但 Alice 无法直接联系到
Cynthia。由于她们之间的联系要经过 Bob,因此 Cynthia 是 Alice 的二度联系人。
图有两种经典的遍历方式:广度优先搜索和深度优先搜索。
这里主要介绍下前者:
加权图
还有一种图叫作加权图。它跟普通的图类似,但边上带有信息。
以下这个包含了美国几个主要城市的简陋地图,就是一个加权图。
此图中,每条边上都有一个数字,它表示那条边所连接的两个城市相距多少英里。例如,Chicago和 New York City 之间的距离为 714 英里。
加权图可以是有方向的。以下图为例,尽管从 Dallas 飞到 Toronto 只要 138 美元,但从 Toronto飞到 Dallas 要 216 美元。
Dijkstra 算法
解决最短路径问题的算法有好几种,其中一种有趣的算法是由 Edsger Dijkstra(念为“dike’struh”)于 1959 年发现的。该算法也很自然地被称为 Dijkstra 算法。
例如:用python实现一个图结构,实现广度优先搜索,找出从任意城市A出发到B城市最便宜的飞机票价格
from collections import deque
def cheapest_flight(graph, start_city, end_city):
"""
使用广度优先搜索找到从start_city到end_city的最便宜机票价格。
:param graph: 一个字典,表示城市间的航班图,格式如{'城市A': [(城市B, 价格), (城市C, 价格)]}
:param start_city: 起始城市名称
:param end_city: 目标城市名称
:return: 最便宜的机票价格,如果不存在这样的路径则返回None
"""
if start_city not in graph or end_city not in graph:
return None # 起始或结束城市不存在于图中
queue = deque([(start_city, 0)]) # 初始化队列,存放当前城市及到该城市的路径价格
visited = set() # 记录已访问的城市,避免循环访问
while queue:
current_city, current_cost = queue.popleft()
if current_city == end_city:
return current_cost # 找到目标城市,返回最低价格
if current_city not in visited:
visited.add(current_city)
for neighbor, price in graph[current_city]:
if neighbor not in visited:
queue.append((neighbor, current_cost + price)) # 将邻居加入队列并更新路径价格
return None # 没有路径到达目标城市
# 示例图结构
graph_example = {
'A': [('B', 100), ('C', 200)],
'B': [('C', 50), ('D', 150)],
'C': [('D', 100)],
'D': []
}
# 查找从城市A到城市D的最便宜机票价格
print(cheapest_flight(graph_example, 'A', 'D')) # 应输出250,因为A->B->D的总价格是100+150=250,是最便宜的路径