【数据结构学习笔记】一、数据结构介绍及算法分析（新手入门进阶指南）

---

数据结构学习的心理准备：

---

一、数据结构和算法介绍

1.什么是数据结构？

数据结构(Data Structure)是计算机存储、组织数据的方式，指相互之间存在一种或多种特定关系的数据元素的集合。
理解：
在我们实际编程应用中，会涉及到不同类型信息的存储、处理，这个时候就需要用不同存储和组织方式的数据来存储和组织这些不同的信息。同时为了满足我们处理数据的需要，数据和数据之间也会存在某些关系，比如说我可以根据当前的这个数据找到与它相关联的上一个或下一个数据，甚至可以找到存储这个数据的整个集合。

---

2.什么是算法？

算法(Agorithm) :就是定义良好的计算过程，它取一个或一组的值为输入，并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果。
理解：
算法就是解决计算问题的方法或步骤。但是算法实际上可以扩展到，解决某个问题的方法或步骤，这些问题不一定是计算问题，也有可能其它类型的问题。（虽然这些问题最终也要转换成可计算的形式）

---

3.数据结构和算法的重要性

校园招聘的笔试中：
Online Judge, 20 - 30选择题，3 - 4编程题
校园招聘的面试中 : （字节面试很变态，很严格，可以去尝试）
提问—>回答
数据结构和算法不管是在编程能力提升方面，还是实际找工作的时候遇到的笔试和面试，亦或者是程序员今后一生的职业生涯，都是至关重要的。它是编程人员的基本能力和素养的体现！

---

4.如何学好数据结构和算法

①多写代码，多练习，多思考总结（刻意练习！）
②注意画图和思考，单靠脑海想，不一定想的很全。

---

5.数据结构和算法书籍及资料推荐

教材：严蔚敏的《数据结构》、《大话数据结构》
书籍：
《剑指offer》
《程序员代码面试指南》

---

6.经常遇到不会做的题目

多做题、多练习

---

二、算法分析

1、算法效率

算法效率分析分为两种 : 第一种是时间效率，第二种是空间效率。时间效率被称为时间复杂度，而空间效率被称作空间复杂度。时间复杂度主要衡量的是一个算法的运行速度、而空间复杂度主要衡量一个算法所需要的额外空间，在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展（摩尔定律），计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度（除了嵌入式编程）。

关注并掌握：时间复杂度计算
了解：空间复杂度计算

---

时间复杂度

1.时间复杂度的概念：

时间复杂度的定义 : 在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗 ? 是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度。

时间复杂度不是计算程序运行的时间，运行的时间是不确定的（跟硬件、环境相关）
时间复杂度计算的是程序运行大概的次数，这样可以脱离运行环境进行比较。

---

2.大O的渐进表示法

先看下面这段代码：

//请计算一下Func1基本操作执行了多少次 ?
void Func1(int N)
{
   
	int count = 0;
	for (int i = 0; i < N; ++i)
	{
   
		for (int j = 0; j < N; ++j)
		{
   
			++count;
		}
	}
	for (int k = 0; k < 2 * N; ++k)
	{
   
		++count;
	}
	int M = 10;
	while (M--)
	{
   
		++count;
	}
	printf("%d \n", count);
}

Func1的执行次数要将两个for语句的执行次数和一个while语句的执行次数相加：
第一个for语句执行次数为：N* N，这个for循环有两层嵌套，第一层执行N次，第二层也是执行N，所以总共执行N* N = N ^ 2次。
第二个for语句执行次数为：2 *N while语句执行次数为10次
所以Func1执行的基本操作次数为：N ^ 2 + 2 * N + 10
我们给N赋不同量级的值：
N= 10, F(N) = 130
N = 100, F(N) = 10210
N = 1000, F(N) = 1002010

实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数
那么这里我们使用大O的渐进表示法。
大O符号(Big O notation) :是用于描述函数渐进行为的数学符号，类似于微积分中的取极限，n->无穷大。

推导大O阶方法 :
1、用常数1取代运行时间中的所有加法常数
2、在修改后的运行次数函数中，只保留最高阶项。
3、如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。

使用大O的渐进表示法以后，Func1的时间复杂度为 : O(N ^ 2)
N = 10, F(N) = 100
N = 100, F(N) = 10000
N = 1000, F(N) = 1000000

通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况 :

最坏情况:任意输入规模的最大运行次数(上界)
平均情况 : 任意输入规模的期望运行次数
最好情况 : 任意输入规模的最小运行次数(下界)

例如 : 在一个长度为N数组中搜索一个数据x
最好情况 : 1次找到
最坏情况 : N次找到
平均情况：N / 2找到
在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)

计算时间复杂度的具体操作 / 步骤
①找出所有会涉及时间复杂度（执行次数）计算的函数 / 模块
②写出每个函数 / 模块对应的时间复杂度
③大O渐进法表示，取其中最高阶项

---

2.3常见时间复杂度计算举例
实例一：

//计算Func2的时间复杂度?
void Func2(int N)
{
   
	int count =