Frank数据结构——第四章（第一阶段）

Array

第一节：Array总论

0）Linear List一般在国内被翻译为“线性表”，它包含两部分：一是Array，二是Linked List。但是在国外却没有这个概念，在国外只有Array与LInked List的概念。

1）数组必须是连续的，也就是“back to back”

2）数组元素地址的查找，如下图所示：

比如我查第一个元素，那么计算机就会从第一个格子开始查找，直到找到“00000001”中的1为止。那如果我还要查找第二个元素，这个时候，计算机就不会挨个去查找了，而是在第一个元素的地址的基础上再加上4个字节，这样就可以找到第二个元素的地址了，并且可以省很多时间，以此类推，第3个，第4个，甚至是第N个元素地址的查找也都是这样的。

第二节：静态数组

0）数组在按照下标（index）查询时，其时间复杂度为O(1)

1）数组元素的更改：有一个数组array[ ]={1，2，3，4}，如果我把array[1]改成6，那么时间复杂度也为 O(1)

2）数组元素的增加：由于数组具有“back to back”的特性，所以数组不可能在某一个地方插入一个元素

比如在这幅图中，黑色部分存储了一个数组的数据，那么就不能在它前面或后面的格子再插入任何数据，因为不确定这些格子是否为空。

那么这种情况下该怎么办才能增加数组的元素呢？下面来举个例子：

微软和谷歌的程序员都生病了，他们都需要住院，而且谷歌的程序员非要跟微软的程序员住在一起，因为他们可以进行技术交流。但是这个时候院长却为难了，因为微软程序员所在的楼层已经住满了，容不下谷歌的程序员。那么院长就想出来了一个办法：让谷歌程序员去其他空楼层住院，并且让微软程序员全部搬进谷歌程序员所在的楼层，这样就实现了谷歌程序员的愿望。

现在再抽象到理论层面：数组在增加元素时，会进行一个“先复制再转移”的操作，即先在内存当中复制一份原来的数组，然后再对这个副本进行插入处理。时间复杂度为O（N）

4）数组元素的删除：比如有一个数组为array[ ]={1，2，3}

但我想把3给它删了，那么直接把3所占的那4个格子给它删了就行（如下图所示）

但是这种情况仅限于“back to back”的情况，即从数组的尾部进行删除时，它才能如此之快，其时间复杂度为O(1)。

然而，非“back to back”情况就没有那么容易了。如下图所示：

还是有一个数组array[ ]={0，1，2}，但这一次我要把0给删了，那么这个时候就并不仅仅是删除这么简单了，因为把0删除了之后，这个数组就没有了首元素，而一个数组又必须要有首元素（遵循“back to back”的原则）所以要将0之后的每一个元素都向前移动4个字节，即1向前移动一位，2向前移动一位，以此类推。也就是有多少个数据就要移动多少次，那么它的时间复杂度就是O(N)。并且从数组的中间删除的空间复杂度也是O(N)。

5）标记-清除

还是有一个数组array[]={1，2，3，4.......后面还有很多数据}，还是从头部删除，但是这次并不止删除一个元素，我要把“1，2，3”这三个元素都删了，如果直接进行删除的话，就要执行3次O(N)的操作，这样就会很麻烦。但是我可以把这3个元素都进行标记，然后统一进行删除，那么这样就相当于只执行了一次O(N)的操作。当要删除的元素为N个时，如果不进行标记，那么其时间复杂度就为O()，但如果进行标记，那它的时间复杂度就为O(N)。进行这样的操作就可以在元素过多时大大节省时间。

第三节：动态数组

0）数组扩容：动态数组在增加元素时具有扩容功能，就比如一个数组array[]={1，2，3}，这个数组的容量太小了，我要对它进行扩容，那么此时这个数组的容量就会增加一倍，即{1，2，3，4，5，6}。并且在扩容时的第一个元素其时间复杂度为O(N)，而后元素的复杂度为O（1），如下图所示：

即扩容时复杂度为O(N)，不扩容时复杂度为O(1)，这就是大名鼎鼎的“平摊分析”。

举个例子：有一个人犯了罪，但是他出狱后改过自新，从新做人，为社会做了很多好事，这就叫“将功补过”。

那么抽象到理论层面也是一样的，数组在扩容时为O(N)，很浪费时间，但是它就会在后面跟一系列O(1)来减少时间复杂度。

1）复杂度震荡：还是一个数组，我在需要时就要对其扩容，但是在不需要时就要对其减容，那么该数组就会反复拉扯，如下图所示：

该数组会在2处进行来回摆动，那么这个时候就出现了一个标准：减容时只减四分之一，这样就不会出错。