算法进阶 | 一文归纳常用数据结构与算法（推荐收藏！）

本文来源公众号“算法进阶”，仅用于学术分享，侵权删，干货满满。

原文链接：一文归纳常用数据结构与算法

一、 前言

程序员，也就是"通过编码操作数据容器构建起数字世界的总工程师"，从这角度看，数据结构及算法是构建虚拟世界的一系列基础的元件及方法。

平时工程中，虽然都有大量现成“轮子”可以用，但学习数据结构和算法的重要性也是毋庸置疑的：

• 可以提升逻辑思维能力：数据结构和算法蕴含着经典的抽象化问题、解决问题的思路，有利于锻炼逻辑思维。

• 可以提高编码质量：利于建立时间复杂度、空间复杂度意识，写出高质量的代码，能够设计基础架构，提升编程技能。

• 面试必备：大厂很注重考察数据结构与算法这类基础知识。相比短期能力，他们更看中你的长期潜力。特别是对于校招的项目经验不足的童鞋。

我们学习数据结构和算法，可以了解它特性、适用的场景以及它能解决的问题。结合面试及工作需要，以下总结了最常用的、最基础数据结构与算法思想：

• 数据结构：数组、链表、栈、队列、散列表、二叉树、Trie 树、堆、跳表、图

• 算法思想：递归、贪心算法、分治算法、回溯算法、动态规划

二、 基础概念

2.1 复杂度分析

关于数据结构与算法，首先要掌握一个核心概念：复杂度分析。

数据结构和算法解决的是如何更省、更快地存储和处理数据的问题，因此我们就需要一个考量数据结构与算法时间、空间复杂度的方法--大 O 复杂度表示法。常见的复杂度量级从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n2 )：

大 O 时间复杂度全称渐进时间复杂度（asymptotic time complexity），实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模(n)增长的变化趋势。同样的，空间复杂度全称就是渐进空间复杂度（asymptotic space complexity），表示代码执行的存储空间与数据规模(n)之间的增长关系。

• 常见数据结构操作的复杂度：

  

• 常见排序算法执行的复杂度：

  

2.2 常用的数据结构与算法概览

通过下图，首先可以对数据结构和算法有个全面的认识。

三  数据结构

主要有线性表、树、图等，数据结构的操作主要有：增删改查以及随机访问

3.1 线性表与基础操作

数据结构的核心操作主要包括增删改查及随机访问，其典型代表包括线性表（如数组、链表）、树、图等。

数组

数组是最基础、最简单的数据结构，其特点在于：

• 存储方式：使用一块连续内存空间存储相同类型的数据。

• 优势：支持随机访问，时间复杂度为 (O(1))。

• 劣势：插入和删除操作需要移动大量元素，平均时间复杂度为 (O(n))。

链表

链表通过指针将零散的内存块串联，形成动态数据结构：

• 存储方式：每个节点存储数据及指向下一节点的指针。

• 优势：插入和删除操作高效，时间复杂度为 (O(1))（若已定位节点）。

• 劣势：不支持随机访问，查询时间复杂度为 (O(n))。

数组 vs 链表：

• 数组适合随机访问频繁的场景（如静态数据查询）。

• 链表适合插入、删除频繁的场景（如动态数据操作）。
  实际开发中需根据性能需求综合选择。

栈

栈是一种操作受限的线性表，遵循后进先出（LI