数据结构基础入门(一)

引言

对于计算机科学来说，数据结构几乎是编程语言之后必学的科目，也是在编程世界中继续徜徉的必要工具。计算机是一台只认识0和1的毫不埋怨的听话机器，但使用计算机的人们却没那么好耐心，当我把数据交给计算机处理的时候，它必需快速、准确，又能易于人类理解的方式，毕竟人去给它编程，它自己还不能自己思考。所以，就由数据结构来组织这些数据，实现计算机工作的算法。

什么是数据结构

数据结构是数据对象，以及存在于该对象的实例和组成实例的数据元素之间的各种联系。这些联系可以通过定义相关的函数来给出。

这是大牛给出的定义，熟悉数据结构的人看到这么牛逼的定义还是会中肯地点点头，不过照我的理解，数据结构就是人类想象的计算机把数据组织起来的方式，计算机不会认识树，栈，队列，但是通过这种组织方式，再使用某种方式（也就是函数），实现快速的增加数据，查找数据，来让现代焦虑的人们享有一丝快感。毕竟，计算机没我们想象的那么聪明，它只会做无聊的重复的工作，一直做，哪怕人类毁灭，它也don’t care。

为什么要使用数据结构

因为快，准，使一些人类头痛的问题，比如给10^10个数排序，让计算机去优雅的解决,我们安心喝喝茶就好了，不过可能喝不了多少。

算法分析

数据结构中，常常同时出现的词就是算法，二者不必分开看待，抽象点的话，我觉得数据结构是“硬件“，而算法是“软件“；具象一点，数据结构就是“数组“，算法就是“for循环“。当然以上只是我粗鄙的理解。具体的解释请看这里——算法的维基定义。
由于算法和数据结构本质上是可以看做一体的，所以二者的分析也是通用的。有好的数据结构，就有差的数据结构，怎么去分析呢，我们一般从人类诞生时便产生的哲学问题入手——时间和空间。

时间复杂度

算法的时间在不运行的情况下，只需要去分析每行代码的执行次数就行了，为了便于分析，通常只记录循环执行的次数，嵌套的循环需要乘起来，并列的循环只要加起来就行了，为了更简便，使用大O记号来记录，只取多项式的最高阶作为其复杂度。例如一段代码的执行次数为$10n^2+5n+7$次，使用大O记号，时间复杂度为O($n^2$)。

由以上表可见，在数据规模逐渐增大的时候，时间的增加是可怕的。只能，待人类造出更快的计算机了(^^)。

空间复杂度

随着存储技术的发展，存储的价格变得便宜了，所以在有些时候，以空间换取时间。但是秉着节约的好习惯，我们还是要尽量省。
空间复杂度为计算变量在内存所占的空间。这与语言和变量类型，例如在64位机上，C/C++的int类型占4个字节。这要根据具体情况分析。耗费空间的情况通常为：

1. 开巨大巨大的数组；
2. 递归太深，导致爆内存。

一般遇到存储不足的情况，可以分析一下这两种情况。

数据结构的种类

说到这里，数据结构类型许许多多，实现方法多样，但背后原理都是一样的。
常见的数据类型有：

• 线性表：数组（Array）和链表（Linked List）
• 栈（Stack）
• 队列（Queue）
• 散列表（Hash）
• 树（Tree）
• 图（Graph）

在一些高级语言中，都有已经写好的类库供程序员调用，但本着学习的态度，还是要自己实现一下，再学一下标准类库的源码，会有更大的收获。