python算法与数据结构——顺序表、链表、队列、栈

数据结构——内存

内存以一个字节为基本单位,一个字节8位,一个字节的8位整体有一个地址标识,一个整形数据占4个字节,在内存中,1存储方式是【00000000 00000000 00000000 00000001】,对于一个连续的顺序表,其中存放的连个连续数字,他们的物理地址相差4而不是1

(一)顺序表

顺序表的基本形式:逻辑地址从0开始,步长为1逐渐增加,如果第一个元素的物理地址是L0,那么第i个元素的物理地址是L0+ic,
顺序表的扩充和替换:
元素扩充有两种情况,一种是增加固定的数目,这种方式节省空间,但是如果扩充的次数多,那么操作的次数也会增加。另一种是加倍,浪费孔空间,但是节省时间

(二)链表

链表相对于顺序表的显著优点是:数据增加需要扩充空间时,不需要开辟新的空间,元素不是连续存放的,不需要在最开始预留空间,节省空间,
  链表是由一个一个节点链接而成的,链表和顺序表都属于线性表

2.1 单(向)链表

单链表是指每个节点包含元素区链接区(指针区),地址区保存了下一个节点的地址,也就是说当前节点的指针区指针指向下一个元素。
  头节点只包含指针区,指向第一个元素(节点),最后一个节点(尾节点)的指针区指向空(None)
  单链表的操作:
     判断是否为空(is_empty) 给出链表长度(length) 遍历链表(travel) 头部添加元素(add(item)) 尾部添加元素(append(item)) 指定位置添加元素(insert(,pos,item)) 删除节点(remove(item)) 查找节点是否存在(search(item))
   单链表相对于顺序表在这里插入图片描述
   其优点在于,不需要连续内存,适应于需要大量连续存储空间的数据,但是每一个节点所占的内存大,因为还要额外存储下一个节点的地址

2.2 双向链表

双向链表的每一个节点有三个区:前驱区、数据区、后继区,
在这里插入图片描述
写代码的时候要特别注意,删除指定元素的函数

def remove(self,item):
        if self.is_empty():
            return
        else:
            cur=self.__head
            while cur!=None:
                if cur.elem==item:
                    if cur==self.__head:
                    '''删除的节点是头结点的情况'''
                        self.__head=cur.next
                        if cur.next:
                        '''后面还有节点的情况下,由于第一个节点不用指向头结点'''
                            cur.next.prev=None
                    else:
                    '''删除的元素不是头结点的情况'''
                        cur.prev.next=cur.next
                        if cur.next:
                        '''节点后面还有节点的情况'''
                            cur.next.prev=cur.prev
                    break
                cur=cur.next

2.3 单向循环链表

单项循环链表与单向链表大致相同,不同点在于,尾节点指向第一个节点,同时只有链接区的头结点也指向第一个节点
在这里插入图片描述
注意代码中,节点的类与单项链表的节点相同,但是构造的单项循环链表类的构造函数不同,

def __init__(self,node=None):
        self.__head=node
        if node:
            node.next=node

而单向链表的构造函数是:

def __init__(self,node=None):
        self.__head=None

(三)栈(stack)

栈是一种储存数据的容器,可以存入数据、访问元素、删除元素、
  特点:只能允许在容器的一端(栈顶,top)进行加入数据(压栈,push)和输出数据(pop),按照先进后出(last in first out)的原理运作。
  顺序表和链表所解决的是数据怎么存放的问题,而栈这种数据结构描述的是怎么操作。
  栈应包含的函数有【创建一个新的栈 stack()】【添加一个元素到栈顶/压栈/入栈push(item)】【弹出栈顶元素/出栈pop()】【返回栈顶元素peek()】【判断栈是否为空is_empty()】【返回栈的元素个数size()】
  实现栈可以用顺序表(list)也可以用链表,列表相对简单
在这里插入图片描述

(四)队列(queue)

队列这种数据结构是只允许在一端进行插入操作,在另一端进行删除操作的线性表,按照先进先出的原则运行。
  队列要实现的函数有:【创建一个空队列】【向队列中添加一个元素】【从队头删除一个元素】【判断队列是否为空】【返回队列的大小】
如果使用列表:尾部添加的时间复杂度为O(1),而头部删除元素的时间复杂度为O(n),如果在头部添加,时间复杂度为O(n),在尾部删除的时间复杂度为O(1)
所以选取从尾部添加还是从头部添加,取决于删除元素的次数多还是添加元素较为频繁

双端队列

在这里插入图片描述
元素可以从两端进入队列或离开队列的情况,相当于两个栈底部合并
要实现的操作:
  【创建一个空的双端队列】【从队头加入一个元素】【从队尾加入一个元素】【从队头弹出一个元素】【从队尾弹出一个元素】【判断双端队列是否为空】【返回队列的大小】

补充:python中的变量a=10,这里的a不是一个简单的变量名,而是一个地址,这个地址指向另一个地址,这个地址保存的是10.

本项目是一个基于SSM(Spring+SpringMVC+MyBatis)后端框架与Vue.js前端框架开发的疫情居家办公系统。该系统旨在为居家办公的员工提供一个高效、便捷的工作环境,同时帮助企业更好地管理远程工作流程。项目包含了完整的数据库设计、前后端代码实现以及详细的文档说明,非常适合计算机相关专业的毕设学生和需要进行项目实战练习的Java学习者。 系统的核心功能包括用户管理、任务分配、进度跟踪、文件共享和在线沟通等。用户管理模块允许管理员创建和管理用户账户,分配不同的权限。任务分配模块使项目经理能够轻松地分配任务给团队成员,并设置截止日期。进度跟踪模块允许员工实时更新他们的工作状态,确保项目按计划进行。文件共享模块提供了一个安全的平台,让团队成员可以共享和协作处理文档。在线沟通模块则支持即时消息和视频会议,以增强团队之间的沟通效率。 技术方面,后端采用了Spring框架来管理业务逻辑,SpringMVC用于构建Web应用程序,MyBatis作为ORM框架简化数据库操作。前端则使用Vue.js来实现动态用户界面,搭配Vue Router进行页面导航,以及Vuex进行状态管理。数据库选用MySQL,确保数据的安全性和可靠性。 该项目不仅提供了一个完整的技术实现示例,还为开发者留下了扩展和改进的空间,可以根据实际需求添加新功能或优化现有功能。
本项目是一个基于SSM(Spring+SpringMVC+MyBatis)后端框架与Vue.js前端框架开发的网上球鞋竞拍系统。该项目旨在为球鞋爱好者提供一个便捷、高效的在线竞拍平台,用户可以在此平台上浏览、搜索、竞拍心仪的球鞋,并参与到各种有趣的竞拍活动中。 系统的主要功能包括用户注册登录、球鞋信息展示、竞拍活动创建与管理、实时竞拍以及交易安全保障等。用户可以通过注册账号后,浏览平台上发布的各类球鞋信息,包括品牌、型号、颜色、尺码以及当前竞拍状态等。系统支持用户创建和管理自己的竞拍活动,设定竞拍规则和时间,同时提供实时竞拍功能,确保公平、透明的交易过程。 在技术实现上,后端采用SSM框架进行开发,Spring负责业务逻辑层,SpringMVC处理Web请求,MyBatis进行数据库操作,保证了系统的稳定性和扩展性。前端则使用Vue.js框架,结合Axios进行数据请求,实现了前后端分离,提高了开发效率和用户体验。 数据库设计方面,系统采用了MySQL数据库,存储用户信息、球鞋信息、竞拍活动等数据,确保数据的安全性和完整性。此外,项目还包含了详细的文档资料,包括需求分析、系统设计、数据库设计以及测试报告等,为项目的实施和维护提供了有力的支持。 该项目不仅适合作为计算机相关专业学生的毕业设计题目,也适合Java学习者进行实战练习,通过在此基础上进行功能扩展和改进,可以进一步提升编程技能和项目管理能力。
【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值