《算法图解》读后感以及学习总结_数据结构和大O表示法了解入门

作为一个非软件专业毕业的人，算法向来是个苦手。
尽管我觉得广大大学生都是宿舍外卖伴随四年，大概率大家都是菜逼，对于大厂的算法题目考试异常头疼，打开leetcode写是能写，但是对完答案就觉得自己是个傻逼。
然后就两眼一摸瞎，你说去抄答案吧，是可以抄，但是抄了有啥用呢？下一个算法题还是两眼一抹黑，只能勉强实现，压根考虑不到性能，或者说无从考虑，就感觉自己啥都不会。

但是看了《算法图解》这本书后，那就不一样了。
我就感觉，虽然我还是啥都不会，但我大受震撼。

言归正传，做一下读书总结，如有理解不妥的地方，还望大佬指正。
首先，过去我对于数据结构是一种模糊的认知，不能清楚的区分不同数据结构的不同，只觉得是用来存放不同类型的数据的。（我学的java，但是书里用的python，不打紧，看懂逻辑就行）
但其实我看完之后，我觉得除了int，char，boolean，double这些宏观上用来存储不同类型，不同大小的数据的东西之外，剩下的就是用来提升性能而存在的数据结构了。
而这些和性能相关的数据结构，其实归根到底是数组和链表这两种——在内存中的不同存储方式（直接一块一块放的另算）。
●数组：（知道是啥，就不用看了）
数组在内存中是连着存的，你要查找数据，只需要找到第一个数据，就可以按照+n的方式找到第n-1个数据，因此查的快。
但由于要连着，所以每次增加都有可能后面没位置了，要重新在内存里找位置，所以增比较慢。
删的时候，如果删中间的，后面的都要动，所以删也慢。
改的话本质上还是增删查。
●链表：（知道是啥，就不用看了）
在内存中随便存着，但是单位数据内会存储下一个链表的位置，使得数据得以关联起来。这样的话，即使你只知道一个起始的位置，你也可以找到每一个数据的位置，就是慢，因为它要一个一个的查过去。
但是增删的时候，由于每个数据之间最多就两个数据关联，所以，速度就快。

当我知道这两个东西的时候，其实感觉也就那样，毕竟我原本也知道，只是没有它书里图片理解的那么深刻。（图片，或者说更贴近现实的学习资料果然才是人类完整的学习媒介）
继续往后看，我就发现不一样了。
仔细思考，我自己是不是还学了一大堆比如二叉树，红黑树，哈希集合的东西，这些都是数据结构嘛~~
但是其实它们本质都是数组和链表嘛~
双向链表就是链表信息里除了存下一个以外再存个上一个嘛。（当然也可以用数组存，只不过必须是完全二叉树才能在内存中转化成数组来存储，会浪费一些内存空间，即浪费完全二叉树用来补全空节点的空数据部分所占用的空间）
二叉树极端条件下（只往一边生长）就是一个链表，只不过相当于双向链表变成了左右链表。
那平衡二叉树就是加判断条件的二叉树嘛。
红黑树就是放弃了追求完全平衡，引入红黑概念的巧劲的平衡二叉树，或者说定制规则的平衡二叉树嘛。

好家伙，原本我记忆数据结构都是一个个记忆的，现在嘛~直接继承两个父类，然后一路安装发展史继承，或者安装定制化需求分支，
比如：数据库用B树是因为，要减少IO次数，即降低树的高度，在一层里多分出一层，变成三叉树。而B+树就是在三叉树中间不存放数据，只存放一个标机数据用的值（哈希值？），然后在数据的结尾再额外添加一层，添加一层数组，通过前面存放的值去查这个结尾的数组，并再次回到索引表中，或者主键表，或者原表中去拿出语句所需数据。
好家伙，顺路连数据库索引结构，查询方式都理顺了，只要再加上一个MVCC多版本控制和事务隔离级别，数据库就也了然了。。。
这就是我大受震撼的原因。
那我是不是分析算法的时候应该考虑它要怎么存比较好？那么leetcode经典第一题好像就有思路了。

什么是散列函数？，我反正就当时hash算法，什么事hashMap，什么是键值对存储？
就通过一个万能的hash算法，把一个字符串也好乱七八糟的东西也好，总之变成一个固定的数组，即，map的value这个“值”通过这种“hash算法”后永远都是得到一个相同的“数字”，然后就可以把一个和这个“值”（value）对应的东西放到这个数组的“数字”（key）的一个特定的格子里去。
所以键值对的集合存储，本质就是数组的存储。（其实硬要用链表存也可以，但就属于南辕北辙了）
而hash桶这个东西，就是当有很多个键值对要存了，数组里每个值存的有点多了，于是乎就在每个数组格子上开始接链表，可以想象成一个电插座上连着很多插座，这些插座又再连着一个插座。（或者想象成一条章鱼，每个章鱼有很多条触须，而每条触须上又有很多顺序排列的吸盘节点）
然后呢，如果这个数组额外格子连着的链表数量长了，一般是比8多，就会把链表部分变成叉树。如果数组本身被塞满了，那就把数组的长度扩充一倍。

但是这样其实还是不能搞算法，因为我还不能衡量到底那个算法更好，于是乎就得引入大O表示法，顺带的学会了分而治之的递归思想。
我思考算法速度，大多时候都是一个循环一个循环的想，最后挠掉了几根头发之后终于想出了来了，选出了更快的那个，然后发现慢了。
大O表示法，其实就是用O（n）这种写法表示查找某一批n个数据时的要进行多少步运算 。
但是这个运算其实不是特指一步，或者两步，而是指“一步”。
有点绕。
这里需要引入递归思想，不是简单的数学递归，而是一种思想。
听不懂，哈哈，我以前也不懂，以为递归就是递归。
试着把一个1680640的长方形全部均分成长宽一样的正方形，最大能分出多大边长的正方形呢？
书里翻译的名词是分而治之，我反正也不太准确，但我喜欢叫它递归思想，书籍前后也确实在讲这个东西。
当你明白什么是递归思想后，你就能很快的分出什么是“一步”运算，即，把那个正方形涂黑就算一步。
当你知道一步是多少了，你自然就能知道总共要走多少步，即，有多少个正方形，即，算法的深度是多少。
当你知道算法深度是多少之后，再回过头去看一眼每“一步”你要处理多少数据。即，书里说的“基线”。基线这一步的算处理多少个数据。
好，那么当知道了“一步”，又知道了“一步”要多久，又知道了要走“几步”，算法到底怎么样是不是就能表示出来了？比如O（nn）比如O（n*logn）
要注意的是，考虑算法的时候不太需要考虑常数，即，是1还是2，还是2/3，都不打紧，统统当成1，,写成O（n）就完事了。
注意这里不是完全因为不考虑常数这种细微影响，而是没法考虑，或者难以考虑，考虑起来很浪费时间，也缺少意义。很多时候当元素为n时，你要统计你的每一个“一步”是不是“步幅”都大小一致，而不是“步幅”具体有多大。
引用书中描述快速排序法的话：“只要你每次都随机地选择一个数组元素作为基础值，快速排序的平均运行时间就将为O（nlogn）”
尽管我觉得这样不严谨，但显然你要研究算法，整天只想着优化常数级的东西，不管效果如何，头发就难以茂密了。

空间复杂度和时间复杂度都可以用O表示法表示

由分而治之还可以入门归并排序，并写个多线程归并，由此入门并发并行处理的多线程问题和锁的概念。还可以想想递归和迭代的区别，顺路发现一下java为什么一些方向不够吊。

到这里为止，我就掌握了算法的砖（数据结构），还有怎么方便的衡量算法优劣的尺子（递归思想下的大O表示法）

尽管我还啥都不会，但是我大受震撼。

书中后面还较为详细的讲了广度优先搜索，迪克拉斯特算法，贪婪算法，动态规划，其他一些东西就只是单纯的一笔带过了。
简单总结一下就是：
贪婪算法是通过无数局部最优解来推导出一个近似最优解，来解决几乎不可能硬解出完美解的那一类问题（NP问题）的一种思考方式。（广度优先解决不加权的选择问题，迪克拉斯解决加正数权的选择问题，贝尔曼福特则彻底解决加权选择问题，但其实贝尔曼福特算法就是用了n次的迪克拉斯特算法）
动态规划则是通过网格来将大问题分为小问题，然后递归后归并回来的一种思考方式。

可能以后还会再总结更多，但先这样了吧