【数据结构学习1】数据结构

数据结构

定义

1. 数据：所有能够输入到计算机中，且能够被计算机处理的符号的集合。数据结构中主要讨论结构化数据，讨论的数据都是数据对象

2. 结构化数据

• 数据元素：是数据（集合）中的一个“个体”，它是数据的基本单位
• 数据项：数据项是用来描述数据元素的，它是数据的最小单位
• 数据对象：具有相同性质的若干个数据元素的集合，如整数数据对象是所有整数的集合。

3. 数据结构：是指带结构的数据元素的集合

数据结构 = 数据对象 + 结构

4. 一个数据结构的构成

• 数据的逻辑结构：数据元素之间的逻辑关系
• 数据的存储结构/物理结构：数据元素及其关系在计算机存储器中的存储方式
• 数据运算：施加在该数据上的操作

数据结构的构成

逻辑结构

逻辑结构是面向用户的，有多种表示形式：表格、二元组、图形

逻辑结构的类型

1. 集合

元素之间关系：无
特点：数据元素之间除了“属于同一个集合”的关系外，别无其他逻辑关系。是最松散的，不受任何制约的关系。

2. 线性结构

元素之间关系：一对一
特点：开始元素和终端元素都是唯一的，除此之外，其余元素都有且只有一个前驱元素和一个后继元素。

3. 树形结构

元素之间关系：一对多
特点：开始元素唯一，终端元素不唯一。除终端元素以外，每个元素有一个或多个后续元素；除开始元素外，每个元素有且仅有一个前驱元素。

4. 图形结构

元素之间关系：多对多
特点：所有元素都可能有多个前驱元素和多个后继元素。

存储结构

数据在计算机存储器中的存储方式就是存储结构，满足两个要求：存储所有元素；存储数据元素间的关系

• 结构体数组(顺序存储结构)：所有元素占用一整块内存空间；逻辑上相邻的元素，物理上也相邻
• 链表(链式存储结构)：一个逻辑元素用一个节点存储，每个节点单独分配，所有节点的地址不一定是连续的；用指针来表示逻辑关系
• 索引存储结构
• 哈希（散列）存储结构

数据运算

数据运算是对数据的操作。分为两个层次：运算描述和运算实现

结论：
同一逻辑结构可以对应多种存储结构
同样的运算，在不同的存储结构中，其实现过程是不同的

数据类型和抽象数据类型

1. 数据类型是一个值的集合和定义在此集合上的一组操作的总称，就是已经实现了的数据结构（比如int整数类型等）
2. 抽象数据类型(ADT)：指的是从求解问题的数学模型中抽象出来的数据逻辑结构和运算（抽象运算），而不考虑计算机的具体实现**（抽象数据类型 = 逻辑结构 + 抽象运算）**

//定义复数抽象数据类型 Complex，一个复数的形式:e1+e2i
ADT Complex
{
	D={e1,e2|e1,e2均为实数} //数据对象
	R{<e1,e2>|e1是复数的实部，e2是复数的虚部} //数据关系
}

基本运算：

算法

定义

1. 定义

• 数据元素之间的关系有逻辑关系和物理关系，对应的运算有基于逻辑结构的运算描述和基于存储结构的运算实现。
• 通常把基于存储结构的运算实现步骤或过程称为算法。

2. 算法的五个重要的特性

特性	内容
有穷性	在有穷步之后结束，算法能够停机
确定性	算法中的每一条指令必须有确定的含义，无二义性
可行性	可通过基本运算有限次执行来实现，也就是算法中每一个动作能够被机械地执行
有输入	一个算法有0个或多个输入
有输出	一个算法有1个或多个输出

3. 如何描述输出型参数
   

分析基础

分析算法占用的资源

• CPU时间->时间复杂度
• 内存空间->空间复杂度

时间复杂度分析

一个算法是由 控制结构（顺序、分支和循环三种） 和 原操作（指固有数据类型的操作，如+、-、*、/、++、–等） 构成。算法执行时间取决于两者的总和效果。

2. 两种衡量算法效率的方法：事后统计法和事前分析估算法。

事前分析估算法 -> 分析算法的执行时间

• 求出算法所有原操作的执行次数（也称为频度），它是问题规模n(用于表示求解问题大小的正整数，如n个记录排序)的函数，用T(n)表示
• 算法执行时间大致 = 原操作所需时间 x T(n)，所以T(n)与算法的执行时间成正比。为此用T(n)表示算法的执行时间
• 比较不同算法的T(n)大小得出算法执行时间的好坏

时间复杂度

• 算法的执行时间用时间复杂度来表示。
• 算法中执行时间T(n) 是 问题规模n的某个函数f(n)，记作:T(n) = O(f(n))。记号“O”读作 “大O” ，它表示问题规模n的增大算法执行时间的增长率和f(n)的 增长率相同。
  
• “O”的形式定义：

T(n) = O(f(n)) 表示存在一个正的常数M，使得当n>=n0时都满足：|T(n)| <= M|f(n)|，f(n)是T(n)的上界，通常取最接近的上界，即紧凑上界

• 就是只求出T(n)的最高阶，忽略其低阶项和常系数，这样既可以简化T(n)的计算，又能够比较客观的反映出当n很大时算法的时间性能。

时间复杂度类型

• 一个没有循环的算法的执行时间与问题规模n无关，记作O(1)，也称作常数阶；
• 一个只有一重循环的算法的执行时间与问题规模n的增长呈线性增长关系，记作O(n)，也称作线性阶；
• 其余常用的算法时间复杂度还有平方阶O(n²)、立方阶O(n³)、对数阶O(log₂n)、指数阶O(2ⁿ)等；
  
  例子：
  

简化的算法时间复杂度分析

• 算法中的基本操作一般是最深层循环内的原操作
• 算法执行时间大致=基本操作时间所需的时间 x 其运算次数

总结：在算法分析时，计算T(n)时仅仅考虑基本操作的运算次数。

空间复杂度分析

• 空间复杂度：用于亮度一个算法在运行过程中临时占用的存储空间的大小
• 一般也作为问题规模n的函数，采用数量级形式描述，记作：S(n) = O(g(n))
• 若一个算法的空间复杂度为O(1)，则称此算法为原地工作/就地工作算法