Python 数据结构与算法——图（Graph）1. 邻接矩阵 vs 邻接表（压缩的邻接矩阵）邻接矩阵的缺点是：空间占用与结点数的平方成正比，可能带来很大的浪费；邻接矩阵不容易增加新的结点，不太适合以逐步扩充的方式构造图对象；

适度平衡树，是指将树高限制为“渐进地不超过 O(logn)O(\log n)”。举例：AVL 树；伸展树；红黑树；kd-树；当然这些都可以归入平衡二叉搜索树（BBST，Balanced Binary Search Tree）之列。

伸展树的设计思路，鉴于数据访问的局部性（28原则）在实际应用中普遍存在，将按照“最常用者优先”的启发策略。尽管在最坏情况下其单次操作需要 O(n)O(n) 时间，但分摊而言仍然 O(logn)O(\log n) 以内。与 AVL 树一样，伸展树也是平衡二叉搜索树的一种实现。

信息处理的典型模式是，将所有数据项视为一个集合，并将其组织为适宜的数据结构（或者说使用适宜的数据结构对之进行存储以及组织），进而借助操作接口高效访问。为了考查和评价各操作接口的效率，除了从最坏情况的角度出发，也可假定所有操作彼此独立、次序随机且概率均等，也即从平均情况的角度出发。然而，实际中，后一尺度所依赖的假定条件（独立随机等概率），往往不足以反映真实的情况。

使用 快慢双指针，快指针一次走两步，慢指针一次走一步，十分 tricky；

1. 图最小生成树（MST），比如在对使用（ Kruskal 或 Prim）算法得到的最小生成树进行表示时，其实是把最小生成树（MST）当做一些列边的集合，进行存储。对于边而言，具有三个属性，分别是起点 viv_i 和终点 vjv_j，以及边上的信息比如权值 ww。也即最小生成树是边的集合，而边的形式是 ((vi,vj),w)((v_i,v_j), w)；Kruskal 算法reps = ran

1. 散列函数如果输入的关键字是整数，则一般合理方法是直接返回对表大小取模（Key mod TableSize）的结果，除非 Key 碰巧具有一些不太理想的特质。如，表的大小为 10，而关键字都是 10 的倍数，显然此时都会被散列在 0 的位置。为了避免上述情况的发生，好的方法是保证表的大小是素数（除了 1 和自身没有其他的因子）。

1. ListNode 及 HashTable 的类型声明2. HashTable 的创建

1. vector2. stack@vector3. 二叉搜索树4. AVL

二叉堆因为对应着一棵完全二叉树，因而可以通过线性数组的方式实现。注意，数组第 0 个位置上的元素，作为根，还是第 1 个位置上的元素作为根？本文给出的实现，以数组第 1 个位置上的元素作为根，则其两个孩子 ⇒ 2*i, 2*i+1而第 0 个位置上的元素，则用来作为标志变量（Size 不包括此变量）；在元素逐个插入的过程中（插入在合适的位置），实现二叉堆的构建；自然删除也需按着指定的规则；

1. 树高与性能一个二叉搜索树（要求有序）需要支持的主要接口有：search()insert()remove()三者的时间复杂度均正比于二叉树的高度。在最坏的情况下，所有的内部结点（根和叶子除外），均为左孩子结点或右孩子结点。此时的查找效率甚至会降至 O(n)O(n)，线性正比于数据集的规模。故若不能有效地控制树高，则就实际的性能而言，相比此前的向量和列表，二叉搜索树将无法体会出明显优势。

之所以会出现完全二叉树的概念，是因为可由此在物理上，以线性表的方式实现逻辑上的完全二叉树。1. 完全二叉树对于一棵高度为 hh 的二叉树，如果其第 00 层至 h−1h-1 层（倒数第二层）

1. 完全图完全图：任意两个顶点（两个不同的顶点）之间都有边的图（有向图或无向图）；-

1. 最短路径问题带权有向图或带权无向图（网络，即网络是不区分方向的）中的每条边都附有一个权值，通常用于表示实际应用中顶点之间关系的某种度量（measure），表示其关联的紧密程度，如：长度、成本、代价等等这种长度一般具有可加性，可以看做一个抽象或者泛化的“距离（distance）”；定义：从 vv 到 v′v' 的所有路径中长度最短的路径就是 vv 到 v′v' 的最短路径，最短路径的长度称为

1. 前缀、中缀、后缀(3−5)×(6+17×4)/3\left(3-5\right)\times \left(6+17\times 4\right)/3中缀形式，(3-5)*(6+17*4)/3前缀形式，/ * - 3 5 + 6 * 17 4 3后缀形式：3 5 - 6 17 4 * + * 3 / 2. 说明只有中缀形式需要保留括号，前缀和后缀无符号形式下也是无歧义的；中缀形式需要

图的概念及性质1. 三角不等式性对于所有的 u,v,x∈Vu,v,x\in V，都有：δ(u,x)+δ(x,v)≤δ(u,v)\delta(u,x)+\delta(x,v)\leq \delta(u,v)不等式左边的小于等于右边的 ⇒ 不等式左边的不超过不等式右边的；

哈希表最主要的有点在于我们利用它能够在 O(1)O(1) 时间查找某一元素，是效率最高的查找方式，其缺点是需要额外的空间实现哈希表。

通过成员变量的引入实现更为丰富的判断。比如对于二叉树结点类型而言，通过对指向父节点的指针的引入，实现对一个结点是否为根节点的判断（父节点为空则该节点为根节点）。

想要获取中序遍历时某一节点的直接后继，首先在数据结构上，结点必须维护指向父节点的指针（parent）， 因为当前结点的后继有可能是其父节点， 如果其本身没有右孩子；或者本身是左孩子结点；注意对当前结点进行分类讨论

遍历一个数据结构，也即逐一地处理（可读可写）其中所有元素。1. 深度优先按深度优先的方式遍历一棵二叉树，需要做三件事（可能需要处理其中的数据）：遍历左子树（L）；遍历根节点（D）；遍历右子树（R）；全排列的话，A33=6A_3^3=6，但这里一般假定先处理左子树，后处理右子树，这样，根据根节点遍历的先后顺序，仅可得到三种遍历方式。

如果通过对编号的设计，实现存取元素时，不必区分左孩子还是右孩子，直接就可确定其父节点的编号。

缓存结构无论是栈、队列还是优先队列，都可视为一种缓存结构，可将数据元素保存其中，可以访问和弹出。

1. 顺序性（中序序列单调非降）；

1. 一路沿左分支遍历// BinNode<T>* x;while (x){ visit(x->data); x = x->lChild;}当然，与之相对应的右分支可以用 Stack 存储，也可以使用 Queue，视具体的程序逻辑而定；

红黑树在改变元素数量和元素搜索方面都很出色，它保证节点安插时最多只会做两个重新链接（relink）的动作，而且到达某一元素的最长路径的深度，至多只是最短路径的深度的两倍。STL 中的重要容器——set/multiset 通常以红黑树（red-black tree）实现。

当数据规模大到内存已不足以容纳时（此时就需要存放在外存中），常规平衡二叉搜索树的效率将大打折扣。其原因在于，查找过程对外存的访问次数过多。例如，若将 10910^9（1 billion = 10 亿）个记录在外存中组织为 AVL 时，则每次查找大致都需要做 30 次外存访问。那么，应该如何有效减少外存操作呢？为此需要充分利用磁盘之类外部存储器的一个特性，单就时间成本而言，读取物理地址连续的 1000

bitmap 即为由单个元素为 boolean（0/1, 0 表示未出现，1 表示已经出现过）的数组。如果C/C++ 没有原生的 boolean 类型，可以用 int 或 char 来作为 bitmap 使用，如果我们要判断某字符（char）是否出现过，使用 int 作为 bitmap 的底层数据结构，bitmap 即为 int 数组，一个 int 长度为 32 个 bit 位， c ...

1. 基本运算截断保留后 k 位，比如 83 == 0x0101 0011 保留后 5 位，即为 0x0001 0011 == 19 x &amp;amp; (pow(2, k)-1)x &amp;amp; 0x1fa 的第 k 位清零：a &amp;amp;= ~(1 &amp;lt;&amp;lt; k)a 的第 k 位置 1：a |= (1 &amp;lt;&amp;lt; k)...

1. Top k 大的数排序后直接索引输出：O(nlogn)O(nlog⁡n)O(n\log n)std::sort(v.rbegin(), r.rend());return v[k-1];使用优先队列（O(klogn)O(klog⁡n)O(k\log n)，每 pop 一个元素，都需重排大顶堆）：std::priority_queue&lt;int&gt; PQ(v.rbegi...

位图应当具备的置一，清零，以及判断三大功能：#define BITS_PER_WORD 32#define MASK 0x1f#define SHIFT 5 // BITS_PER_WORD 与 MASK、SHIFT 是相匹配的， // 如果 BITS_PER_WORD 为 8，则 SHIFT 为 3，MASK 为 0x07 ...

1…n 中个数随机取 m 个数，要求 1…n 中被取到的概率相同：Knuth 书中的随机数方法，很容易写出：void genkunth (int n, int m) { for (int i = 0; i &amp;lt; n; ++i) { if (bigrand() % (n-i) &amp;lt; m) { m--; cout ...

在一个教职工聚会上，与会者互相握手问候彼此，每位教授会记住他/她握手的次数（以图做建模，不同的教授代表不同的点，握手表示一个边的建立，两个顶点的连接，显然是无向图，A 与 B 握手 = A 同 B 握手 + B 同 A 握手）。在聚会的最后，系主任将所有教授握手的次数相加。通过证明下面的握手定理来说明系主任得到的结果是偶数

树和图是不同的但有着密切联系的两种数据结构。自由树，是一个连通的、无环的无向图。一般情况下，我们提到一个图是树时，会省略掉形容词“自由”。称一个可能不连通的无向无环图为森林。许多树的算法对森林也适用。1. 自由树的若干性质令 G=(V,E)G=(V, E) 是一个无向图，下面的描述是等价的，GG 是自由树；GG 中任何两顶点由唯一简单路径相连；GG 是连通的，但从图中移除任意一条边得到的图均不

1. 普通队列与循环队列 对于循环队列而言，它的队列头（head）指向的就未必是物理上的第一个位置，而可以是物理上的任意位置。

设计一种类似二叉堆的堆结构，能高效地支持合并操作（即以 O(N)（最坏） 的时间处理一次 Merge），而仅使用一个数组（经典二叉堆的实现）似乎很难。 原因在于，合并似乎需要把一个数组拷贝到另一个数组中去，对于相同大小的堆这将花费 Θ(N)\Theta (N)。正因如此，所有支持高效合并的高级数据结构都需要使用指针。

区间树能够对保存的数据进行适当的预处理，以快速回复查询。区间树常用于在一维数组的特定区间对查询进行快速回复。区间树的最典型也是最简单的应用就是求区间最小值的问题。区间树的基本思路是，生成表示给定数组各区间的二叉树。

真二叉树（proper binary tree）：不含一度结点的树（只有 0 度和 2 度的结点）；

四叉树（quad tree）数据结构能把大量数据压缩保存到内存空间，它总是将给定空间分割为 4 个， 然后以递归形式表示，故得名四叉树。其最著名的应用就是对黑白图像（当然也可以是任何一个二值图像）的压缩。四叉树会以字符串的形式对 2N⋅2N2^N\cdot 2^N 的黑白图像进行如下压缩，图像的所有像素为黑色，则无论图像的大小是多少，四叉树在该分支上的压缩结果都是 b（black）图像的所有像素

1. 朴素版# 查def naive_find(C, u): while C[u] != u: u = C[u] return u# 并 def naive_union(C, u, v): u = naive_find(C, u) v = naive_find(C, v) C[u] = vdef naive_kruskal(G):

生成树：由图生成的树，由图转化为树，进一步可用对树的相关操作来对图进行操作。最小指的是权值最小；生成树是边的集合，如下图所示的最小生成树：MST={{a,b},{a,f},{f,c}}\text{MST}=\{\{a,b\},\{a,f\},\{f,c\}\} 本文主要探讨带权无向连通图（网络）上的最小生成树问题，以及求最小生成树的两个算法。0. 生成数nn 个顶点的图，有 n−1n-1 棵生