数据结构1-基本概念

---

基本概念和术语

1. Data（数据）：所有能被输入到计算机，并被计算机处理的符号集合。可以是数值，也可以是照片，音频。
2. Data Element（数据元素）：数据的基本单位，作为一个整体考虑或处理。
3. Data Item（数据项）：分为初等项和组合项。初等项是不可分割的最小识别单位；组合项可以在被划分为更小的项。
4. Data Structure（数据结构）：相互间存在一种或多种特定关系的，具有相同特征的数据元素的集合。有静态和动态之分。 D a t a S t r u c t u r e = { D , R , M } Data_Structure= \{D,R,M \} DataS​tructure={D,R,M},其中D是数据元素的有限集合，R是集合中所有数据成员之间关系的有限集合，M是作用在该集合数据成员上的操作。不同的关系构成不同的数据结构，这些关机成为数据的逻辑结构，各种逻辑结构在计算机内的存储和表示是物理结构。同一种逻辑结构可以有不同的物理结构。数据的逻辑结构属于用户级视图，是面向问题的，而存储结构属于具体的实现级视图，是面向计算机的。通常用户使用接口操作集，访问逻辑结构，然后通过私有操作集，映射到物理结构上。
5. 数据的存储结构：顺序存储，链接存储，索引存储，散列存储

抽象数据类型（ADT）

特征一：数据抽象。强调实体的本质特征，其所能完成的功能，以及它和外部用户的接口。
特征二：数据封装。将实体的外部特征和其内部实现细节分离，并且对外部用户隐藏其内部的实现细节。

算法的渐进分析（大O表示法）

随着问题规模n的增长，算法的执行时间T（n）的增长率和f（n）的增长率相同时，就可记作$T(n)=O(f(n))$，称作算法的渐进时间复杂度。
加深一下指数时间关系的印象：$O(2^n)<O(n!)<O(n^n)$。
但是，如果基本语句的执行次数不仅仅与问题的规模有关，则需要分最好情况，最坏情况，平均情况进行讨论。在计算平均情况时，我们假定输入数据是等概率分布的，进而分析算法的平均复杂度。

算法的空间复杂度

算法空间包括固定空间（输入数据，结果数据，代码程序所需要的空间）和可变空间（中间结果，递归调用所需要的空间）。
我们分析的算法空间复杂度，就是对算法所需的辅助空间度量。
假如随着问题规模$n$的增长，算法运行所需的辅助空间$S(n)$的增长率和$g(n)$的增长率相同时，则记作$S(n)=O(g(n))$，称$O(g(n))$为算法的空间复杂度。