初识数据结构与算法

数据结构

概述

数据结构是计算机存储、组织数据的方式。数据结构是指相互之间存在一种或多种特定关系的数据元素的集合。通常情况下，精心选择的数据结构可以带来更高的运行或者存储效率。

分类

从关注的维度看，数据结构可以划分为数据的逻辑结构和物理结构，同一逻辑结构可以对应不同的存储结构。逻辑结构反映的是数据元素之间的逻辑关系，逻辑关系是指数据元素之间的前后间以什么形式相互关联，这与他们在计算机中的存储位置无关。
逻辑结构包括:

1. 集合:只是扎堆凑在一起，没有互相之间的关联
2. 线性结构:一对一关联，队形
3. 树形结构:一对多关联，树形
4. 图形结构:多对多关联，网状

数据物理结构指的是逻辑结构在计算机存储空间中的存放形式(也称为存储结构)。一般来说，一种数据结构的 逻辑结构根据需要可以表示成多种存储结构，常用的存储结构有：

1. 顺序存储:用一组地址连续的存储单元依次存储集合的各个数据元素，可随机存取，但增删需要大批移动
2. 链式存储:不要求连续，每个节点都由数据域和指针域组成，占据额外空间，增删快，查找慢需要遍历
3. 索引存储:除建立存储结点信息外，还建立附加的索引表来标识结点的地址。检索快，空间占用大
4. 哈希存储:将数据元素的存储位置与关键码之间建立确定对应关系，检索快，存在映射函数碰撞问题

程序中常见的数据结构

1. 数组(Array):连续存储，线性结构，可根据偏移量随机读取，扩容困难
2. 栈( Stack):线性存储，只允许一端操作，先进后出，类似水桶 队列(Queue):类似栈，可以双端操作。先进先出，类似水管
3. 链表( LinkedList):链式存储，配备前后节点的指针，可以是双向的
4. 树( Tree):典型的非线性结构，从唯一的根节点开始，子节点单向执行前驱(父节点)
5. 图(Graph):另一种非线性结构，由节点和关系组成，没有根的概念，互相之间存在关联
6. 堆(Heap):特殊的树，特点是根结点的值是所有结点中最小的或者最大的，且子树也是堆
7. 散列表(Hash):源自于散列函数，将值做一个函数式映射，映射的输出作为存储的地址

算法

算法指的是基于存储结构下，对数据如何有效的操作，采用什么方式可以更有效的处理数据，提高数据运算效率。数据的运算是定义在数据的逻辑结构上，但运算的具体实现要在存储结构上进行。一般涉及的操作有以下几种:

1. 检索:在数据结构里查找满足一定条件的节点。
2. 插入:往数据结构中增加新的节点，一般有一点位置上的要求。
3. 删除:把指定的结点从数据结构中去掉，本身可能隐含有检索的需求。
4. 更新:改变指定节点的一个或多个字段的值，同样隐含检索。
5. 排序:把节点里的数据，按某种指定的顺序重新排列，例如递增或递减。

复杂度

时间复杂度

简单理解，为了某种运算而花费的时间，使用大写O表示。一般来讲，时间是一个不太容易计量的维度，而为了计 算时间复杂度，通常会估计算法的操作单元数量，而假定每个单元运行的时间都是相同的。因此，总运行时间和算 法的操作单元数量一般来讲成正比，最多相差一个常量系数。一般来讲，常见时间复杂度有以下几种:

1)常数阶O(1):时间与数据规模无关，如交换两个变量值
int i=1,j=2,k;
k=i;i=j;j=k;

2)线性阶O(n):时间和数据规模呈线性，可以理解为n的1次方，如单循环里的操作
for(i=1;i<=n;i++){
       do();
}
3)k次方阶O(nk):执行次数是数量的k次方，如多重循环，以下为2次方阶实例
 for(i=1;i<=n;i++){
     for(j=1;j<=n;j++){
		do(); 
	}
}
4)指数阶O(2n):随着n的上升，运算次数呈指数增长
   for(i=1;i<= 2^n;i++){
       do();
   }
5)对数阶O(log2n):执行次数呈对数缩减，如下
     for(i=1;i<=n;){
       i=2^i;
		do(); 
	} 
6)线性对数阶O(nlog2n):在对数阶的基础上，进行线性n倍乘积
for(i=1;i<=2^n;i++){
    for(j=1;j<=n;j++){
		do(); 
	}
}

7)总结: 时间复杂度由小到大依次为:Ο(1)<Ο(log2n)<Ο(n)<Ο(nlog2n)<Ο(n2)<...<Ο(nk)<Ο(2n)             

空间复杂度

与时间复杂度类似，空间复杂度是对一个算法在运行过程中占用内存空间大小的度量。一个程序执行时除了需要存储空间和存储本身所使用的指令、常数、变量和输入数据外，还需要一些对数据进行操作的辅助空间。而空间复杂度主要指的是这部分空间的量级。

固定空间:主要包括指令空间、常量、简单变量等所占的空间，这部分空间的大小与运算的数据多少无关，属于静态空间。

可变空间:主要包括运行期间动态分配的临时空间，以及递归栈所需的空间等，这部分的空间大小与算法有很大关系。

同样，空间复杂度也用大写O表示，相比时间复杂度场景相对简单，常见级别为O(1)和O(n)，以数组逆序为例，两 种不同算法对复杂度影响如下:

1. O(1):常数阶，所占空间和数据量大小无关。

//定义前后指针，和一个临时变量，往中间移动 //无论a多大，占据的临时空间只有一个temp int[] a={1,2,3,4,5};
int i=0,j=a.length‐1;
   while (i<=j){
       int temp = a[i];
       a[i]=a[j];
       a[j]=temp;
       i++;
       j‐‐;
}  

2. O(n):线性阶，与数据量大小呈线性关系。

//定义一个和a同等大小的数组b，与运算量a的大小呈线性关系 //给b赋值时，倒序取a
int[] a={1,2,3,4,5};
int[] b=new int[a.length];
   for (int i = 0; i < a.length; i++) {
       b[i]=a[a.length‐1‐i];
}
    

总结

对于一个算法，其时间复杂度和空间复杂度往往是相互影响的。时间复杂度低可能借助占用大的存储空间来弥补，反之，某个算法所占据空间小，那么可能就需要占用更多的运算时间。两者往往需要达到一种权衡。在特定环境下的业务，还需要综合考虑算法的各项性能，如使用频率，数据量的大小，所用的开发语言，运行的机器系统等。两者兼顾权衡利弊才能设计出最适合当前场景的算法。