小白学数据结构——零、算法初步（算法分类及最大子数组小试牛刀）

1. 为啥要学数据结构？

• 应用：机器学习，数据挖掘，自然语言处理，密码学，计算机图形学
• 研究：时空复杂度问题
• 找工作常用：贪心，分治，动态规划，树，图

2.什么是算法？

把大象装进冰箱分为几步？打开冰箱门，把大象放进去，关上冰箱门。没错，这是一个算法。

算法的条件：

• 又穷性（在人类毁灭前算完）
• 确定性（你好漂亮，我有点喜欢你。计算机：这TM怎么衡量）
• 可行性（人类能做的到的）
• 输入&输出

3.常用的算法

• 穷举（万能算法）
  俗称暴力破解
• 分而治之（减而治之）
  二分查找——减而治之
  归并查找——分而治之
• 贪心
  最小生成树Prim，Kruskal
  单源最短路Dijkstra
• 动态规划
  背包
  士兵路径

4.复杂度

谈算法不谈复杂度==耍流氓

使用大O记号（最坏情况，忽略系数）
时间：基本操作次数（汇编指令条数）
空间：占用内存字节数
区别：空间可以再利用
时空互换（Hash表）

时间和空间权衡的艺术

常见复杂度

• O(1)
  最快，例如基本运算，+，—，*，/,寻址等
• O(logn)
  二分查找（看见log跟分治相关，默认以2为底，实际上不同底之间可以转换）
• O(n^(1/2))
  枚举约数
• O(n)
  线性查找
  如果算上输入的复杂度，则输入n个数的时间复杂度的下线为O(n)
• O(n^2)
  冒泡，选择排序
• O(n^3)
  Floyd最短路
• O(nlog(n))
  归并排序
  快速排序的期望复杂度
  基于比较的算法的下界
• O(2^n)
  枚举全部的子集
• O(n!)
  枚举全排列

总结
相对比较好的复杂度：O(1)< O(logn)< O(n)< O(nlog(n))
可能还可以优化的复杂度 ：O(n^2)< O(n^3)< O(2^n)< O(n!)

常见的复杂度分析方法

• 输入输出
  如果算上输入输出的复杂度，那么需要注意时间复杂度的下线

• 循环次数
  两次循环的复杂度至少为n^2

5.数据结构分类

wiki上给的常见数据结构的分类为：

• 数组（Array）
• 堆栈（Stack）
• 队列（Queue）
• 链表（Linked List）
• 树（Tree）
• 图（Graph）
• 堆（Heap）
• 散列表（Hash）

总结一下大概分为：

• 线性结构（栈，队列，链表，哈希表（散列表））
• 树和堆（二叉树等各种树，二叉堆等）
• 图

出了基本的各种结构之外，数据结构很普遍的一种体现方式就是排序算法了，掌握基本结构和排序算法也是入门数据结构与算法的第一步。

6.最大子数组

leetcode上的53题：
Find the contiguous subarray within an array (containing at least one number) which has the largest sum.
For example, given the array [-2,1,-3,4,-1,2,1,-5,4],
the contiguous subarray [4,-1,2,1] has the largest sum = 6.

第一种方法：暴力破解，枚举所有的情况

两重循环，时间复杂度O(n^2)

class Solution:
    def maxSubArray(self, A):
        sum_temp=0
        maxSum=-2147483648
        for i in range(len(A)):
            for j in range(i,len(A)):    
                sum_temp+=A[j]
                maxSum=max(maxSum,sum_temp)
            sum_temp=0
        return maxSum

第二种方法：问题转化：用一层循环解决问题

目标：Max（A[i]+A[i+1]+···+A[j]）
定义：S[j]=A[0]+A[1]+····+A[j]

目标转换：Max(S[j]-S[i-1])
结果：将目标转换为一个减法的问题
时间复杂度O(n)

class Solution:
    def maxSubArray(self, A):
        si=0    #前i项之和（因为sj先加，所以准确来讲每次循环使用的是前i-1项之和）
        sj=0    #前j项之和
        minsi=0 #应减去的前i-1项
        ans=-2147483648 #int中最大的负数
        for i in range(len(A)):
            sj+=A[i]
            if minsi > si :
                minsi=si
            if sj-minsi>ans:  #极端：1.如果加上一个负数ans不变，2.开始第一个为负数，后面可以减去  
                ans = sj-minsi
            si+=A[i]
        return ans

为了更好的理解这种方法的可行性，取两个极端的例子试一下：

• A=[-2，1，2，3，4]
  sj先是等于-2，而后si=-2，ans=-2
  sj=-2+1，minsi=-2，然后发现如果不加前面的-2，ans会更大，所以减去minsi，ans=1
  如此一来就减去了前面的-2对最大值的负影响

• A=[1，2，3，4，-2]
  sj=1+2+3+4后，minsi=0，循环结束时si=1+2+3+4，ans=1+2+3+4
  当sj+-2后，发现sj-minsi不大于ans，所以ans不变

上述是一个简单的数据结构与算法的例题，可见问题的转化可以很大程度的简化处理问题所需复杂度，这也是数据结构可爱之处。