数组
数组(Array)是一种线性表数据结构。它用一组连续的内存空间,来存储一组具有相同类型的数据。
线性表(Linear List):线性表就是数据排成一条线一样的结构。每个线性表上的数据最多只有前和后两个方向。其实除了数组,链表、队列、栈等也是线性表结构。
与它相对立的概念是非线性表,比如二叉树、堆、图等。之所以叫非线性,是因为在非线性表中,数据之间并不是简单的前后关系。
连续的内存空间和相同类型的数据:
正是因为这两个限制,它才有了一个堪称杀手锏的特性,“随机访问” 。但有利就有弊,这两个限制也让数组的很多操作变得非常低效。比如要想在数组中删除、插入一个数据,为了保证连续性,就需要做大量的数据搬移工作。
如何实现随机访问?
随机访问意味着可直接跳到第n个元素,不需要遍历数组
我们拿一个长度为10的 int
类型的数组 int[] a = new int[10]
来举例:
计算机给数组a[10] ,分配了一块连续内存空间 1000~1039,其中,内存块的首地址为 base_address = 1000
我们知道,计算机会给每个内存单元分配一个地址,计算机通过地址来访问内存中的数据。当计算机需要随机访问数组中的某个元素时,它首先会通过下面的寻址公式,计算出该元素存储的内存地址:
a[i]_address = base_address + i * data_type_size
其中 data_type_size 表示数组中每个元素的大小。我们举的这个例子,数组中存储的是int类型数据,所以data_type_size 就为4个字节。
这里要特别纠正一个“错误”:
链表适合插入、删除,时间复杂度 O(1);
数组适合查找,查找时间复杂度为 O(1);
实际上,这种表述是不准确的,数组是适合查找操作,但查找的时间复杂度并不为 O(1)。即便是排好序的数组,用二分查找,时间复杂度也是 O(logn)。所以正确的表述应该是:
数组支持随机访问,根据下标随机访问的时间复杂度为O(1)
低效的插入和删除
数组为了保持内存数据的连续性,会导致插入、删除这两个操作比较低效,为什么会导致低效?又有哪些改进方法呢?
我们先来看插入操作:
假设数组的长度为 n ,现在,如果我们需要将一个数据插入到数组中的第 k 个位置。为了把第 k 个位置腾出来,我们需要将第 k~n 这部分的元素都顺序地往后挪一位。那插入操作的时间复杂度是多少呢?
-
如果是在数组的末尾插入元素,那就不需要移动数据了,这时的时间复杂度为 O(1)。
-
如果在数组的开头插入元素,那所有的数据都要依次往后移动一位,所以最坏的时间复杂度是 O(n)
-
因为我们在每个位置插入元素的概率是一样的,所以平均情况时间复杂度为 (1+2+…n) / n = O(n)
如果数组中的数据是有序的,我们在某个位置插入一个新的元素时,就必须按照上面的方法迁移 k 之后的数据;但是如果数组中存储的数据没有规律,数组只是被当做一个存储数据的集合,这种情况下,为了避免大规模的数据迁移,我们还有个简单的方法就是直接将第 k 位的数据搬到数组的最后,把新的元素直接放入第 k 个位置。
利用这种处理方法,在特定的场景下,在第 k 个位置插入一个元素的时间复杂度就会降为 O(1)。
跟插入数据类似,如果我们要删除第 k 个位置的数据,为了数据的连续性,也需要迁移数据,不然中间就会出现空洞,内存就不连续了。
- 和插入类似,如果删除数组末尾的数据,最好情况时间复杂度为 O(1)
- 删除开头的数据,最坏情况时间复杂度为 O(n)
- 平均时间复杂度也为 O(n)
实际上,在某些特殊场景下,我们并不一定非得追求数组中数据的连续性。如果我们将多次删除操作集中在一起执行,删除效率是不是会提高很多呢?
我们来看例子:数组 a[10] 中存储了 8 个元素:[a,b,c,d,e,f,g,h] ,现在,我们要依次删除 a/b/c 三个元素
为了避免 d,e,f,g,h 这几个数据会被搬移三次,我们可以先记录下已经删除的数据,每次删除的操作并不是真正地搬移数据,只是记录数据已被删除。当数据没有更多空间存储数据时,我们再触发执行一次真正的删除操作,这样就大大减少了操作导致的数据搬移。
如果你了解JVM,你会发现,这不就是JVM标记清除垃圾回收算法的核心思想吗?没错,数据结构和算法的魅力就在于此,很多时候我们并不是要去死记硬背某个数据结构或者算法,而是要学习它背后的思想和处理技巧,这些东西才是最有价值的。如果你细心留意,不管是在软件开发还是架构设计中,总能找到某些算法和数据结构的影子。
容器能否完全替代数组?
针对数组类型,很多语言都提供了容器类,比如 Java 中的 ArrayList 。在项目开发中,什么时候适合用数组,什么时候适合用容器呢?
ArrayList 最大的优势就是可以将很多数组操作的细节封装起来。比如前面提到的数组插入、删除数据时需要搬移其他数据等。另外,它还有一个优势,就是支持动态扩容。
数组本身在定义的时候需要预先指定大小,因为需要分配连续的内存空间。如果我们申请了大小为 10 的数组,当第 11 个数据需要存储到数组中时,我们就需要重新分配一块更大的空间,将原来的数据复制过去,然后再将新的数据插入。
如果使用 ArrayList ,我们就完全不需要关心底层的扩容逻辑,ArrayList 已经帮我们实现好了。每次存储空间不够时,它会自动将空间扩容为 原来的 1.5 倍大小。不过,这里需要注意一点,因为扩容操作涉及内存申请和数据搬移,是比较耗时的。所以,如果事先能确定需要存储的数据大小,最好在创建 ArrayList 的时候事先指定数据大小。
那是不是数组就无用武之地呢?当然不是,有些时候,用数组会更合适:
- Java ArrayList 无法存储基本类型,比如 int 、long,需要封装为 Integer、Long 类,而自动装箱、拆箱则有一定的性能消耗,如果特别关注性能,或者想使用基本类型,就可以选用数组。
- 如果数据大小事先已知,并且对数据的操作非常简单,用不到 ArrayList 提供的大部分方法,也可以直接使用数组
- 还有一个是我个人的喜好,当要表示多维数组时,用数组往往会更加直观。比如
Object[][] array
;而用容器的话则需要这样定义:ArrayList<ArrayList> array
。
对于业务开发,直接使用容器就足够了,省时省力。毕竟损耗一丢丢性能,完全不会影响到系统整体的性能。但如果你是做一些非常底层的开发, 比如开发网络框架,性能的优化需要做到极致,这个时候数组就会优于容器,成为首选。
为什么大多数编程语言中,数组要从0开始编号,而不是从1开始呢?
从数组存储的内存模型上来看,“下标” 最确切的定义应该是“偏移(offset)”。
前面也讲到,如果用 a 来表示数组的首地址,a[0] 就是偏移为 0 的位置,也就是首地址,a[k] 就表示偏移 k 个 type_size 的位置,所以计算 a[k] 的内存地址只需要用这个公式:
a[k]_address = base_address + k * type_size
但是,如果数组从 1 开始计数,那我们计算数组元素a[k]的内存地址就会变为:
a[k]_address = base_address + (k-1) * type_size
对比两个公式,我们不难发现,从1开始编号,每次随机访问数组元素都多了一次减法运算,对于CPU来说,就是多了一次减法指令。
数组作为非常基础的数据结构,通过下标随机访问数组元素又是其非常基础的编程操作,效率的优化就要尽可能做到极致。所以为了减少一次减法操作,数组选择了从 0 开始编号,而不是从 1 开始。
不过我认为,上面解释得再多其实都算不上压倒性的证明,说数组起始编号非0开始不可。所以我觉得最主要的原因可能是历史原因。 C语言设计者用 0 开始计数数组下标,之后的 Java、JavaScript 等高级语言都效仿了 C 语言,或者说,为了在一定程度上减少 C 语言程序员学习 Java 的学习成本,因此 继续沿用了从0开始计数的习惯。实际上,很多语言中数组也并不是从0开始计数的,比如Matlab。甚至还有一些语言支持负数下标,比如Python。