数据结构与算法学习（一）

什么是数据结构？什么是算法

• 广义上：数据结构是一组数据的存储结构，算法是操作数据的一组方法。
• 数据结构与算法是相辅相成得：数据结构是为算法服务的，算法要作用在特定的数据结构之上。
• 数据结构是静态的，它只是组织数据的一种方式。如果不在它的基础上操作、构建算法、孤立存在的数据结构就是没用的。
• 数据结构和算法解决的是如何更省、更快地存储和处理数据的问题。
• 10个数据结构：数组、链表、栈、队列、散列表、二叉树、堆、跳表、图、Trie树。
• 10个算法：递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法。
• 学习数据结构本质是学习它的来历，自身特点，适合解决的问题以及实际的应用场景。

时间复杂度分析

• 所有代码的执行时间与每行代码的执行次数成正比。
• 大O时间复杂度表示法：T(n)=O(f(n))，T(n)表示代码执行事件；n表示数据规模的大小；f(n)表示每行代码执行的次数总和。O表示代码执行事件T(n)与f(n)表达式成正比。
• 大O时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以也叫作渐进时间复杂度，简称时间复杂度。
• 大O表示法，公式中的低阶、常量、系数三部分不左右增长趋势，只需要关注最大阶量级（次数最高）就可以了。
• 只关注循环执行行次数最多的那一段代码：这段代码执行次数的n的量级就是整段分析代码的时间复杂度。

 function sum(){
	let sum = 0;
	for(let i = 0;i<n;i++){  //这个循环了n次
      sum = sum + i
	}
	return sum
}
时间复杂度T(n)=O(n)

• 加法法则：总复杂度等于量级最大的那段代码的复杂度
• 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积。

1. 常见的时间复杂度实例案例

• 主要划分为多项式量级和非多项式量级：非多项式量级分别为指数阶O(2^n)和阶乘阶O(n!)。通常非多项式时间复杂度的算法是非常低效的算法。
• O(1)：常量阶，一般情况下只要算法中不存在循环语句、递归语句，即使有成千上万行代码，其时间复杂度也是O(1)。
• O(n)：为线性阶。
• O(logn)、O(nlogn)：对数阶时间复杂度非常常见，同时也是最难分析的

i=1
while(i<=n){
	i=i*2
}
//i的值从1开始取，每循环一次就乘以2。当大于n时循环结束。
2^0 2^1 ... 2^k 2^x=n
// 只需要知道X值是多少，就知道这行代码执行的次数了
2^x=n=>x=log2^n
//所以T(n)=O(logn) 对数阶的时间复杂度和底无关。
//O(nlogn)就是O(logn)执行了n遍，如归并排序、快速排序。

• O(m+n)、O(m*n)：代码的复杂度由两个数据的规模来决定。

function sum(m,n){
let sum1=0,sum2=0;
for(let i = 1;i<m;i++){
	sum1=sum1+i
}
for(let j=1;j<n;j++){
	sum2=sum2+j
}
return sum1+sum2
}
// m、n表示两个数据规模。T(n)=O(m+n)
function sum(m,n){
let sum1=0,sum2=0;
for(let i = 1;i<m;i++){
	sum1=sum1+i
	for(let j=1;j<n;j++){
		sum2=sum2+j
	}
}
return sum1+sum2
}
// m、n表示两个数据规模。T(n)=O(m*n)

空间复杂度分析

• 空间复杂度全称是渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系。
• 常见的空间复杂度就是O(1)、O（n）、O(n^2)。

小结

• 复杂度本质是分析算法执行效率和数据规模之间的增长关系。
• 从低阶到高阶:O(1)、O(logn)、O(n)、O(nlogn)、O(n^2)。越高阶复杂度的算法，执行效率越低。