目录
一、初识集合框架
1. 什么是集合框架
Java 集合框架 Java Collection Framework ,又被称为容器 container ,是定义在 java.util 包下的一组接口 interfaces 和其实现类 classes 。其主要表现为将多个元素 element 置于一个单元中,用于对这些元素进行快速、便捷的存储 store 、检索 retrieve 、管理 manipulate ,即平时我们俗称的增删查改 CRUD 。例如,一副扑克牌(一组牌的集合)、一个邮箱(一组邮件的集合)、一个通讯录(一组姓名和电话的映射关系)等等。
类和接口总览
![](https://img-blog.csdnimg.cn/fd167e3a2e3f44c4a3652cd94e0038fb.png)
2. 集合框架的重要性
使用成熟的集合框架,有助于我们便捷、快速的写出高效、稳定的代码学习背后的数据结构知识,有助于我们理解各个集合的优缺点及使用场景
腾讯-Java后台开发面经1. HashMap 了解不,介绍一下,如果一个对象为 key 时,hashCode 和 equals 方法的用法要注意什么?2. HashSet 和 HashMap 的区别是什么?3. HashMap 是线程安全的么?那需要线程安全需要用到什么?阿里巴巴-Java后台开发面经1. ArrayList 和 LinkedList 的区别是什么?2. 有了解过 HashMap 的具体实现么?3. HashMap 和 ConcurrentHashMap 哪个效率更高?今日头条-Java后台开发面经1. 编程题:判断一个链表是否是一个回文链表。2. Redis 的 zset 类型对应到 java 语言中大致是什么类型?3. hashCode 主要是用来做什么用的?
3. 背后所涉及的数据结构以及算法
(1) Collection : 是一个接口,包含了大部分容器常用的一些方法(2) List : 是一个接口,规范了 ArrayList 和 LinkedList 中要实现的方法ArrayList:实现了 List 接口,底层为动态类型顺序表LinkedList:实现了List 接口,底层为双向链表(3) Stack :底层是栈,栈是一种特殊的顺序表(4) Queue :底层是队列,队列是一种特殊的顺序表(5) Deque :是一个接口(6)Set :集合,是一个接口,里面放置的是 K 模型HashSet:底层为哈希桶,查询的时间复杂度为O(1)TreeSet:底层为红黑树,查询的时间复杂度为O(log2 N),关于 key 有序的(7) Map :映射,里面存储的是 K-V 模型的键值对HashMap:底层为哈希桶,查询时间复杂度为O(1)TreeMap:底层为红黑树,查询的时间复杂度为O(log2 N),关于key 有序
1. 泛型 Generic2. 自动装箱 autobox 和自动拆箱 autounbox3. Object 的 equals 方法4. Comparable 和 Comparator 接口
二、算法效率
什么是算法:
算法(Algorithm):就是定义良好的计算过程,他取一个或一组的值为输入,并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤,用来将输入数据转化成输出结果。
算法效率分析分为两种:第一种是时间效率,第二种是空间效率 。 时间效率被称为时间复杂度,而空间效率被称作 空间复杂度 。 时间复杂度主要衡量的是一个算法的运行速度,而空间复杂度主要衡量一个算法所需要的额外空间。
在计算机发展的早期,计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
- 输入:算法具有零个或者多个输入
- 输出:只要有一个或多个输出
- 有穷性:算法在执行有限的步骤之后,自动结束而不会出现无限循环,并且一个步骤在可接受的时间内完成
- 确定性:算法的每一个步骤都有确定含义,不会出现二义性
- 可行性:算法的每一步都必须是可行的,也就是说,每一步都能够通过执行有限次数完成
设计算法:
- 正确性
- 可读性
- 健壮性
- 时间效率高
- 空间使用率低
- 实现简单
举个例子:
/**
* 斐波那契数列
* <p>
* F0=0,F1=1,Fn=F(n-1)+F(n-2)(n>=2,n∈N*)
* @param n n>=0
* @return f(n - 1) + f(n-2)
*/
public static long fibonacciSequence(long n) {
if (n < 0) {
throw new IllegalArgumentException
("fibonacci n must be more than 0 .");
}
if (n == 0) {
return 0;
}
if (n == 1) {
return 1;
}
return fibonacciSequence(n - 1) + fibonacciSequence(n - 2);
}
如何衡量一个算法的复杂度呢? 通常使用时间复杂度和空间复杂度两方面表示算法复杂度。
三、时间复杂度
1. 时间复杂度的概念
时间复杂度的定义:在计算机科学中,算法的时间复杂度是一个数学函数 ,它定量描述了该算法的运行时间。一个算法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法的时间复杂度。
2. 大O的渐进表示法
实际中我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数,只需要大概执行次数,那么这里我们 使用大 O 的渐进表示法。
大 O 符号( Big O notation ):是用于描述函数渐进行为的数学符号。
3. 推导大O阶方法
(1)用常数1取代运行时间中的所有加法常数。
(2) 在修改后的运行次数函数中,只保留最高阶项。
(3)如果最高阶项存在且不是1,则去除与这个项目相乘的常数。得到的结果就是大O阶。
// 请计算一下func1基本操作执行了多少次?
void func1(int N){
int count = 0;
for (int i = 0; i < N ; i++) {
for (int j = 0; j < N ; j++) {
count++;
}
}
for (int k = 0; k < 2 * N ; k++) {
count++;
}
int M = 10;
while ((M--) > 0) {
count++;
}
System.out.println(count);
}
分析:
![](https://img-blog.csdnimg.cn/73f61a7d71434a83b2c2cc6605209d7c.png)
Func1 执行的基本操作次数 :
N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010
N = 10 F(N) = 100
N = 100 F(N) = 10000
N = 1000 F(N) = 1000000
通过上面我们会发现大 O 的渐进表示法 去掉了那些对结果影响不大的项 ,简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模的最大运行次数 ( 上界 )
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数 ( 下界 )
例如:在一个长度为 N 数组中搜索一个数据 x
最好情况: 1 次找到
最坏情况: N 次找到
平均情况: N/2 次找到
四、空间复杂度
空间复杂度是对一个算法在运行过程中 临时占用存储空间大小的量度 。空间复杂度不是程序占用了多少 bytes 的空间,因为这个也没太大意义,所以空间复杂度算的是变量的个数。空间复杂度计算规则基本跟时间复杂度类似, 也使用大 O 渐进表示法 。
描述算法运行过程中额外占用的内存大小,算法本身运行所占用的空间不算在内。
函数内部执行过程中有没有产生新的空间!!!
五、常见时间复杂度和空间复杂度计算举例
// 计算func2的时间复杂度?
void func2(int N) {
int count = 0;
for (int k = 0; k < 2 * N ; k++) {
count++;
}
int M = 10;
while ((M--) > 0) {
count++;
}
System.out.println(count);
}
基本操作执行了 2N+10 次,通过推导大 O 阶方法知道,时间复杂度为 O(N)
【示例2】
// 计算func3的时间复杂度?
void func3(int N, int M) {
int count = 0;
for (int k = 0; k < M; k++) {
count++;
}
for (int k = 0; k < N ; k++) {
count++;
}
System.out.println(count);
}
基本操作执行了 M+N 次,有两个未知数 M 和 N ,时间复杂度为 O(N+M)
【示例3】
// 计算func4的时间复杂度?
void func4(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
count++;
}
System.out.println(count);
}
基本操作执行了 100 次,通过推导大 O 阶方法,时间复杂度为 O(1)
【示例4】
// 计算bubbleSort的时间复杂度?
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
}
基本操作执行最好 N 次,最坏执行了 (N*(N-1))/2 次,通过推导大 O 阶方法 + 时间复杂度一般看最坏,时间复杂度为 O(N^2)
【示例5】
// 计算binarySearch的时间复杂度?
int binarySearch(int[] array, int value) {
int begin = 0;
int end = array.length - 1;
while (begin <= end) {
int mid = begin + ((end-begin) / 2);
if (array[mid] < value)
begin = mid + 1;
else if (array[mid] > value)
end = mid - 1;
else
return mid;
}
return -1;
}
基本操作执行最好 1次,最坏log2N次,时间复杂度为 O( log2N)
在算法分析中表示是底数 为 2 ,对数为 N ,有些地方会写成 lgN 。(建议通过折纸查找的方式理解 logN 是怎么计算出来的) ( 因为二分查找每次排除掉一半的不适合值, 一次二分剩下: n/2,两次二分剩下: n/2/2 = n/4)
【示例6】
// 计算阶乘递归factorial的时间复杂度?
long factorial(int N) {
return N < 2 ? N : factorial(N-1) * N;
}
基本操作递归了 N 次,时间复杂度为 O(N) 。
【示例7】
// 计算斐波那契递归fibonacci的时间复杂度?
int fibonacci(int N) {
return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}
基本操作递归了 次,时间复杂度为 O(2^N)。(建议画图递归栈帧的二叉树理解)
【示例8】
// 计算bubbleSort的空间复杂度?
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
}
使用了常数个额外空间,所以空间复杂度为 O(1)
【示例9】
// 计算fibonacci的空间复杂度?
int[] fibonacci(int n) {
long[] fibArray = new long[n + 1];
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; i++) {
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}
动态开辟了 N 个空间,空间复杂度为 O(N)
【示例10】
// 计算阶乘递归Factorial的空间复杂度?
long factorial(int N) {
return N < 2 ? N : factorial(N-1)*N;
}
递归调用了 N 次,开辟了 N 个栈帧,每个栈帧使用了常数个空间。空间复杂度为 O(N)
总结
复杂度也叫渐进复杂度,包括时间复杂度和空间复杂度,用来分析算法执行效率与数据规模之间的增长关系,可以粗略地表示,越高阶复杂度的算法,执行效率越低。常见的复杂度并不多,从低阶到高阶有:O(1)、O()、O(n)、O(
)、O(
)。等学完整个数据结构,会发现几乎所有的数据结构和算法的复杂度都跑不出这几个。