04 | 数组

在大部分编程语言中，数组都是从0开始编号。为什么数组要从0开始编号，而不是1？

数组如何实现随机(任意)访问

什么是数组？数组(Array)就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。

第一线性表(Liner List)。

顾名思义，线性表就是数据排成像一条线一样的结构。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。

而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。

第二个是连续的内存空间和相同类型的数据。

正是因为这两个限制，它才实现了"随机访问"的特性。也是因为这两个特性，使数组的插入、删除等操作变得低效：因为为了保证空间的连续新，每次操作就会伴随着大量的数据迁移工作。

数组是如何实现根据下标随机访问数组元素的？
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，它会首先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

内存块的首地址为 base_address，data_type_size 表示数组中每个元素的大小。

纠正一个“错误：问到数组和链表的区别，很多人都回答说，“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，但是查找的时间复杂度并不为 O(1)。即便是排好序的数组，你用二分查找，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。现在来详细说一下，究竟为什么会导致低效？又有哪些改进方法呢？

先来看插入操作
假设数组的长度为 n，现在，如果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，给新来的数据，我们需要将第 k～n 这部分的元素都顺序地往后挪一位。
如果在数组的末尾插入元素，时间复杂度是O(1)；
如果在数组的开头插入元素，时间复杂度是O(n)；
平均情况复杂度是(1+2+3…+n)/n=O(n)。

如果数组中的数据是有序的，在某个位置插入一个新的元素时，就必须按照刚才的方法搬移 k 之后的数据。但是，如果数组中存储的数据并没有任何规律，数组只是被当作一个存储数据的集合。在这种情况下，如果要将某个数据插入到第 k 个位置，为了避免大规模的数据搬移，还有一个简单的办法就是，直接将第 k 位的数据搬移到数组元素的最后，把新的元素直接放入第 k 个位置。

假设数组 a[10]中存储了如下 5 个元素：a，b，c，d，e。现在需要将元素 x 插入到第 3 个位置。只需要将 c 放入到 a[5]，将 a[2]赋值为 x 即可。最后，数组中的元素如下： a，b，x，d，e，c。

利用这种处理技巧，在特定场景下，在第 k 个位置插入一个元素的时间复杂度就会降为 O(1)。

再来看删除操作。
跟插入数据类似，如果我们要删除第 k 个位置的数据，为了内存的连续性，也需要搬移数据，不然中间就会出现空洞，内存就不连续了。
所以：
如果删除数组末尾的数据，则最好情况时间复杂度为 O(1)；
如果删除开头的数据，则最坏情况时间复杂度为 O(n)；
平均情况时间复杂度也为 O(n)。

实际上，在某些特殊场景下，并不一定非得追求数组中数据的连续性。如果将多次删除操作集中在一起执行，删除的效率是不是会提高很多呢？

数组 a[10]中存储了 8 个元素：a，b，c，d，e，f，g，h。现在，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，可以先记录下已经删除的数据。每次的删除操作并不是真正地搬移数据，只是记录数据已经被删除。当数组没有更多空间存储数据时，再触发执行一次真正的删除操作，这样就大大减少了删除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？不同是：JVM标记清除垃圾回收算法，标记的是需要留下的，而删除的是没有被标记的。

警惕数组的访问越界问题

来分析一下这段 C 语言代码的运行结果：

int main(int argc, char* argv[]){
    int i = 0;
    int arr[3] = {0};
    for(; i<=3; i++){
        arr[i] = 0;
        printf("hello world\n");
    }
    return 0;
}

这段代码的运行结果并非是打印三行“hello word”，而是可能会无限打印“hello world”。
因为，数组大小为 3，a[0]，a[1]，a[2]，而我们的代码因为书写错误，导致 for 循环的结束条件错写为了 i<=3 而非 i<3，所以当 i=3 时，数组 a[3]访问越界。
在 C 语言中，只要不是访问受限的内存，所有的内存空间都是可以自由访问的。根据我们前面讲的数组寻址公式，a[3]也会被定位到某块不属于数组的内存地址上，而这个地址正好是存储变量 i 的内存地址，那么 a[3]=0 就相当于 i=0，所以就会导致代码无限循环。
但并非所有的语言都像 C 一样，把数组越界检查的工作丢给程序员来做，像 Java 本身就会做越界检查。

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、C++ STL 中的 vector。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？

如果你是 Java 工程师，几乎天天都在用 ArrayList，对它应该非常熟悉。那它与数组相比，到底有哪些优势呢？

个人觉得，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。当空间不足时，就需要重新申请分配一块空间，然后把旧数据复制过去，然后在插入新数据。

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。

有些时候，用数组会更合适些，我总结了几点自己的经验：
1.Java ArrayList 无法存储基本类型，比如 int、long，需要封装为 Integer、Long 类，而 Autoboxing、Unboxing 则有一定的性能消耗，所以如果特别关注性能，或者希望使用基本类型，就可以选用数组。
2. 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。
3. 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。

解答

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？

性能原因：

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）”。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，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。

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。

常规数组寻址公式

虽然我们可以把二维数组中成员看作行和列两个方向构成的格子中的数据，三维数组成员看作长宽高构成的立体格子中的数据，但这只是有助于理解的形象表示，实质上数组在内存中是连续线性的。
那么对于二维数组 x[][] (长度为a1 * a2)来说，求 x[i][j] 的时候(不会考虑i j越界的情况)，要到i的时候，一定走完了i * a2的长度，在x[i][0]往后找j个长度就是x[i][j]，所以会从初始地址增加 (i * a2+j)个单位长度。
对于三维数组， x[][][] (长度为a1 * a2 * a3) 来说，求x[i][j][k] 的时候，要到i的时候，一定走完了i * a2 * a3的长度，在x[i][0][0] 往后找j * a3个长度就是x[i][j][0]，再往后找k个长度就是x[i][j][k]，所以会从初始地址增加 （ia2a3+j*a3+k）个单位长度。以此类推如下：

数组 为x ,an为某一维度长度
一维数组：（a1）x[i]_address = base_address + i * type_size
二维数组：（a1a2）x[i][j]_address = base_address + ( i * a2 + j ) * type_size
三位数组：（a1a2a3）x[i][j][k]_address = base_address + ( i * a2a3 + j * a3 + k ) * type_size
四位数组：（a1a2a3a4）x[i][j][k][l]_address = base_address + ( i * a2a3a4 + j a3a4 + k a4 + l ) * type_size
。。。。。。
n维数组：（a1a2a3*…an）x[i1][i2][i3]…[in] = base_address + ( i1 * a2a3…an + i2 * a3a4*…an + i3 * a4a5*…*an +…i(n-1) * an + in) * type_size

对于其他语言具体数组存储情况请参考https://mp.weixin.qq.com/s/E-c41h2v_AfffrlAQpkyLg。

参考文献地址：
极客时间-05 | 数组：为什么很多编程语言中数组都从0开始编号？(https://time.geekbang.org/column/article/40961)