程序员都必须要知道的 8个常见数据结构

1. 数组：多功能主力

什么是数组？

数组可能是编程中最基本、使用最广泛的数据结构。将数组视为存储在连续内存位置的项目集合。它就像学校里一排储物柜，每个储物柜（元素）按顺序编号，可容纳一个物品。

数组如何工作？

数组基于索引的访问原理工作。数组中的每个元素都与一个索引相关联，通常从 0 开始。这样可以快速直接地访问数组中的任何元素。

示例：书架类比

假设你有一个书架，上面有 5 个插槽，编号为 0 到 4。每个插槽可以容纳一本书。这类似于大小为 5 的数组。

# Creating an array (bookshelf) in Python
bookshelf = ["Harry Potter", "Lord of the Rings", "Pride and Prejudice", "1984", "To Kill a Mockingbird"]

# Accessing elements
print(bookshelf[0])  # Output: Harry Potter
print(bookshelf[2])  # Output: Pride and Prejudice

# Modifying an element
bookshelf[1] = "The Hobbit"
print(bookshelf)  # Output: ['Harry Potter', 'The Hobbit', 'Pride and Prejudice', '1984', 'To Kill a Mockingbird']

数组的优点

• 快速访问：元素可以使用其索引立即访问。

• 空间效率：数组使用连续的内存块，因此内存效率高。

• 简单：易于理解和使用。

数组的局限性

• 固定大小：在许多语言中，数组具有固定大小，创建后无法更改。

• 插入和删除：这些操作可能很昂贵，尤其是对于大型数组。

实际应用

• 存储和操作图像像素数据

• 实现用于科学计算的矩阵

• 管理用户界面中的项目列表

2. 链表：灵活的链

什么是链表？

链表是一种线性数据结构，其中元素存储在节点中。每个节点包含一个数据字段和对序列中下一个节点的引用（或链接）。与数组不同，链表不会将元素存储在连续的内存位置中。

链表如何工作？

链表通过指针连接节点来工作。每个节点都知道序列中的下一个节点，从而形成链式结构。这允许在列表中的任何位置高效地插入和删除元素。

示例：火车类比

将链表想象成一列火车。每节火车车厢（节点）都载有一些货物（数据）并与下一节车厢相连。你可以轻松地在火车的任何位置添加或删除车厢。

class Node:
    def __init__(self, data):
        self.data = data
        self.next = None

class LinkedList:
    def __init__(self):
        self.head = None

    def append(self, data):
        new_node = Node(data)
        if not self.head:
            self.head = new_node
            return
        last_node = self.head
        while last_node.next:
            last_node = last_node.next
        last_node.next = new_node

    def display(self):
        current = self.head
        while current:
            print(current.data, end=" -> ")
            current = current.next
        print("None")

# Creating a linked list
train = LinkedList()
train.append("Engine")
train.append("Passenger Car")
train.append("Dining Car")
train.append("Cargo Car")

train.display()  # Output: Engine -> Passenger Car -> Dining Car -> Cargo Car -> None

链表的优点

• 动态大小：链表在执行过程中可以增大或缩小大小。

• 插入和删除效率高：添加或删除元素速度很快，尤其是在列表的开头。

• 灵活的内存分配：节点可以存储在内存中的任何位置。

链表的局限性

• 顺序访问：要到达第 n 个元素，你需要从头开始遍历。

• 额外内存：每个节点都需要额外的内存来存储对下一个节点的引用。

实际应用

• 在应用程序中实现撤消功能

• 管理音乐播放列表（可以轻松添加或删除歌曲）

• 实现哈希表以解决冲突

3. 堆栈：后进先出冠军

什么是堆栈？

堆栈是一种遵循后进先出 (LIFO) 原则的线性数据结构。可以将其视为一叠盘子：您只能从顶部添加或移除盘子。

堆栈如何工作？

堆栈通过两个主要操作进行操作：

• 推送：将元素添加到堆栈顶部。

• 弹出：从堆栈中删除顶部元素。

示例：浏览器历史记录类比

你的 Web 浏览器的后退按钮功能是堆栈的完美现实示例。当你访问新页面时，它们会被推送到堆栈上。当你点击后退按钮时，你会将页面从堆栈中弹出

class BrowserHistory:
    def __init__(self):
        self.history = []

    def visit(self, url):
        self.history.append(url)
        print(f"Visited: {url}")

    def back(self):
        if len(self.history) > 1:
            self.history.pop()
            print(f"Went back to: {self.history[-1]}")
        else:
            print("Can't go back further!")

# Using our browser history stack
browser = BrowserHistory()
browser.visit("google.com")
browser.visit("youtube.com")
browser.visit("github.com")
browser.back()
browser.back()
browser.back()
browser.back()

# Output:
# Visited: google.com
# Visited: youtube.com
# Visited: github.com
# Went back to: youtube.com
# Went back to: google.com
# Can't go back further!

堆栈的优点

• 简单高效：堆栈操作简单快捷。

• 内存管理：可用于管理函数调用和递归。

• 撤消机制：轻松在应用程序中实现撤消功能。

堆栈的局限性

• 访问受限：任何时候都只能访问顶部元素。

• 固定大小（在某些实现中）：可能有最大大小限制。

实际应用

• 编程语言中的函数调用管理

• 表达式求值和语法解析

• 文本编辑器中的撤消-重做功能

4. 队列：先进先出组织者

什么是队列？

队列是一种遵循先进先出 (FIFO) 原则的线性数据结构。这就像一队人在等公共汽车：排在队伍第一个的人就是第一个上车的人。

队列如何工作？

队列主要通过两个操作进行操作：

• 入队：将元素添加到队列后面。

• 出队：从队列中删除前面的元素。

示例：打印队列类比

打印机队列是队列运行的经典示例。打印作业按接收顺序进行处理。

from collections import deque

class PrinterQueue:
    def __init__(self):
        self.queue = deque()

    def add_job(self, document):
        self.queue.append(document)
        print(f"Added '{document}' to the print queue")

    def print_job(self):
        if self.queue:
            document = self.queue.popleft()
            print(f"Printing: {document}")
        else:
            print("No jobs in the queue")

    def display_queue(self):
        print("Current queue:", list(self.queue))

# Using our printer queue
printer = PrinterQueue()
printer.add_job("Annual Report")
printer.add_job("Meeting Minutes")
printer.add_job("Employee Handbook")
printer.display_queue()
printer.print_job()
printer.print_job()
printer.display_queue()

# Output:
# Added 'Annual Report' to the print queue
# Added 'Meeting Minutes' to the print queue
# Added 'Employee Handbook' to the print queue
# Current queue: ['Annual Report', 'Meeting Minutes', 'Employee Handbook']
# Printing: Annual Report
# Printing: Meeting Minutes
# Current queue: ['Employee Handbook']

队列的优点

• 公平性：确保先到先得的处理。

• 可预测性：元素按已知顺序处理。

• 解耦：适用于管理进程之间的异步数据传输。

队列的局限性

• 访问受限：只有前部和后部元素易于访问。

• 可能出现瓶颈：如果入队操作比出队操作快，则队列可以无限增长。

实际应用

• 操作系统中的任务调度

• 处理 Web 服务器中的请求

• 图遍历中的广度优先搜索算法

5. 哈希表：闪电般快速的查找大师

什么是哈希表？

哈希表，也称为哈希映射，是存储键值对并提供快速数据检索的数据结构。它们使用哈希函数计算存储桶数组的索引，从中可以找到所需的值。

哈希表如何工作？

• 哈希函数将键作为输入并生成索引。

• 键值对存储在与此索引对应的存储桶中。

• 要检索值，需要再次对键进行哈希处理以找到正确的存储桶。

示例：图书馆目录类比

想象一个图书馆，其中书籍（值）根据从书名派生的唯一代码（键）存储在书架（存储桶）中。此代码由特殊公式（哈希函数）生成。

class SimpleHashTable:
    def __init__(self, size):
        self.size = size
        self.table = [[] for _ in range(self.size)]

    def _hash(self, key):
        return sum(ord(char) for char in key) % self.size

    def insert(self, key, value):
        index = self._hash(key)
        for item in self.table[index]:
            if item[0] == key:
                item[1] = value
                return
        self.table[index].append([key, value])

    def get(self, key):
        index = self._hash(key)
        for item in self.table[index]:
            if item[0] == key:
                return item[1]
        raise KeyError(key)

    def display(self):
        for i, bucket in enumerate(self.table):
            print(f"Bucket {i}: {bucket}")

# Using our simple hash table
library = SimpleHashTable(10)
library.insert("Moby Dick", "Shelf A")
library.insert("Pride and Prejudice", "Shelf B")
library.insert("The Great Gatsby", "Shelf C")
library.insert("To Kill a Mockingbird", "Shelf D")

library.display()
print("Location of 'The Great Gatsby':", library.get("The Great Gatsby"))

# Output might look like:
# Bucket 0: []
# Bucket 1: []
# Bucket 2: [['Moby Dick', 'Shelf A']]
# Bucket 3: []
# Bucket 4: [['Pride and Prejudice', 'Shelf B']]
# Bucket 5: [['The Great Gatsby', 'Shelf C']]
# Bucket 6: []
# Bucket 7: [['To Kill a Mockingbird', 'Shelf D']]
# Bucket 8: []
# Bucket 9: []
# Location of 'The Great Gatsby': Shelf C

哈希表的优点

• 快速查找：插入、删除和搜索的平均时间复杂度为 O(1)。

• 灵活的键：可以使用各种数据类型作为键，而不仅仅是整数。

• 空间效率：可以有效地表示稀疏数据。

哈希表的局限性

• 冲突：不同的键可能会散列到同一个索引，需要解决冲突。

• 无序：不保持插入顺序。

• 调整大小：随着它们的增长可能需要调整大小，这可能会很昂贵。

实际应用

• 用编程语言实现字典

• 数据库索引以实现更快的查询

• Web 应用程序中的缓存机制

6. 树：分层组织者

什么是树？

树是由通过边连接的节点组成的分层数据结构。它们从根节点开始，然后分支到子节点，形成类似于倒置树的结构。

树如何工作？

树以父子关系组织数据。每个节点可以有多个子节点，但只能有一个父节点（根节点除外）。此结构允许高效搜索和组织分层数据。

示例：家谱类比

家谱是树形数据结构在现实世界中的完美示例。每个人都是一个节点，上面是父母，下面是孩子。

class FamilyMember:
    def __init__(self, name):
        self.name = name
        self.children = []

    def add_child(self, child):
        self.children.append(child)

    def display(self, level=0):
        print("  " * level + self.name)
        for child in self.children:
            child.display(level + 1)

# Creating a family tree
grandparent = FamilyMember("Grandparent")
parent1 = FamilyMember("Parent 1")
parent2 = FamilyMember("Parent 2")
child1 = FamilyMember("Child 1")
child2 = FamilyMember("Child 2")
grandchild1 = FamilyMember("Grandchild 1")

grandparent.add_child(parent1)
grandparent.add_child(parent2)
parent1.add_child(child1)
parent1.add_child(child2)
child1.add_child(grandchild1)

# Displaying the family tree
grandparent.display()

# Output:
# Grandparent
#   Parent 1
#     Child 1
#       Grandchild 1
#     Child 2
#   Parent 2

树的优点

• 层次表示：非常适合表示层次关系。

• 高效搜索：支持快速搜索操作，尤其是在平衡树中。

• 灵活的结构：可用于实现其他数据结构，如堆和集合。

树的局限性

• 复杂性：树操作的实现和维护可能很复杂。

• 内存使用：可能比线性数据结构占用更多内存。

实际应用

• 操作系统中的文件系统

• Web 浏览器中的 HTML DOM（文档对象模型）

• AI 决策树和游戏树

7. 图：关系映射器

什么是图？

图是多功能数据结构，表示一组对象（顶点或节点），其中一些对象对通过链接（边）连接。它们是建模复杂关系和网络的理想选择。

图如何工作？

图由顶点（节点）和边（节点之间的连接）组成。边可以是有向的（单向）或无向的（双向）。可以使用邻接矩阵或邻接列表来实现图形。

示例：社交网络类比

社交网络是现实世界中图形的完美示例。每个人都是一个顶点，友谊是连接这些顶点的边。

class SocialNetwork:
    def __init__(self):
        self.network = {}

    def add_person(self, name):
        if name not in self.network:
            self.network[name] = set()

    def add_friendship(self, person1, person2):
        self.add_person(person1)
        self.add_person(person2)
        self.network[person1].add(person2)
        self.network[person2].add(person1)

    def display_network(self):
        for person, friends in self.network.items():
            print(f"{person}: {', '.join(friends)}")

# Creating a social network
social_net = SocialNetwork()
social_net.add_friendship("Alice", "Bob")
social_net.add_friendship("Alice", "Charlie")
social_net.add_friendship("Bob", "David")
social_net.add_friendship("Charlie", "David")
social_net.add_friendship("Eve", "Alice")

social_net.display_network()

# Output:
# Alice: Bob, Charlie, Eve
# Bob: Alice, David
# Charlie: Alice, David
# David: Bob, Charlie
# Eve: Alice

图形的优势

• 关系建模：非常适合表示复杂的关系和连接。

• 多功能性：可以模拟各种各样的现实场景。

• 强大的算法：存在许多用于解决复杂问题的图形算法。

图形的局限性

• 复杂性：对于大型数据集，实现和管理可能很复杂。

• 内存密集型：存储连接可能需要大量内存。

• 遍历挑战：某些图形问题的计算成本很高。

现实世界的应用

• 社交网络分析

• GPS 和地图系统

• 网络路由协议

• 推荐系统

8. 堆：高效的优先级管理器

什么是堆？

堆是满足堆属性的专用树型数据结构。在最大堆中，对于任何给定节点，节点的值大于或等于其子节点的值。在最小堆中，节点的值小于或等于其子节点的值。

堆如何工作？

堆保持元素的部分排序。它们提供对最大（对于最大堆）或最小（对于最小堆）元素的有效访问，使其成为优先级队列实现的理想选择。

示例：急诊室分诊类比

想象一个急诊室，根据患者病情的严重程度对其进行治疗。该系统可以使用最大堆进行建模，其中优先级最高（病情最严重）的患者始终位于最顶部。

import heapq

class EmergencyRoom:
    def __init__(self):
        self.patients = []
        self.patient_count = 0

    def add_patient(self, name, priority):
        # We use negative priority for max heap behavior
        heapq.heappush(self.patients, (-priority, self.patient_count, name))
        self.patient_count += 1
        print(f"Patient {name} added with priority {priority}")

    def treat_next_patient(self):
        if self.patients:
            _, _, name = heapq.heappop(self.patients)
            print(f"Treating patient: {name}")
        else:
            print("No patients in waiting.")

    def display_queue(self):
        print("Current queue (Higher number means higher priority):")
        sorted_patients = sorted(self.patients)
        for priority, _, name in sorted_patients:
            print(f"  {name}: Priority {-priority}")

# Using our emergency room
er = EmergencyRoom()
er.add_patient("John", 3)
er.add_patient("Alice", 5)
er.add_patient("Bob", 1)
er.add_patient("Eve", 4)

er.display_queue()
er.treat_next_patient()
er.treat_next_patient()
er.display_queue()

# Output:
# Patient John added with priority 3
# Patient Alice added with priority 5
# Patient Bob added with priority 1
# Patient Eve added with priority 4
# Current queue (Higher number means higher priority):
#   Alice: Priority 5
#   Eve: Priority 4
#   John: Priority 3
#   Bob: Priority 1
# Treating patient: Alice
# Treating patient: Eve
# Current queue (Higher number means higher priority):
#   John: Priority 3
#   Bob: Priority 1

堆的优点

• 高效的优先级管理：快速访问最高（或最低）优先级元素。

• 快速插入：插入的时间复杂度为 O(log n)。

• 空间效率：可以高效地实现为数组。

堆的局限性

• 访问受限：只有顶部元素易于访问。

• 不适合搜索：搜索特定元素可能效率低下。

• 实现复杂：在操作期间维护堆属性可能很棘手。

实际应用

• 操作系统中的任务调度程序

• 数据压缩中的哈夫曼编码

• 用于在图中查找最短路径的 Dijkstra 算法

• 编程语言中的内存管理

结论

对于任何希望编写高效且优化的代码的程序员来说，了解这8个基本数据结构都至关重要。每个结构都有自己的优点和缺点，使其适用于不同的场景：

• 数组擅长随机访问，非常适合大小已知且固定的场景。

• 链表在需要频繁插入和删除的情况下大放异彩。

• 堆栈非常适合管理函数调用和实现撤消机制。

• 队列非常适合以先到先得的原则管理任务。

• 哈希表提供闪电般的快速查找，非常适合实现字典和缓存。

• 树非常适合表示分层数据并实现高效搜索。

• 图形在建模复杂关系和网络方面无与伦比。

• 堆是优先级队列实现和某些排序算法的首选结构。

通过掌握这些数据结构，你将能够更好地选择合适的工具来完成工作，从而为各种编程挑战提供更高效、更优雅的解决方案。

关于优联前端

        武汉优联前端科技有限公司由一批从事前端10余年的专业人才创办，是一家致力于H5前端技术研究的科技创新型公司，为合作伙伴提供专业高效的前端解决方案，合作伙伴遍布中国及东南亚地区，行业涵盖广告，教育， 医疗，餐饮等。有效的解决了合作伙伴的前端技术难题，节约了成本，实现合作共赢。接受Web前端，微信小程序、小游戏，2D/3D游戏，动画交互与UI广告设计等各种技术研发。