目录
全面总结：常见数据结构时间复杂度比较表
| 数据结构 | 操作 | 平均时间复杂度 | 最坏时间复杂度 | 说明 |
|---|---|---|---|---|
| 单链表 | 查找（搜索） | O(n) | O(n) | 需要从头遍历到目标位置。 |
| 插入头部 | O(1) | O(1) | 常数时间插入新节点，修改头指针。 | |
| 插入尾部 | O(n) | O(n) | 需要遍历到尾节点，除非有尾指针。 | |
| 插入任意位置 | O(n) | O(n) | 需要遍历到指定位置。 | |
| 删除头部 | O(1) | O(1) | 修改头指针即可。 | |
| 删除尾部 | O(n) | O(n) | 需要找到尾节点的前驱节点。 | |
| 删除任意节点 | O(n) | O(n) | 需要找到目标节点的位置。 | |
| 遍历 | O(n) | O(n) | 遍历整个链表的所有节点。 | |
| 双链表 | 查找（搜索） | O(n) | O(n) | 与单链表相同。 |
| 插入头部 | O(1) | O(1) | 常数时间修改头指针和新节点的prev指针。 | |
| 插入尾部 | O(1) | O(1) | 通过尾指针直接访问，常数时间完成。 | |
| 插入任意位置 | O(n) | O(n) | 需要遍历到指定位置。 | |
| 删除头部 | O(1) | O(1) | 修改头指针和新头节点的prev指针即可。 | |
| 删除尾部 | O(1) | O(1) | 修改尾指针和前驱节点的next指针。 | |
| 删除任意节点 | O(n) | O(n) | 需要找到目标节点。 | |
| 遍历 | O(n) | O(n) | 遍历整个链表的所有节点。 | |
| 循环链表 | 查找（搜索） | O(n) | O(n) | 与单链表相同。 |
| 插入头部 | O(n) | O(n) | 需要找到尾节点以更新其next指针。 | |
| 插入尾部 | O(n) | O(n) | 需要遍历到尾节点，除非维护尾指针。 | |
| 删除头部 | O(n) | O(n) | 需要找到尾节点以更新其next指针。 | |
| 删除尾部 | O(n) | O(n) | 需要找到尾节点和其前驱节点。 | |
| 遍历 | O(n) | O(n) | 遍历整个循环链表，直到回到头节点。 | |
| 栈（链表实现） | 入栈（Push） | O(1) | O(1) | 常数时间在头部插入节点。 |
| 出栈（Pop） | O(1) | O(1) | 常数时间删除头部节点。 | |
| 获取栈顶（Peek） | O(1) | O(1) | 常数时间访问头部节点。 | |
| 判断是否为空 | O(1) | O(1) | 判断头指针是否为NULL。 | |
| 队列（链表实现） | 入队（Enqueue） | O(1) | O(1) | 常数时间在尾部插入节点。 |
| 出队（Dequeue） | O(1) | O(1) | 常数时间删除头部节点。 | |
| 获取队头（Front） | O(1) | O(1) | 常数时间访问头部节点。 | |
| 判断是否为空 | O(1) | O(1) | 判断头指针是否为NULL。 | |
| 数组 | 查找（按索引） | O(1) | O(1) | 常数时间直接访问目标索引。 |
| 插入（随机位置） | O(n) | O(n) | 插入位置后的所有元素需要移动。 | |
| 删除（随机位置） | O(n) | O(n) | 删除位置后的所有元素需要移动。 | |
| 遍历 | O(n) | O(n) | 遍历整个数组。 | |
| 哈希表 | 查找 | O(1) | O(n) | 平均情况O(1)，最坏情况哈希冲突导致线性查找。 |
| 插入 | O(1) | O(n) | 平均情况O(1)，最坏情况哈希冲突导致线性查找。 | |
| 删除 | O(1) | O(n) | 平均情况O(1)，最坏情况哈希冲突导致线性查找。 | |
| 二叉搜索树 | 查找 | O(log n) | O(n) | 平衡树的平均时间复杂度为O(log n)，退化为链表时最坏O(n)。 |
| 插入 | O(log n) | O(n) | 平衡树的平均时间复杂度为O(log n)，退化为链表时最坏O(n)。 | |
| 删除 | O(log n) | O(n) | 平衡树的平均时间复杂度为O(log n)，退化为链表时最坏O(n)。 | |
| 遍历 | O(n) | O(n) | 访问所有节点的总时间。 | |
| 堆（优先队列） | 插入 | O(log n) | O(log n) | 维护堆的结构需要对数时间。 |
| 删除最大/最小值 | O(log n) | O(log n) | 删除根节点并调整堆结构需要对数时间。 | |
| 获取最大/最小值 | O(1) | O(1) | 直接访问根节点。 |
说明与使用指南
-
如何选择数据结构：
- 链表：适用于需要动态插入、删除的场景，但查找速度较慢。
- 数组：适用于需要快速访问（随机访问）的场景，但插入和删除效率低。
- 栈与队列：专注于特定操作（LIFO/FIFO），高效且易于实现。
- 哈希表：适用于需要快速查找和插入的场景，但可能需要处理冲突。
- 二叉搜索树：适用于需要排序的动态集合，但需要注意树的平衡性。
- 堆：适用于需要高效获取最大值或最小值的优先级队列场景。
-
时间复杂度决定了效率：
- 对于大规模数据，优先选择具有对数时间复杂度或更优性能的数据结构。
- 在特定情况下（如数据较小或操作较少），简单的实现可能更具优势。
-
结合操作特点优化：
- 例如，在频繁插入尾部的链表中，可以通过维护尾指针将时间复杂度从O(n)优化为O(1)。
这张表格可以作为快速查阅和理解常见数据结构的参考。对于每种数据结构的实现和应用，推荐结合具体问题场景深入实践和优化。
附录
题目
- 设有一稠密图 GGG，问 GGG 采用何种存储方式较省空间？
正确答案：邻接矩阵
解析
-
图的稠密性定义
- 一个图的稠密程度取决于边的数量。假设图 GGG 有 nnn 个顶点：
- 如果图中实际边数接近于最多可能的边数 n×(n−1)/2n \times (n - 1) / 2n×(n−1)/2（无向图）或 n×(n−1)n \times (n - 1)n×(n−1)（有向图），则称为稠密图。
- 反之，如果图的边数远小于上述值，则称为稀疏图。
- 一个图的稠密程度取决于边的数量。假设图 GGG 有 nnn 个顶点：
-
两种常见图的存储结构
- 邻接矩阵（Adjacency Matrix）
- 使用一个 n×nn \times nn×n 的二维数组存储图的信息。
- 如果顶点 iii 和顶点 jjj 有边，则 matrix[i][j]=1\text{matrix}[i][j] = 1matrix[i][j]=1（或权重值）；否则为 0。
- 空间复杂度固定为 O(n2)O(n^2)O(n2)。
- 邻接表（Adjacency List）
- 每个顶点维护一个链表，链表中存储与该顶点相连的所有边。
- 空间复杂度为 O(n+e)O(n + e)O(n+e)，其中 eee 是边的数量。
- 邻接矩阵（Adjacency Matrix）
-
稠密图为何选择邻接矩阵？
- 对于稠密图，边的数量 eee 接近 n2n^2n2，邻接表的空间复杂度接近 O(n+n2)O(n + n^2)O(n+n2)，且复杂的链表结构本身会增加存储开销。
- 相比之下，邻接矩阵的固定空间复杂度 O(n2)O(n^2)O(n2) 更适合存储稠密图，因为不需要额外维护链表结构。
-
稀疏图的对比
- 如果是稀疏图，边数 eee 远小于 n2n^2n2，邻接表的空间复杂度 O(n+e)O(n + e)O(n+e) 比邻接矩阵 O(n2)O(n^2)O(n2) 更小，适合稀疏图。
知识点讲解
| 存储方式 | 适用场景 | 空间复杂度 | 优点 | 缺点 |
|---|---|---|---|---|
| 邻接矩阵 | 稠密图 | O(n2)O(n^2)O(n2) | 简单直观，适合快速查询两点是否相连 | 对稀疏图浪费大量空间 |
| 邻接表 | 稀疏图 | O(n+e)O(n + e)O(n+e) | 节省空间，特别是稀疏图 | 查询任意两点是否相连时效率较低 |
知识点总结表格
| 知识点 | 内容 |
|---|---|
| 图的存储方式 | 常见为邻接矩阵和邻接表两种方式 |
| 稠密图的定义 | 边数接近顶点可能最大边数 n×(n−1)/2n \times (n-1)/2n×(n−1)/2 或 n×(n−1)n \times (n-1)n×(n−1) |
| 稀疏图的定义 | 边数远小于顶点可能最大边数 |
| 邻接矩阵适用场景 | 稠密图 |
| 邻接表适用场景 | 稀疏图 |
扫一扫
7728
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
