数据结构与Python实现

数据结构与Python实现

分类和时空复杂度

分类：

时间和空间复杂度：

Array

数组是可以再内存中连续存储多个元素的结构，在内存中的分配也是连续的，数组中的元素通过数组下标进行访问，数组下标从0开始。

适用场景：

• 频繁查询，对存储空间要求不大，很少增加和删除的情况

优点：

• 按照索引查询元素速度快
• 按照索引遍历数组方便

缺点：

• 数组的大小固定后就无法扩容了
• 数组只能存储一种类型的数据
• 添加，删除的操作慢，因为要移动其他的元素

时间复杂度	O()
Access	O(1)
Insert	O(n)
Delete	O(n)

Python实现与LeetCode--数组

详见：

Linked List

Linked List

链表是物理存储单元上非连续的、非顺序的存储结构；

数据元素的逻辑顺序是通过链表的指针地址实现，每个元素（结点）包含两个域，一个是存储元素的数据域 (内存空间)，另一个是指向下一个结点地址的指针域。

根据指针的指向，链表能形成不同的结构，例如单链表，双向链表，循环链表等。

链表插入Node：

链表删除Node：

时间复杂度	O()
space	O(1)
prepend	O(1)
append	O(1)
lookup	O(n)
insert	O(1)
delete	O(1)

Double Linked List

Circular Linked List

Python实现与LeetCode--链表

详见：

Stack

栈是一种特殊的线性表；仅能在线性表的一端操作，栈顶允许操作，栈底不允许操作。

栈的特点：

• 后进先出，从栈顶放入元素的操作叫入栈，取出元素叫出栈。
  

Python实现与LeetCode--栈

详见：

Queue

Queue

队列与栈一样，也是一种线性表；队列可以在一端添加元素，在另一端取出元素，也就是“先进先出”；从一端放入元素的操作称为入队，取出元素为出队 ；

使用情景：

• 在多线程阻塞队列管理中非常适用

Double-ended Queue

双端队列和普通队列区别在于：==队头和队尾都可以插入和删除元素；==

Priority Queue

优先队列：正常⼊、按照优先级出

Python实现与LeetCode--队列

详见：

Tree

Tree

树是一种数据结构，它是由n（n>=1）个有限节点组成一个具有层次关系的集合。把它叫做 “树” 是因为它看起来像一棵倒挂的树，也就是说它是根朝上，而叶朝下的。

树的特点：

• 每个节点有零个或多个子节点
• 没有父节点的节点称为根节点
• 每一个非根节点有且只有一个父节点
• 除了根节点外，每个子节点可以分为多个不相交的子树

Binary Tree

二叉树：

• 每个结点最多有两颗子树，结点的度最大为2
• ==左子树和右子树是有顺序的==，次序不能颠倒
• 即使某结点只有一个子树，也要区分左右子树

Binary Search Tree

二叉搜索树：

• 若任意节点的左⼦子树不为空，则左子树上所有结点的值均小于它的根结点的值；
• 若任意节点的右⼦子树不为空，则右子树上所有结点的值均大于它的根结点的值；
• 任意节点的左、右子树也分别为二叉搜索树

Python实现与LeetCode--树

详见：

Heap

堆是一种比较特殊的数据结构，可以被看做一棵树的数组对象，具有以下的性质：

• 堆中某个节点的值总是不大于或不小于其父节点的值
• 堆总是一棵完全二叉树

Mini Heap

小顶堆特点：

• 任意节点的值小于父节点的值
• 完整的二叉树

Max Heap

大顶堆特点：

• 任意节点的值大于父节点的值
• 完全的二叉树

Python实现与LeetCode--堆

详见：

Graph

图是由结点的有穷集合V和边的集合E组成。其中，为了与树形结构加以区别，在图结构中常常将结点称为顶点，边是顶点的有序偶对；若两个顶点之间存在一条边，就表示这两个顶点具有相邻关系。

Python实现与LeetCode--图

详见：

Hash Table

哈希表，是根据关键码和值 (key和value) 直接进行访问的数据结构，哈希底层算法是取模（取余）运算，所以会产生哈希冲突。

哈希冲突解决：拉链法

Python实现与LeetCode--哈希表

详见：

转载于:https://www.cnblogs.com/pankypan/p/11099742.html