技术面试宝典：很全面的算法和数据结构知识（含代码实现）

最新推荐文章于 2023-11-11 21:36:01 发布

weixin_34342207

最新推荐文章于 2023-11-11 21:36:01 发布

阅读量193

点赞数 1

文章标签：面试 python 数据结构与算法

原文链接：https://my.oschina.net/u/2822116/blog/887740

版权

2019独角兽企业重金招聘Python工程师标准>>>

在线练习
在线编程面试
数据结构
算法
贪心算法
位运算
复杂度分析
视频教程
面试宝典
计算机科学资讯
文件结构

在线练习

在线编程面试

数据结构

链表

链表是一种由节点（Node）组成的线性数据集合，每个节点通过指针指向下一个节点。它是一种由节点组成，并能用于表示序列的数据结构。
单链表：每个节点仅指向下一个节点，最后一个节点指向空（null）。
双链表：每个节点有两个指针p，n。p指向前一个节点，n指向下一个节点；最后一个节点指向空。
循环链表：每个节点指向下一个节点，最后一个节点指向第一个节点。
时间复杂度：
- 索引：O(n)
- 查找：O(n)
- 插入：O(1)
- 删除：O(1)

栈

栈是一个元素集合，支持两个基本操作：push用于将元素压入栈，pop用于删除栈顶元素。
后进先出的数据结构（Last In First Out, LIFO）
时间复杂度
- 索引：O(n)
- 查找：O(n)
- 插入：O(1)
- 删除：O(1)

队列

队列是一个元素集合，支持两种基本操作：enqueue 用于添加一个元素到队列，dequeue 用于删除队列中的一个元素。
先进先出的数据结构（First In First Out, FIFO）。
时间复杂度
- 索引：O(n)
- 查找：O(n)
- 插入：O(1)
- 删除：O(1)

树

树是无向、联通的无环图。

二叉树

二叉树是一个树形数据结构，每个节点最多可以有两个子节点，称为左子节点和右子节点。
满二叉树（Full Tree）：二叉树中的每个节点有 0 或者 2 个子节点。
完美二叉树（Perfect Binary）：二叉树中的每个节点有两个子节点，并且所有的叶子节点的深度是一样的。
完全二叉树：二叉树中除最后一层外其他各层的节点数均达到最大值，最后一层的节点都连续集中在最左边。

二叉查找树

二叉查找树（BST）是一种二叉树。其任何节点的值都大于等于左子树中的值，小于等于右子树中的值。
时间复杂度
- 索引：O(log(n))
- 查找：O(log(n))
- 插入：O(log(n))
- 删除：O(log(n))

字典树

字典树，又称为基数树或前缀树，是一种用于存储键值为字符串的动态集合或关联数组的查找树。树中的节点并不直接存储关联键值，而是该节点在树中的位置决定了其关联键值。一个节点的所有子节点都有相同的前缀，根节点则是空字符串。

树状数组

树状数组，又称为二进制索引树（Binary Indexed Tree，BIT），其概念上是树，但以数组实现。数组中的下标代表树中的节点，每个节点的父节点或子节点的下标可以通过位运算获得。数组中的每个元素都包含了预计算的区间值之和，在整个树更新的过程中，这些计算的值也同样会被更新。
时间复杂度
- 区间求和：O(log(n))
- 更新：O(log(n))

线段树

线段树是用于存储区间和线段的树形数据结构。它允许查找一个节点在若干条线段中出现的次数。
时间复杂度
- 区间查找：O(log(n))
- 更新：O(log(n))

堆

堆是一种基于树的满足某些特性的数据结构：整个堆中的所有父子节点的键值都满足相同的排序条件。堆分为最大堆和最小堆。在最大堆中，父节点的键值永远大于等于所有子节点的键值，根节点的键值是最大的。最小堆中，父节点的键值永远小于等于所有子节点的键值，根节点的键值是最小的。
时间复杂度
- 索引：O(log(n))
- 查找：O(log(n))
- 插入：O(log(n))
- 删除：O(log(n))
- 删除最大值/最小值：O(1)

哈希

哈希用于将任意长度的数据映射到固定长度的数据。哈希函数的返回值被称为哈希值、哈希码或者哈希。如果不同的主键得到相同的哈希值，则发生了冲突。
Hash Map：hash map 是一个存储键值间关系的数据结构。HashMap 通过哈希函数将键转化为桶或者槽中的下标，从而便于指定值的查找。
冲突解决
- 链地址法（Separate Chaining）：在链地址法中，每个桶（bucket）是相互独立的，每一个索引对应一个元素列表。处理HashMap 的时间就是查找桶的时间（常量）与遍历列表元素的时间之和。
- 开放地址法（Open Addressing）：在开放地址方法中，当插入新值时，会判断该值对应的哈希桶是否存在，如果存在则根据某种算法依次选择下一个可能的位置，直到找到一个未被占用的地址。开放地址即某个元素的位置并不永远由其哈希值决定。

图

图是G =（V，E）的有序对，其包括顶点或节点的集合 V 以及边或弧的集合E，其中E包括了两个来自V的元素（即边与两个顶点相关联，并且该关联为这两个顶点的无序对）。
无向图：图的邻接矩阵是对称的，因此如果存在节点 u 到节点 v 的边，那节点 v 到节点 u 的边也一定存在。
有向图：图的邻接矩阵不是对称的。因此如果存在节点 u 到节点 v 的边并不意味着一定存在节点 v 到节点 u 的边。

算法

排序

快速排序

稳定：否
时间复杂度
- 最优：O(nlog(n))
- 最差：O(n^2)
- 平均：O(nlog(n))

合并排序

合并排序是一种分治算法。这个算法不断地将一个数组分为两部分，分别对左子数组和右子数组排序，然后将两个数组合并为新的有序数组。
稳定：是
时间复杂度：
- 最优：O(nlog(n))
- 最差：O(nlog(n))
- 平均：O(nlog(n))

桶排序

桶排序是一种将元素分到一定数量的桶中的排序算法。每个桶内部采用其他算法排序，或递归调用桶排序。
时间复杂度
- 最优：Ω(n + k)
- 最差: O(n^2)
- 平均：Θ(n + k)

基数排序

基数排序类似于桶排序，将元素分发到一定数目的桶中。不同的是，基数排序在分割元素之后没有让每个桶单独进行排序，而是直接做了合并操作。
时间复杂度
- 最优：Ω(nk)
- 最差: O(nk)
- 平均：Θ(nk)

图算法

深度优先搜索

深度优先搜索是一种先遍历子节点而不回溯的图遍历算法。
时间复杂度：O(|V| + |E|)

广度优先搜索

广度优先搜索是一种先遍历邻居节点而不是子节点的图遍历算法。
时间复杂度：O(|V| + |E|)

拓扑排序

拓扑排序是有向图节点的线性排序。对于任何一条节点 u 到节点 v 的边，u 的下标先于 v。
时间复杂度：O(|V| + |E|)

Dijkstra算法

Dijkstra 算法是一种在有向图中查找单源最短路径的算法。
时间复杂度：O(|V|^2)

Bellman-Ford算法

Bellman-Ford 是一种在带权图中查找单一源点到其他节点最短路径的算法。
虽然时间复杂度大于 Dijkstra 算法，但它可以处理包含了负值边的图。
时间复杂度：
- 最优：O(|E|)
- 最差：O(|V||E|)

Floyd-Warshall 算法

Floyd-Warshall 算法是一种在无环带权图中寻找任意节点间最短路径的算法。
该算法执行一次即可找到所有节点间的最短路径（路径权重和）。
时间复杂度：
- 最优：O(|V|^3)
- 最差：O(|V|^3)
- 平均：O(|V|^3)

最小生成树算法

最小生成树算法是一种在无向带权图中查找最小生成树的贪心算法。换言之，最小生成树算法能在一个图中找到连接所有节点的边的最小子集。
时间复杂度：O(|V|^2)

Kruskal 算法

Kruskal 算法也是一个计算最小生成树的贪心算法，但在 Kruskal 算法中，图不一定是连通的。
时间复杂度：O(|E|log|V|)

贪心算法

贪心算法总是做出在当前看来最优的选择，并希望最后整体也是最优的。
使用贪心算法可以解决的问题必须具有如下两种特性：
- 最优子结构
  - 问题的最优解包含其子问题的最优解。
- 贪心选择
  - 每一步的贪心选择可以得到问题的整体最优解。
实例-硬币选择问题
给定期望的硬币总和为 V 分，以及 n 种硬币，即类型是 i 的硬币共有 coinValue[i] 分，i的范围是 [0…n – 1]。假设每种类型的硬币都有无限个，求解为使和为 V 分最少需要多少硬币？
硬币：便士（1美分），镍（5美分），一角（10美分），四分之一（25美分）。
假设总和 V 为41,。我们可以使用贪心算法查找小于或者等于 V 的面值最大的硬币，然后从 V 中减掉该硬币的值，如此重复进行。
- V = 41 | 使用了0个硬币
- V = 16 | 使用了1个硬币(41 – 25 = 16)
- V = 6 | 使用了2个硬币(16 – 10 = 6)
- V = 1 | 使用了3个硬币(6 – 5 = 1)
- V = 0 | 使用了4个硬币(1 – 1 = 0)