数据结构和算法学习（python实现）

Apathy_

已于 2022-08-17 00:20:34 修改

阅读量411

点赞数

文章标签：算法 python 学习

于 2022-08-14 01:18:39 首次发布

本文链接：https://blog.csdn.net/weixin_43306729/article/details/126326881

版权

算法与数据结构

时间复杂度

O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n2logn)<O(n^3)

空间复杂度

内存占用（空间换时间）

递归

调用自身
结束条件

经典汉诺塔问题

h(n) = 2h(n-1) + 1

def hanoi(n, a, b, c):
    if n > 0:
        hanoi(n-1, a, c, b)
        print("moving from %s to %s" %(a, c))
        hanoi(n-1, b, a, c)

1. 查找

查找目标值的索引

python内置查找函数index（）（使用线性查找）

1.1 顺序查找（线性查找）Linear Search

def linear_search(li, val):
    for i in range(range(li)):
        if li[i] == val:
            return i
    return

时间复杂度O(n)

1.2 二分查找 Binary Search

二分查找首要条件序列有序

def binary_search(li, val):
    left = 0
    right = len(li) - 1
    while left < right:
        mid = (left + right) // 2
        if li[mid] == val:
            return mid
        elif li[mid] > val:
            right = mid -1
        else:
            left = mid +1
    else:
        return None

时间复杂度O(logn)

2. 排序

内置函数sort（）

sort：改变原序列
sorted：不改变原序列

1.1 冒泡排序 Bubble Sort

分为无序区和有序区
列表每两个相邻的数，如果前面比后面的数大，则交换两个数的位置
完成一轮排序之后，无序区减少一个数，有序区增加一个数

def bubble_sort(li):
    for i in range(len(li)-1):
        exchange = False
        for j in range(len(li)-i-1):
            if li[j] > li[j+1]:
                li[j], li[j+1] = li[j+1], li[j]
            	exchange = True
        if not exchange:
            return

时间复杂度O(n^2)

1.2 选择排序 Select Sort

将无序区第一个数与全序列比较大小，与最小的数交换位置
将第一轮排序最小的数，放到第一个位置
再一轮排序纪录无序区最小的数放入第二个位置，依次类推
算法关键点：有序区和无序区、无序区最小数的位置

def select_sort(li):
    for i in range(len(li)-1):
        min_loc = i
        for j in range(i+1, len(li)):
            if li[j] < li[min_loc]:
                min_loc = j
        if min_loc != i:
            li[i], li[min_loc] = li[min_loc], li[i]

时间复杂度O(n^2)

1.3 插入排序 Insert Sort

将初始待排序序列第一个元素划入有序区，后面的全部划为无序区
从头到位依次扫描无序区，将扫描到的每个元素插入有序区的适当位置（如果待插入元素与有序区中某个元素相等，则将其插入到相等元素的后面）

def insert_sort(li):
    for i in range(1, len(li)-1):    #抽取的第i个数的索引
        tmp = li[i]
        j = i-1     #初始有序区的索引
        while j >= 0 and li[j] > tmp:
            li[j+1] = li[j]
            j -= 1
        li[j+1] = tmp

时间复杂度O(n^2)

1.4 快速排序 Quick Sort

使用分治法

先从序列中抽取一个数作为基准数
分区，将比这个数大的全放在它的右边，小于等于的全放左边
左右区间重复以上操作，知道各区间只剩下一个为止

def partition(li, left, right):
    tmp = li[left]
    while left < right:
        while left < right and li[right] >= tmp:
            right -= 1
        li[left] = li[right]
        while left < right and li[left] <= tmp:
            left += 1
        li[right] = li[left]
    li[left] = tmp
    return left

def quick_sort(li, left, right):
    if left < right:
        mid = partition(li, left, right)
        quick_sort(li, left, mid-1)
        quick_sort(li, mid+1, right)

时间复杂度O(nlogn)

1.5 堆排序 heap_sort

1.5.1 树与二叉树

树是一种可以递归定义的数据结构

树是由n个节点组成的集合

如果n=0，那这是一棵空树
如果n>0,那存在1个节点作为树的根节点，其他节点可以分为m个集合，每个集合本身又是一棵树

满二叉树：每层节点数都达到最大值

完全二叉树：叶子节点只能出现在最下层和次下层，并且最下面一层的结点都集中在该层最左边的若干位置的二叉树

1.5.2 二叉树的存储方式

链式存储方式
顺序存储方式（列表）

父节点和左子节点的编号下标的关系 2i+1

父节点和右子节点的编号下标的关系 2i+2

1.5.3 堆

堆是一种特殊的完全二叉树

大根堆：一棵完全二叉树，满足任一节点都比子节点大
小根堆：一棵完全二叉树，满足任一节点都比子节点小

堆下调整的性质

假设根节点的左右子树都是堆，但根节点不满足堆的性质
可以通过一次向下调整来将其变成一个堆

1.5.4 堆排序过程

建立堆
得到堆顶元素，为最大元素
去掉堆顶，将堆最后一个元素放到堆顶，此时可通过一次调整使堆重新有序（保证完全二叉树）
堆顶元素为第二大元素
重复步骤三，直到堆空

构造堆（农村包围城市）

def sift(li, low, high):
    """
    :param li:
    :param low:初始堆顶
    :param high:
    :return:
    """
    i = low
    j = 2 * i + 1
    tmp = li[i]
    while j <= high:
        if j < high and li[j] < li[j+1]:
            j += 1
        if tmp < li[j]:
            li[i] = li[j]
            i = j
            j = 2 * i + 1
        else:
            break
    li[i] = tmp

def heap_sort(li):
    n = len(li)
    for i in range(n//2-1, -1, -1):
        sift(li, i, n-1)
    for i in range(n-1, -1, -1):
        li[0], li[i] = li[i], li[0]
        sift(li, 0, i-1)
li = [i for i in range(1000)]
import random
random.shuffle(li)

heap_sort(li)
print(li)

时间复杂度O(nlogn)

1.5.5 内置模块 heapq

常用函数

heapify(x) 建堆

heappush(heap,item)

heappop(heap)

1.5.6 topk问题

现有n个数，设计算法得到前k大的数(k<n)

解决思路：

排序后切片 O(nlogn)
冒泡，插入，选择 O(mn)
使用堆排序 O(mlogn)
- 取列表前k个元素建立一个小根堆。堆顶就是目前第k大的数
- 依次向后遍历原列表，对于列表中的元素，如果小于堆顶，则忽略该元素；如果大于堆顶，则将堆顶更换为该元素，并且对堆进行一次调整
- 遍历列表所有元素后，倒序弹出堆顶

def sift(li, low, high):
    i = low
    j = 2 * i + 1
    tmp = li[i]
    while j <= high:
        if j + 1 <= high and li[j] > li[j+1]:
            j += 1
        if tmp > li[j]:
            li[i] = li[j]
            i = j
            j = 2 * i + 1
        else:
            break
    li[i] = tmp

def topk(li, k):
    # 建堆
    heap = li[0:k]
    for i in range((k-2)//2, -1, -1):
        sift(heap, i, k-1)
    # 遍历
    for i in range(k, len(li)-1):
        if li[i] > heap[0]:
            heap[0] = li[i]
            sift(heap, 0, k-1)
    # 出数
    for i in range(k-1, -1, -1):
        heap[0], heap[i] = heap[i], heap[0]
        sift(heap, 0, i-1)
    return heap

li = [i for i in range(100)]
import random
random.shuffle(li)
print(li)

print(topk(li, 10))