常用数据结构和算法比较

首先，介绍结构和算法之前先了解一个慨念，什么是时间复杂度及它的表示方法。

时间复杂度

时间复杂度是同一问题可用不同算法解决，而一个算法的质量优劣将影响到算法乃至程序的效率。算法分析的目的在于选择合适算法和改进算法。
在计算机科学中，算法的时间复杂度是一个函数，它定性描述了该算法的运行时间。这是一个关于代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。
不仅仅用于表示时间复杂度，也用于表示空间复杂度。

符合表示

O表示时间复杂度，O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。n代表输入数据的量。

举例：

O(1)： 这是最低的时空复杂度，也就是耗时/耗空间与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。 哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到目标（不考虑冲突的话）；
O(n)： 代表数据量增大几倍，耗时也增大几倍。比如常见的遍历算法；
O(n²)： 代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O(n²)的算法，对n个数排序，需要扫描n×n次；
O(logn)： 代表当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。二分查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标；
O(nlogn)： 代表当数据增大n倍时，耗时增加就是n乘以logn，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序就是O(nlogn)的时间复杂度。

常用数据结构和查找算法

因为查找算法的时间复杂度和数据的结构息息相关，所以这里一起介绍数据结构和查找算法

查找算法或数据结构	时间复杂度	稳定性	元素要求	说明
哈希表查找	O(1)	稳定	无序	数据量越大越不稳定，可用多次哈希提高效率（参考布隆过滤器）。可用做索引，MySQL中的一种索引结构是哈希
顺序查找	O(n)	不稳定	无序或有序	按顺序比较每个元素，直到找到关键字为止
二分查找	O(log n)	稳定	有序	也称折半查找，当待搜索的集合是相对静态的有序数据集时，此时使用二分查找是较好的选择
插值查找	O(log 2 (log 2n))	稳定	有序	基于二分查找算法，可以提高查找效率
斐波那契查找	O(log 2n)	稳定	有序	二分查找的一种提升算法
分块查找	O(n²)	较稳定	有序	又称索引顺序查，是折半查找和顺序查找的一种改进方法
二叉树	O(log n)	一般稳定	树形	看树的深度和偏移量，有些树太高，已退化成线型
平衡二叉树(AVL)	O(log n)	稳定	树形	二叉树的改良版，所有节点的左右子树高度差不超过1，AVL树适合用于插入与删除次数比较少，但查找多的情况
红黑树	O(log n)	稳定	树形	弱平衡二叉树，对于搜索，插入，删除操作较多的情况下，可用红黑树
B-树(B-Tree)	O(log n)	稳定	树形	读B树，不是B减树，- 只是一个连接符。多路平衡查找树，树形不一定是二叉的
B+树(B+Tree)	O(log n)	稳定	树形	B+树，B树的改良版。MySQL中的另一种索引结构就是B+Tree

常用排序算法

排序算法	时间复杂度			空间复杂度	稳定性	复杂性
	平均情况	最坏情况	最好情况
冒泡排序	O(n²)	O(n²)	O(n)	O(1)	稳定	简单
快速排序	O(n log n)	O(n²)	O(n log n)	O(log n)	不稳定	较复杂
插入排序	O(n²)	O(n²)	O(n)	O(1)	稳定	简单
希尔排序	O(n log n)	O(n log² n)	O(n log² n)	O(1)	不稳定	较复杂
选择排序	O(n²)	O(n²)	O(n²)	O(1)	不稳定	简单
归并排序	O(n log n)	O(n log n)	O(n log n)	O(n)	稳定	简单
堆排序	O(n log n)	O(n log n)	O(n log n)	O(1)	不稳定	较复杂
计数排序	O(n + k)	O(n + k)	O(n)	O(k)	稳定	简单
桶排序	O(n + k)	O(n²)	O(n + k)	O(n + k)	稳定	较复杂
基数排序	O(n x k)	O(n x k)	O(n x k)	O(n + k)	稳定	复杂