王道数据结构与算法之绪论

王道数据结构

第一章 《绪论》

---

---

前言

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

1、数据结构的基本概念

1.1基本概念和术语

1． 数据：
数据是信息的载体，是描述客观事物属性的数、字符以及所有能输入到计算机中并被计算机程序识别和处理的符号的集合。数据是计算机程序加工的原料。
2． 数据元素、数据项：
数据元素是数据的基本单位，通常作为一个整体进行考虑和处理。
一个数据元素由若干个数据项组成，数据项是构成数据元素的不可分割的最小单位。
3． 数据对象：
数据对象是具有相同数据的数据元素的集合，是数据的一个子集。
4． 数据类型：
数据类型是一个值的集合和定义在此集合上的一组操作的总称。
a.原子类型：其值不可再分的数据类型。
Bool类型
值的集合：true、false
Int类型
值的集合：-2147483648~2147483647
b． 结构类型：其值可以再分解为若干部分的数据类型。
Struct Customer {
int num;//号数
Int people;//人数
…//其他必要的信息
}；
c． 抽象数据类型(Abstract Data Type, ADT)：是抽象数据组织及与之相关的操作。
5． 数据结构：
数据结构是相互之间存在一种或多种特定关系的数据元素的集合。

2、数据结构的三要素

2.1 数据的逻辑结构

逻辑结构：

是指数据元素之间的关系，即从逻辑关系上描述的数据。它与数据的存储无关，是独立于计算机的。
逻辑结构和物理结构的区别：逻辑结构用来使用，物理结构用来存储。
数据的逻辑结构分为线性结构和非线性结构，线性表是典型的线性结构，集合、树、图是典型的非线性结构。

集合

结构中的数据元素之间除了同属于一个集合外，别无其他关系。

线性结构：

数据元素之间是一对一的关系。除了第一个元素，所有元素都有唯一的前驱；除了最后一个元素，所有元素都有唯一后继。
常见的线性结构：线性表、栈、队列、双队列、数组、串。

树型结构：

数据元素之间是一对多的关系。

图形结构or网状结构

数据元素之间是多对多的关系。

2.2 数据的运算

	施加在数据上的运算包括运算的定义和实现。运算的定义针对逻辑结构，指出运算的功能；运算的实现是针对存储结构的，指出运算的具体操作步骤。

3. 存储结构

顺序存储

	把逻辑上相邻的元素存放在物理位置上也相邻的存储单元中，元素之间的关系由存储单元的邻接关系来体现。

优点：可以实现随机存取，每个元素占用最少的存储空间。
缺点：只能使用相邻的一整块存储单元，因此可能产生较多的外部碎片。
链式存储：逻辑上相邻的元素在物理位置上可以不相邻，借助指示元素地址的指针来表示元素之间的逻辑关系。
优点：不会出现碎片现象，能充分利用所有存储单元。
缺点：每个元素因存指针而占用额外的存储空间，且只能实现顺序存取。
索引存储：在存储元素信息的同时，还建立附加的索引表。索引表的每项称为索引项，索引项的一般形式是（关键字、地址）。
优点：检索速度快。
缺点：附加的索引表额外占用存储空间。另外。增加和删除数据时也要修改索引表，因而会花费较多的时间。

散列存储

根据元素的关键字直接计算出该元素的存储地址，又称hash存储。
优点：检索、增加和删除节点的操作都很快。
缺点：若散列函数不好，则可能出现元素存储单元的冲突，而解决冲突会增加时间和空间开销。
1． 若采用顺序存储，则各个元素在物理上必须是连续的；
若采用非顺序结构，则各个数据元素在物理上可以是离散的。
2． 数据的存储结构会影响存储空间分配的方便程度。
3． 数据的存储结构会影响数据运算的速度。
运算的定义是针对逻辑结构的，指出运算的功能；
运算的实现是针对存储结构的，指出运算的具体操作步骤。

2、算法和算法评

程序=数据结构+算法
算法：是对特定问题求解步骤的一种描述。他是指令的有限序列，其中的每条指令表示一个或多个操作。

2.1算法的特性

有穷性：一个算法必须总在执行又穷步之后，且每一步都可在有穷时间内完成。
确定性：算法中的每条指令必须有确切的含义，对于相同的输入只能得出相同的输出
可行性：算法中描述的操作都可以通过已经实现的基本运算执行有限次来实现。
输入：一个算法有零个或多个输入，这些输入取自某个特定的对象集合。
输出：一个算法有一个或者多个输出，这些是与输出有着某种特定关系的量。

2.2算法的时间复杂度

算法的度量是通过时间复杂度和空间复杂度有关

时间复杂度

事前预估 算法时间开销T(n)与问题规模n之间的关系（T表示Time）
一个语句的频度是指该语句在算法中被重复执行的次数。算法中所有语句的频度之和记为T(n)，它是该算法问题规模n的函数，时间复杂度主要分析T(n)的数量级。
算法中基本运算，（最深层循环内的语句）的频度与T(n)同数量级，因此通常采用算法中基本运算的频度f(n)来分析算法的时间复杂度。因此，算法的时间复杂度记为T(n) = O(f(n))
关注算法的数量级
在分析一个程序的时间复杂性时，由以下两条规则：
① 加法原则：多项相加，只保留最高阶的项，且系数变为1。

T(n) = T1(n) + T2(n) = O(f(n)) + O(g(n)) = O(max(f(n), g(n)))

② 乘法原则：多项相乘，都保留

T(n) = T1(N) * T2(n) = O(f(n)) * O(g(n)) = O(f(n) * g(n))

常见的渐进时间复杂度为：

O(1) < O(log2n) < O(n) < O(nlog2n) < O(n2) < O(n3) < O(2n) < O(n!) < O(nn)

记忆口诀

常对幂指阶

结论

结论一：顺序执行的代码只会影响常数项，可以忽略。
结论二：只需挑循环中的一个基本操作分析它的执行次数与n的关系即可。
结论三：如果由多层嵌套循环，只需关注最深层循环了几次。