常见的数据结构

链表

链表：适用于插入删除多、读少的场景。

链表在新增、删除数据都比较容易，可以在 O(1) 的时间复杂度内完成。
但对于查找，不管是按照位置的查找还是按照数值条件的查找，都需要对全部数据进行遍历。这显然就是 O(n) 的时间复杂度

定一个奇数个元素的链表，查找出这个链表中间位置的结点的数值———
一个巧妙的办法，就是利用快慢指针进行处理。其中快指针每次循环向后跳转两次，而慢指针每次向后跳转一次

链表的基本操作？读取O(n)、更新O(1)、插入O(1)、删除O(1)。

栈

栈——特殊的线性表——高频使用新增、删除操作，且新增和删除操作的数据执行顺序具备后来居上的相反关系时

后进先出（一个杯子）——浏览器都有页面前进和后退功能，这就是个很典型的后进先出的场景
表尾用来输入数据，通常也叫作栈顶（top）；相应地，表头就是栈底（bottom）。栈顶和栈底是用来表示这个栈的两个指针
对于栈的新增操作，通常也叫作 push 或压栈。对于栈的删除操作，通常也叫作 pop 或出栈

一个 top 指针来指示栈顶元素在数组中的位置。假设栈中只有一个数据元素，则 top = 0。一般以 top 是否为 -1 来判定是否为空栈。
当定义了栈的最大容量为 StackSize 时，则栈顶 top 必须小于 StackSize。

删除数据元素，即出栈操作，只需要 top - 1 就可以了。

对于查找操作，栈没有额外的改变，跟线性表一样，它也需要遍历整个栈来完成基于某些条件的数值查找。

对于链栈来说，是不需要头指针的。相反，它需要增加指向栈顶的 top 指针，这是压栈和出栈操作的重要支持

新增操作和删除操作：时间复杂度都是 O(1）。
查找操作：栈和线性表一样只能通过全局遍历的方式进行，也就是需要 O(n) 的时间复杂度。

队列

队列 先进先出（平行线）–特殊的线性表——队列的增和删的操作只能分别在这个队列的队尾和队头进行——对处理顺序敏感的前提

一个队列都依赖队头（front）和队尾（rear）两个指针进行唯一确定

当队列为空时，front 和 rear 都指向头结点

循环队列解决数组越界的问题

链式队列进行删除数据操作时，实际删除的是头结点的后继结点。这是因为头结点仅仅用来标识队列，并不存储数据

为了防止删除最后一个有效数据结点后， front 指针和 rear 指针变成野指针，导致队列没有意义

在可以确定队列长度最大值时，建议使用循环队列。无法确定队列长度时，应考虑使用链式队列

数组

数组 : 增删困难、查找容易的特点

增加：若插入数据在最后，则时间复杂度为 O(1)；如果中间某处插入数据，则时间复杂度为 O(n)。
删除：对应位置的删除，扫描全数组，时间复杂度为 O(n)。
查找：如果只需根据索引值进行一次查找，时间复杂度是 O(1)。但是要在数组中查找一个数值满足指定条件的数据，则时间复杂度是 O(n)

数组更适合在数据数量确定，即较少使用新增数据、删除数据操作的场景下使用
在数据对位置敏感的场景下，比如需要高频根据索引位置查找数据时，数组就是个很好的选择

数组：适合多读、插入删除少的场景。

比较：
链表的长度是可变的，数组的长度是固定的

链表优势是增删，劣势是查（但是增删必须先查）
数组优势是查，劣势是增删

如果数据的元素个数不确定，且需要经常进行数据的新增和删除时——链表
如果数据元素大小确定，删除插入的操作并不多，根据索引位置查找数据——数组

数组的基本操作？读取O(1)、更新O(1)、插入O(n)、删除O(n)、扩容O(n)

树

增删操作的时间复杂度都是 O(1)。
对于查找操作，如果是普通二叉树，则查找的时间复杂度和遍历一样，都是 O(n)。
如果是二叉查找树，则可以在 O(logn) 的时间复杂度内完成查找动作。
树结构在存在“一对多”的数据关系中，可被高频使用，这也是它区别于链表系列数据结构的关键点。

哈希表

哈希表的基本操作？写入：O(1)、读取：O(1)、扩容O(n)
通过哈希函数，我们可以把字符串或其他类型的key，转化成数组的下标index

python中的数据结构

list

• list对应数据结构的线性表，列表长度在初始状态时无需指定，当插入元素超过初始长度后再启动动态扩容，删除时尤其位于列表开始处元素，时间复杂度为O(n)

• Python的list当做栈用，完全没有问题，push 和 pop 操作的时间复杂度都为 O(1)–增删

• 插入元素的时间复杂为O(n)，所以凡是涉及频繁插入删除元素的操作，都不太适合用list.

• list 使用在需要查询、修改的场景，极不擅长需要频繁插入、删除元素的场景。

tuple

元组是一类不允许添加删除元素的特殊列表，也就是一旦创建后续决不允许增加、删除、修改

如果非常确定你的对象后面不会被修改，则可以大胆使用元组。相比于list, tuple实例更加节省内存，这点尤其重要

set

去重：如果想缓存某些元素值，且要求元素值不能重复时，适合选用此结构。并且set内允许增删元素，且效率很高。
set在内部将值哈希为索引，然后按照索引去获取数据，因此删除、增加、查询元素效果都很高

dict

dict字典尤其适合在查询多的场景，时间复杂度为O(1). 字典是一种哈希表，同时保存了键值对
如leetcode第一题求解两数之和时，就会使用到dict的O(1)查询时间复杂度
dict占用字节数是list、tuple的3、4倍，因此对内存要求苛刻的场景要慎重考虑

deque

deque 双端队列，基于list优化了列表两端的增删数据操作
from collections import deque
d = deque([3,2,4,0])
d.popleft() # 左侧移除元素，O(1)时间复杂度
d.appendleft(3) # 左侧添加元素，O(1)时间复杂度

Counter

Counter一种继承于dict用于统计元素个数的数据结构，也称为bag 或 multiset. 基本用法：
from collections import Counter
c = Counter([1,3,2,3,4,2,2]) # 统计每个元素的出现次数
In [17]: c
Out[17]: Counter({1: 1, 3: 2, 2: 3, 4: 1})

heapq

heapq基于list优化的一个数据结构：堆队列，也称为优先队列。堆队列特点在于最小的元素总是在根结点：heap[0]

heapq.heapify(a) # 对a建堆，建堆后完成对a的就地排序
a[0] # a[0]一定是最小元素
heapq.nlargest(3,a) # a的前3个最大元素