浅谈对数据结构与算法的理解

经常听说数据结构和算法是紧密结合的，但是没有怎么深度思考过它们之间的关系，今天刷题刷到动态规划时突然有了一些感悟，写在这里以作记录：

1.dp数组本质上就是为了方便解题而设计出的一种数据结构（一维或二维数组方便推导状态间的关系）

2.其实程序就是存储数据+处理数据。对于具体问题，设计出适合的数据结构存储数据后可以用上更好的算法处理数据。比如对于动态规划这种需要状态间的推导的问题，第i个状态可能依赖于前一个或者前2个的状态，那么这时用数组这种可以根据下标直接取数的数据结构存储数据肯定比用链表或者二叉树来得好，用上了数组后，递推关系也容易编程了——数据结构选的好，算法实现起来也简单且高效

3.像在动态规划中，确定dp数组的过程本质上就是在设计合适的数据结构来存储结果，在设计数据结构时不仅要确定是选取哪一种基本数据结构（比如数组、链表、树），而且要清楚所设计出的数据结构的含义（比如是存储题目中的哪一个数据）。设计完数据结构后才能在此基础上设计相应的算法。数据结构设计得好的话，算法也会更加简单高效。比如下面这道题：

给你一个整数数组 nums ，找到其中最长严格递增子序列的长度。

子序列 是由数组派生而来的序列，删除（或不删除）数组中的元素而不改变其余元素的顺序。例如，[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。
示例 1：

输入：nums = [10,9,2,5,3,7,101,18]
输出：4
解释：最长递增子序列是 [2,3,7,101]，因此长度为 4 。

示例 2：

输入：nums = [0,1,0,3,2,3]
输出：4

示例 3：

输入：nums = [7,7,7,7,7,7,7]
输出：1

针对这道动态规划的题，我一开始设计的数据结构是dp[i]表示到第i个元素的最大递增子串长度，但由于不知道dp[i]最大子串的结尾是哪个数字，所以设计算法的时候十分棘手。后来我把dp[i]的含义改成了以第i个元素结尾的最大子串长度，这样的数据结构对应得算法就比较简单和高效了（代码如下）。这里一开始我就是选取了正确的基本数据结构（选了数组而不是链表或者树等无法随意通过下标访问数据的结构（因为很明显这里是要用到之前的状态推导之后的状态的）），但是没有很好地设计数据结构地含义，导致算法设计起来十分棘手，也算是一次失败的数据结构的设计了。但后面意识到了元素结尾的问题，在此基础上改进了数据结构，最终成功。所以设计出合适的数据结构有时也是比较难的，不能一蹴而就，而是要经过反复的修改和验证才能设计出更好的数据结构

题目代码如下（仅供参考）：

class Solution:
    def lengthOfLIS(self, nums: List[int]) -> int:
        '''
        确定dp数组：dp[i]表示以第i个元素结尾的最长的递增子序列长度。这就是在设计数据结构的过程
        确定递推公式：第i个元素结尾的最长子串要么位1，要么为从i=0到它之前的一位的dp值+1，则递推公式为dp[i] = max(dp[j]+1, dp[i]) if nums[i]>nums[j]。。这是在设计算法的过程
        初始化dp数组：全部初始化为1，因为最小长度就是1
        确定遍历顺序：顺序遍历
        '''
        if len(nums) == 1: return 1
        dp = [1] * len(nums)
        for i in range(1, len(nums)):
            for j in range(i):
                if nums[i] > nums[j]:
                    dp[i] = max(dp[j] + 1, dp[i])
        return max(dp)

如果以后还有其他感悟，也会在这里继续补充的。也欢迎各位大佬在评论区谈谈对于数据结构与算法的感悟，大家一起学习，共同进步！！！