数据结构(每周更新版)

---

---

前言

数据结构,顾名思义,就是每种数据的存储结构
我们要研究的是: 数据如何在计算机中进行组织和存储,使得我们可以高效的获取数据与修改数据

---

一、数据结构的分类

数据结构主要分成三类

线性结构:
数组, 队列, 栈, 链表, 哈希表…
树型结构:
二叉树, 二分搜索树, AVL树, 红黑树, 堆, Trie, 线段树,
图结构:
邻接矩阵, 邻接表, 排序算法

二、线性结构

1.数组

数组特点:

1. 存储相同的类型
2. 内存空间是连续的, 创建时指定大小
3. 创建方式指定大小: int[] arr = new int[10]
   字面量赋值: int[] arr = {1,2,3,4,5}
4. 索引位置0~length-1
5. 异常:NullPointException,ArrayIndexOutofBoundsException

数组的使用:
通过使用索引对数组查询
优点:快速查询;
缺点:在中间插入数据时, 插入点以及之后的数据均会后移, 与在尾部插入数据效率差距大

2.复杂度分析

时间复杂度分析
通常用O(1),O(n),O(lgn),O(nlgn),O(n*n)
O(n): 算法运行时间和输入输出之间的关系
具体详解:请点击此处
==在获取算法的时间复杂度时候, 通常是忽略常数的 ==
而且分析时间复杂度时候,一般都是n趋于无穷

例如
T=2*n+2 时间复杂度就是 O(n)

T=2000n+100000 时间复杂度就是 O(n)
T=1nn+0 时间复杂度就是 O(nn)

分析数组添加元素的时间复杂度:

在尾部添加元素: O(1)
在头部添加:O(n)
在任意位置添加元素: 最好情况是不移动,最坏情况O(n),平均下来就是O(n/2)—>O(n)

在更改数组元素时, 已知索引是O(1),不知道索引就O(n)

在查询数组元素时, 已知索引是O(1),不知道索引就O(n)

综合来说数组添加元素的时间复杂度是O(n)

数组删除元素的时间复杂度类似添加元素的时间复杂度,时间复杂度也是O(n)

注意数组扩容时候
扩容时候,要求原数组的所有元素移动到新数组里,并且新元素添加新数组里,
可以把添加最后一个元素时候的所有操作(移动老元素),均摊到之前的添加元素步骤上面,平均下来大约是O(2)_,叫做均摊时间复杂度

三、栈和队列

栈Stack
操作时,只能从栈顶进行操作,先进入栈的元素最后出,最后进来的元素先出来,即后进先出(First Last Out)FILO

1. 从栈中取元素叫 入栈
2. 从栈中加元素叫 出栈
3. 查看栈顶元素
4. 栈中实际元素存放元素个数
5. 查看栈是否为空
6. 遍历栈
   示意图:
   

队列
队列特点:先进先出

1. 入队
2. 出队
3. 查看队首元素
4. 查看队列的元素总个数
5. 判断队列是否是空

四、队列的复杂度问题

由于在队列中, 一个元素出队列她的复杂度总是O(n),所以要该进成复杂度是O(1)的复杂度

导致复杂度O(n)的原因:
由于队列里的队首元素移除后, 其他元素都要向前移动,所以就会造成时间的堆积, 时间复杂度就增加了
解决: 要让队首元素移动之后,不要让其他元素移动

图解:

1. 在如图定性分析一下后, 又有新问题,那就是新元素添加的索引地址如何确定呢?
   可以想到，在之前添加元素的时候的下标是移动的，这里的tail实际是数组的首地址0的位置，但是
   按照添加元素的个数来说，已经添加了7个元素，已经满了，这是添加第八个元素（索引7的位置），
   所以这里巧妙地给tail取模运算tail=tail%array.length,这样一来新的tail是0,就是添加下一个元素的地方

2. 再想想,又有问题抛出,就是如何判断数组满呢?
   (tail%array.length=front%array,length, 但突然又想到,当数组是空的时候, 也是满足这个表达式的,所以索性就浪费与空间来表示空间满了的情况, (tail+1)%array.length = front%array,length

上代码:

循环队列底层的循环数组代码

构造方法

获取容积
>判断队列是否为空

尾部插入元素

队首出元素

查看队首元素

扩容操作