集合
数据结构
算法复杂度分析
为什么要对算法的复杂度进行分析呢?
- 教你写出性能更好的代码
- 知道代码的好坏
时间复杂度分析
评估代码执行耗时
大O表示法:表示代码执行时间随数据规模增长的变化趋势 O(n)
常见表示形式
空间复杂度
空间复杂度全称渐进空间复杂度,表示算法占用的
额外存储空间
与数据规模之间的增长关系
数组
连续内存空间存储相同数据类型的线性数据结构
获取其他元素地址值
寻址公式 a[i] = 数组首地址 + 元素下标 * 元素类型大小
索引从 0 或 从 1 的区别
计算机底层内存空间的分配是从 0 开始的,如果 从 1 开始要对每个下标减1 ,多了一次运算
操作数组的时间复杂度
查找
- 索引查找通过
寻址公式
查找 O(1) - 查找索引内的元素 遍历数组 O(n)
- 排序后查找 O(log n)
插入 删除
数组是一段连续的内存空间,插入 和删除 会影响后面的内存空间,需要挪动后面的元素,效率慢
链表
单向链表
- 链表中的每一个元素称之为
结点(Node)
- 物理
存储单元上 ,非连续 非顺序
的存储结构 - 每个结点包含两部分:一个是存储数据元素的
数据域
,另一个是存储下一个节点的指针域
单向链表时间复杂度分析
查询
插入 删除
双向链表
- 每个结点不止有一个后继指针 next 指向后面的结点
- 有一个前驱指针 prev 指向前面的结点
双向链表时间复杂度分析
二叉搜索树
二叉搜索树(Binary Search Tree,BST)又名二叉查找树,有序二叉树或者排序二叉树
在树中的任意一个节点,其左子树的每个节点的值,都要小于这个节点的值,而右子树节点的值都大于这个节点的值
二叉搜索树 时间复杂度分析
极端情况
红黑树
红黑树(Red Black Tree)
自平衡
的二叉搜索树
性质
在添加或删除节点的时候,如果不符合这些性质会发生旋转,以达到所有的性质
-
节点要么是
红色
,要么是黑色 -
根节点是
黑色
-
叶子节点都是黑色的空节点
-
红黑树中红色节点的子节点都是黑色
-
从任一节点到叶子节点的所有路径都包含相同数目的黑色节点
红黑树的时间复杂度
查找
红黑树也是一颗BST(二叉搜索树),查找操作的时间复杂度为O(log n)
添加
首先从根节点找到元素添加的位置 O(log n)
添加完成后涉及到复杂度为O(1)的旋转调整操作
整体复杂度为:O(log n)
删除
首先从根节点开始找到被删除元素的位置,时间复杂度O(log n)
删除完成后涉及到复杂度为O(1)的旋转调整操作
整体复杂度为 O(log n)
散列表
散列表(Hash Table)又名哈希表/Hash表,是根据
键(key)直接访问
在内存存储位置值(Value)
的数据结构,它是由数组
演化而来的,利用了数组支持按照下标进行随机访问数据的特性
将键(Key)映射为数组下标的函数叫做散列函数。 hashvalue = hash(key)
基本要求
- 散列函数计算得到的散列值必须是大于等于0的正整数,因为hashValue需要作为数组的下标。
- 如果key1==key2,那么经过hash后得到的哈希值也必相同即:hash(key1) == hash(key2)
- 如果key1 != key2,那么经过hash后得到的哈希值也必不相同即:hash(key1) != hash(key2)(散列冲突)
散列冲突
散列函数对于不同的key计算得到的散列值都不同几乎不可能,
指将多个key映射到同一个数组下标位置
链表法解决散列冲突
在散列表中,数组的每个下标位置我们可以称之为
桶(bucket)或者槽(slot)
,每个桶(槽)会对应一条链表,所有散列值相同的元素我们都放到相同槽位对应的链表中。
链表法时间复杂度
插入
插入操作,通过散列函数计算出对应的散列槽位,将其插入到对应链表中即可,插入的时间复杂度是 O(1)
查找 删除
当查找、删除一个元素时,我们同样通过散列函数计算出对应的槽,然后遍历链表查找或者删除
- 平均情况下基于链表法解决冲突时查询的时间复杂度是O(1)
- 散列表可能会退化为链表,查询的时间复杂度就从 O(1) 退化为 O(n)
- 将链表法中的链表改造为其他高效的动态数据结构,比如
红黑树
,查询的时间复杂度是 O(log n)
Collection 单列集合
ArrayList
ArrayList源码分析
怎么分析源码?
成员变量 构造函数 关键方法
-
成员变量
-
构造函数
添加和扩容操作
List<Integer> list = new ArrayList<Integer>();
list.add(1);
第一次添加数据
执行add方法时会设置动态数组初始长度 10
第2至10次添加数据
10 - 10 不大于 0 ,则不扩容
第 11次添加数据
11 -10 > 0 扩容 久数组长度 + 老数组长度/2
- 确保数组已使用长度(size)加1之后足够存下下一个数据
- 计算数组的容量,如果当前数组已使用长度+1后的大于当前的数组长度,则调用grow方法扩容(原来的1.5倍)
- 确保新增的数据有地方存储之后,则将新元素添加到位于size的位置上。
- 返回添加成功布尔值。
ArrayList list = new ArrayList(10)中的list扩容几次
数组和List之间的转换
LinkedList
ArrayList和LinkedList的区别
-
底层数据结构
- ArrayList 是动态数据的数据结构实现
- LinkedList 是双向链表的数据结构实现
-
操作数据效率
- ArrayList按照下标查询的时间复杂度O(1)【内存是连续的,根据寻址公式】, LinkedList不支持下标查询
- 查找(未知索引): ArrayList需要遍历,链表也需要链表,时间复杂度都是O(n)
- 新增和删除
- ArrayList尾部插入和删除,时间复杂度是O(1);其他部分增删需要挪动数组,时间复杂度是O(n)
- LinkedList头尾节点增删时间复杂度是O(1),其他都需要遍历链表,时间复杂度是O(n)
-
内存占用空间
- ArrayList底层是数组,内存连续,节省空间
- LinkedList是双向链表需要存储数据,和两个指针,更占用内存
-
线程安全
- ArrayList和LinkedList都不是线程安全的
- 如果需要保证线程安全,有两种方案:
- 在方法内使用,局部变量则是线程安全的
- 使用线程安全的ArrayList和LinkedList
Map 双列集合
HashMap
HashMap 的数据结构:底层使用hash表数据结构,即数组和链表或红黑树
- 当我们往HashMap中put元素时,利用key的hashCode重新hash计算出当前对象的元素在数组中的下标
- 存储时,如果出现hash值相同的key,此时有两种情况。
a. 如果key相同,则覆盖原始值;
b. 如果key不同(出现冲突),则将当前的key-value放入链表或红黑树中 - 获取时,直接找到hash值对应的下标,在进一步判断key是否相同,从而找到对应值。
HashMap的jdk1.7和jdk1.8有什么区别
- JDK1.8之前采用的是拉链法。拉链法:将链表和数组相结合。也就是说创建一个链表数组,数组中每一格就是一个链表。若遇到哈希冲突,则将冲突的值加到链表中即可。
- jdk1.8在解决哈希冲突时有了较大的变化,当链表长度大于阈值(默认为8) 时并且数组长度达到64时,将链表转化为红黑树,以减少搜索时间。扩容 resize( ) 时,红黑树拆分成的树的结点数小于等于临界值6个,则退化成链表
HashMap的put方法的具体流程
- 判断键值对数组table是否为空或为null,否则执行resize()进行扩容(初始化)
- 根据键值key计算hash值得到数组索引
- 判断table[i]==null,条件成立,直接新建节点添加
- 如果table[i]==null ,不成立
- 判断table[i]的首个元素是否和key一样,如果相同直接覆盖value
- 判断table[i] 是否为treeNode,即table[i] 是否是红黑树,如果是红黑树,则直接在树中插入键值对
- 遍历table[i],链表的尾部插入数据,然后判断链表长度是否大于8,大于8的话把链表转换为红黑树,在红黑树中执行插入操 作,遍历过程中若发现key已经存在直接覆盖value
- 插入成功后,判断实际存在的键值对数量size是否超多了最大容量threshold(数组长度*0.75),如果超过,进行扩容。
源码分析![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/f9d65518c5581816b04f285152070ab2.png)
讲一讲HashMap的扩容机制
- 在添加元素或初始化的时候需要调用resize方法进行扩容,第一次添加数据初始化数组长度为16,以后每次每次扩容都是达到了扩容阈值(数组长度 * 0.75)
- 每次扩容的时候,都是扩容之前容量的2倍;
- 扩容之后,会新创建一个数组,需要把老数组中的数据挪动到新的数组中
- 没有hash冲突的节点,则直接使用 e.hash & (newCap - 1) 计算新数组的索引位置
- 如果是红黑树,走红黑树的添加
- 如果是链表,则需要遍历链表,可能需要拆分链表,判断(e.hash & oldCap)是否为0,该元素的位置要么停留在原始位置,要么移动到原始位置+增加的数组大小这个位置上
HashMap的寻址算法
为何HashMap的数组长度一定是2的次幂
- 计算索引时效率更高:如果是 2 的 n 次幂可以使用位与运算代替取模
- 扩容时重新计算索引效率更高: hash & oldCap == 0 的元素留在原来位置 ,否则新位置 = 旧位置 + oldCap