算法学最强大的框架之一--图结构(graph)
对于图结构的实现来说,最直观的方式之一就是使用邻接列表。基本上就是要针对每个节点设置一个邻居列表(也可以是set等其他容器或迭代器类型)
下面我们来实现一个最简单的:假设现在我们有n个节点,编号分别为0,1,...,n-1。
注意:节点可以是任何对象,可以被赋予任何标签或名称,但使用0,1,...n-1区间内的整数来实现的的话,会简单许多。
1.简单明了的邻接集表示法
>>> a,b,c,d,e,f,g,h=range(8)
>>> N=[{b,c,d,e,f},#a
{c,e},#b
{d},#c
{e},#d
{f},#e
{c,g,h},#f
{f,h},#g
{f,g}#h
]
>>> b in N[a]
True
>>> len(N[f])
3
2.邻接列表:
>>> a,b,c,d,e,f,g,h=range(8)
>>> N=[[b,c,d,e,f],#a
[c,e],#b
[d],#c
[e],#d
[f],#e
[c,g,h],#f
[f,h],#g
[f,g]#h
]
list类型的背后实际上是一个动态数组。使用list实现的优势主要体现在它是一个已经被调试好了的、速度非常快的数据结构。
当我们执行与图相关的工作时,需要反复遵从一个主题思想,即一个图的最佳表示方法应该取决于我们要用它来做什么。例如,邻接列表(或数组)可以让我们在维持低成本的情况下,对N(v)中所有节点v进行有效遍历。然而,其在检查u和v是否互为邻居时,这时,邻接集或许是个好的选择。
3.加权邻接字典
>>> a,b,c,d,e,f,g,h=range(8)
>>> N=[{b:2,c:1,d:3,e:9,f:4},#a
{c:4,e:3},#b
{d:8},#c
{e:7},#d
{f:5},#e
{c:2,g:2,h:2},#f
{f:1,h:6},#g
{f:9,g:8}#h
]
>>> b in N[a]
True
>>> len(N[f])
3
>>> N[a][b]
2
4.用dict作为主结构:
邻接集的字典表示法:
>>> N={
'a':set('bcdef'),
'b':set('ce'),
'c':set('d'),
'd':set('e'),
'e':set('f'),
'f':set('cgh'),
'g':set('fh'),
'h':set('fg')
}