常用数据结构和排序

电玩女神 2022-05-15 03:17 212阅读 0赞

# **一、数据结构** #

**链表**

*  链表是一种由节点（Node）组成的线性数据集合，每个节点通过指针指向下一个节点。它是一种由节点组成，并能用于表示序列的数据结构。
 *  **单链表**：每个节点仅指向下一个节点，最后一个节点指向空（null）。
 *  **双链表**：每个节点有两个指针p，n。p指向前一个节点，n指向下一个节点；最后一个节点指向空。
 *  **循环链表**：每个节点指向下一个节点，最后一个节点指向第一个节点。
 *  时间复杂度：
    
     *  索引：O(n)
     *  查找：O(n)
     *  插入：O(1)
     *  删除：O(1)

**栈**

*  栈是一个元素集合，支持两个基本操作：push用于将元素压入栈，pop用于删除栈顶元素。
 *  后进先出的数据结构（Last In First Out, LIFO）
 *  时间复杂度
    
     *  索引：O(n)
     *  查找：O(n)
     *  插入：O(1)
     *  删除：O(1)

**队列**

*  队列是一个元素集合，支持两种基本操作：enqueue 用于添加一个元素到队列，dequeue 用于删除队列中的一个元素。
 *  先进先出的数据结构（First In First Out, FIFO）。
 *  时间复杂度
    
     *  索引：O(n)
     *  查找：O(n)
     *  插入：O(1)
     *  删除：O(1)

**树**

*  树是无向、联通的无环图。

**二叉树**

*  二叉树是一个树形数据结构，每个节点最多可以有两个子节点，称为左子节点和右子节点。
 *  **满二叉树（Full Tree）**：二叉树中的每个节点有 0 或者 2 个子节点。
 *  **完美二叉树（Perfect Binary）**：二叉树中的每个节点有两个子节点，并且所有的叶子节点的深度是一样的。
 *  **完全二叉树**：二叉树中除最后一层外其他各层的节点数均达到最大值，最后一层的节点都连续集中在最左边。

**二叉查找树**

![70][]

*  二叉查找树（BST）是一种二叉树。其任何节点的值都大于等于左子树中的值，小于等于右子树中的值。
 *  时间复杂度
    
     *  索引：O(log(n))
     *  查找：O(log(n))
     *  插入：O(log(n))
     *  删除：O(log(n))

**字典树**

*  字典树，又称为基数树或前缀树，是一种用于存储键值为字符串的动态集合或关联数组的查找树。树中的节点并不直接存储关联键值，而是该节点在树中的位置决定了其关联键值。一个节点的所有子节点都有相同的前缀，根节点则是空字符串。

![6941baebly1fehl7r4nzfj20e80dcgmq.jpg][]

**树状数组**

*  树状数组，又称为二进制索引树（Binary Indexed Tree，BIT），其概念上是树，但以数组实现。数组中的下标代表树中的节点，每个节点的父节点或子节点的下标可以通过位运算获得。数组中的每个元素都包含了预计算的区间值之和，在整个树更新的过程中，这些计算的值也同样会被更新。
 *  时间复杂度
    
     *  区间求和：O(log(n))
     *  更新：O(log(n))

![6941baebly1fehl7qs479j20hl0dcjuy.jpg][]

**线段树**

*  线段树是用于存储区间和线段的树形数据结构。它允许查找一个节点在若干条线段中出现的次数。
 *  时间复杂度
    
     *  区间查找：O(log(n))
     *  更新：O(log(n))

![6941baebly1fehl7q5vwvj20hs0cdq4n.jpg][]

**堆**

*  堆是一种基于树的满足某些特性的数据结构：整个堆中的所有父子节点的键值都满足相同的排序条件。堆分为最大堆和最小堆。在最大堆中，父节点的键值永远大于等于所有子节点的键值，根节点的键值是最大的。最小堆中，父节点的键值永远小于等于所有子节点的键值，根节点的键值是最小的。
 *  时间复杂度
    
     *  索引：O(log(n))
     *  查找：O(log(n))
     *  插入：O(log(n))
     *  删除：O(log(n))
     *  删除最大值/最小值：O(1)

![70 1][]

**哈希**

*  哈希用于将任意长度的数据映射到固定长度的数据。哈希函数的返回值被称为哈希值、哈希码或者哈希。如果不同的主键得到相同的哈希值，则发生了冲突。
 *  **Hash Map**：*hash map* 是一个存储键值间关系的数据结构。HashMap 通过哈希函数将键转化为桶或者槽中的下标，从而便于指定值的查找。
 *  冲突解决
    
     *  **链地址法（****Separate Chaining****）**：在链地址法中，每个桶（bucket）是相互独立的，每一个索引对应一个元素列表。处理HashMap 的时间就是查找桶的时间（常量）与遍历列表元素的时间之和。
     *  **开放地址法（****Open Addressing****）**：在开放地址方法中，当插入新值时，会判断该值对应的哈希桶是否存在，如果存在则根据某种算法依次选择下一个可能的位置，直到找到一个未被占用的地址。开放地址即某个元素的位置并不永远由其哈希值决定。

![6941baebly1fehl7oz319j20fd0dc402.jpg][]

**图**

*  图是G =（V，E）的有序对，其包括顶点或节点的集合 V 以及边或弧的集合E，其中E包括了两个来自V的元素（即边与两个顶点相关联 ，并且该关联为这两个顶点的无序对）。
 *  **无向图**：图的邻接矩阵是对称的，因此如果存在节点 u 到节点 v 的边，那节点 v 到节点 u 的边也一定存在。
 *  **有向图**：图的邻接矩阵不是对称的。因此如果存在节点 u 到节点 v 的边并不意味着一定存在节点 v 到节点 u 的边。

![70 2][]

# **二、算法** #

**排序**

**快速排序**

*  稳定：否
 *  时间复杂度
    
     *  最优：O(nlog(n))
     *  最差：O(n^2)
     *  平均：O(nlog(n))

![6941baebly1fehl7nu4z7g20r107jqnp.gif][]

**合并排序**

*  合并排序是一种分治算法。这个算法不断地将一个数组分为两部分，分别对左子数组和右子数组排序，然后将两个数组合并为新的有序数组。
 *  稳定：是
 *  时间复杂度：
    
     *  最优：O(nlog(n))
     *  最差：O(nlog(n))
     *  平均：O(nlog(n))

![6941baebly1fehl7icnjzg20hs0aokjn.gif][]

**桶排序**

*  桶排序是一种将元素分到一定数量的桶中的排序算法。每个桶内部采用其他算法排序，或递归调用桶排序。
 *  时间复杂度
    
     *  最优：Ω(n + k)
     *  最差: O(n^2)
     *  平均：Θ(n + k)

![6941baebly1fehl7k0qx4j20hs07k75q.jpg][]

**基数排序**

*  基数排序类似于桶排序，将元素分发到一定数目的桶中。不同的是，基数排序在分割元素之后没有让每个桶单独进行排序，而是直接做了合并操作。
 *  时间复杂度
    
     *  最优：Ω(nk)
     *  最差: O(nk)
     *  平均：Θ(nk)

**图算法**

**深度优先****搜索**

*  深度优先搜索是一种先遍历子节点而不回溯的图遍历算法。
 *  时间复杂度：O(|V| + |E|)

![6941baebly1fehl7jf9xtg20hs09974o.gif][]

**广度优先****搜索**

*  广度优先搜索是一种先遍历邻居节点而不是子节点的图遍历算法。
 *  时间复杂度：O(|V| + |E|)

![6941baebly1fehl7iwu8hg20hs09974o.gif][]

**拓扑排序**

*  拓扑排序是有向图节点的线性排序。对于任何一条节点 u 到节点 v 的边，u 的下标先于 v。
 *  时间复杂度：O(|V| + |E|)

**Dijkstra算法**

*  Dijkstra 算法是一种在有向图中查找单源最短路径的算法。
 *  时间复杂度：O(|V|^2)

![6941baebly1fehl77perwg20li09atbg.gif][]

**Bellman-Ford算法**

*  *Bellman-Ford *是一种在带权图中查找单一源点到其他节点最短路径的算法。
 *  虽然时间复杂度大于 Dijkstra 算法，但它可以处理包含了负值边的图。
 *  时间复杂度：
    
     *  最优：O(|E|)
     *  最差：O(|V||E|)

![6941baebly1fehl771hlsg20kr079438.gif][]

**Floyd-Warshall 算法**

*  *Floyd-Warshall *算法是一种在无环带权图中寻找任意节点间最短路径的算法。
 *  该算法执行一次即可找到所有节点间的最短路径（路径权重和）。
 *  时间复杂度：
    
     *  最优：O(|V|^3)
     *  最差：O(|V|^3)
     *  平均：O(|V|^3)

**最小生成树算法**

*  最小生成树算法是一种在无向带权图中查找最小生成树的贪心算法。换言之，最小生成树算法能在一个图中找到连接所有节点的边的最小子集。
 *  时间复杂度：O(|V|^2)

![6941baebly1fehl76ellbg208q08zago.gif][]

**Kruskal 算法**

*  *Kruskal *算法也是一个计算最小生成树的贪心算法，但在 Kruskal 算法中，图不一定是连通的。
 *  时间复杂度：O(|E|log|V|)

![6941baebly1fehl75byw0g208q08zgwv.gif][]

**贪心算法**

*  贪心算法总是做出在当前看来最优的选择，并希望最后整体也是最优的。
 *  使用贪心算法可以解决的问题必须具有如下两种特性：
    
     *  最优子结构
        
         *  问题的最优解包含其子问题的最优解。
     *  贪心选择
        
         *  每一步的贪心选择可以得到问题的整体最优解。
 *  实例-硬币选择问题
 *  给定期望的硬币总和为 V 分，以及 n 种硬币，即类型是 i 的硬币共有 coinValue\[i\] 分，i的范围是 \[0…n – 1\]。假设每种类型的硬币都有无限个，求解为使和为 V 分最少需要多少硬币？
 *  硬币：便士（1美分），镍（5美分），一角（10美分），四分之一（25美分）。
 *  假设总和 V 为41,。我们可以使用贪心算法查找小于或者等于 V 的面值最大的硬币，然后从 V 中减掉该硬币的值，如此重复进行。
    
     *  V = 41 | 使用了0个硬币
     *  V = 16 | 使用了1个硬币(41 – 25 = 16)
     *  V = 6 | 使用了2个硬币(16 – 10 = 6)
     *  V = 1 | 使用了3个硬币(6 – 5 = 1)
     *  V = 0 | 使用了4个硬币(1 – 1 = 0)

**位****运算**

*  位运算即在比特级别进行操作的技术。使用位运算技术可以带来更快的运行速度与更小的内存使用。
 *  测试第 k 位：s & (1 << k);
 *  设置第k位：s |= (1 << k);
 *  关闭第k位：s &= ~(1 << k);
 *  切换第k位：s ^= (1 << k);
 *  乘以2n：s << n;
 *  除以2n：s >> n;
 *  交集：s & t;
 *  并集：s | t;
 *  减法：s & ~t;
 *  提取最小非0位：s & (-s);
 *  提取最小0位：~s & (s + 1);
 *  交换值：x ^= y; y ^= x; x ^= y;

### 相关文章 ###

*  [目标跟踪算法分类][Link 1]
 *  [回归树的原理及其 Python 实现][Python]
 *  [常用排序算法总结（2）][2]
 *  [常用排序算法总结（1）][1]
 *  [堆和堆的应用：堆排序和优先队列][Link 2]

转载自[http://blog.jobbole.com/110835/][http_blog.jobbole.com_110835]

[70]: /images/20220515/646d887804f243b18f2ba19a7b5c0103.png
[6941baebly1fehl7r4nzfj20e80dcgmq.jpg]: /images/20220515/77da56ce80e743f098828f63ed0b952b.png
[6941baebly1fehl7qs479j20hl0dcjuy.jpg]: /images/20220515/1827010301204886859a98b17c278011.png
[6941baebly1fehl7q5vwvj20hs0cdq4n.jpg]: /images/20220515/b896e7b7e564446dbcbf81de9e80799b.png
[70 1]: /images/20220515/c0b2138bb5e44ea1b9097f47908fd315.png
[6941baebly1fehl7oz319j20fd0dc402.jpg]: /images/20220515/e567e2eb81534a5ca28f20b6f77e9165.png
[70 2]: /images/20220515/90a9d42b4546450abcf9449d3b365981.png
[6941baebly1fehl7nu4z7g20r107jqnp.gif]: /images/20220515/6c45a828ee304d41b24803ce16fa4362.png
[6941baebly1fehl7icnjzg20hs0aokjn.gif]: /images/20220515/03d3c26a1055412391d8ccb8a54ce3a9.png
[6941baebly1fehl7k0qx4j20hs07k75q.jpg]: /images/20220515/93b0db7559ee40099d9979c854a91e17.png
[6941baebly1fehl7jf9xtg20hs09974o.gif]: /images/20220515/50ac10f434e042daa3f46037c1a18950.png
[6941baebly1fehl7iwu8hg20hs09974o.gif]: /images/20220515/c946eafa191b4a998f47abde15ef5c3d.png
[6941baebly1fehl77perwg20li09atbg.gif]: /images/20220515/391f716841fd46edb42a1650b889dcf6.png
[6941baebly1fehl771hlsg20kr079438.gif]: /images/20220515/c04ae838bf084333807420e8577b4efe.png
[6941baebly1fehl76ellbg208q08zago.gif]: /images/20220515/aea58acb62c24245b821d7fdbfc5ca00.png
[6941baebly1fehl75byw0g208q08zgwv.gif]: /images/20220515/9cc7f5ea8b504298b83d4109d6e9eb1e.png
[Link 1]: http://blog.jobbole.com/114283/?utm_source=blog.jobbole.com&utm_medium=relatedPosts
[Python]: http://blog.jobbole.com/114261/?utm_source=blog.jobbole.com&utm_medium=relatedPosts
[2]: http://blog.jobbole.com/113977/?utm_source=blog.jobbole.com&utm_medium=relatedPosts
[1]: http://blog.jobbole.com/113863/?utm_source=blog.jobbole.com&utm_medium=relatedPosts
[Link 2]: http://blog.jobbole.com/113552/?utm_source=blog.jobbole.com&utm_medium=relatedPosts
[http_blog.jobbole.com_110835]: http://blog.jobbole.com/110835/