前端仔的“数据结构与算法”之路——开篇我的内心独白是，我菜呀，不学不看不记，怎么进步？所以必须得刻意学习，刻意记录，刻意

why？

为什么要写这一系列文章？为什么要学数据结构与算法？
我的内心独白是，我菜呀，不学不看不记，怎么进步？所以必须得刻意学习，刻意记录，刻意分享。才能掌握熟练，我相信对于一部分人是很适用的。
不用我说，为什么学？大家心里都有自己的考量。如果你日常工作中用得少，也正常。那是因为业务场景还没达到，而不是说它工作中没用。我自己是感觉到有几点很适用：

防范于未然，你先掌握熟悉算法，在未来的工作中，只要你是向前走的，总能有业务场景需要运用或理解的。
刻意学习，的确能锻炼出比较好的逻辑思维能力，解决问题能力。
表现自己，学好数据结构和算法不算一件容易的事，你越是能掌握它，也越能凸显你的学习能力。最重要也是能在面试过程中脱引而出。

当然，我任务学习数据结构和算法是要下很大决心的。它是一个长的过程，一蹴而就的想法真不适合学习它。所以我也想在这里立个flag。坚持学习记录并分享，不断试错前进，也总结出自己思考的观点，能让一起学习的同学少踩坑，对关键点印象能更深刻，有更平滑对学习曲线。之前自己学习也走了很多弯路，不明确，也浪费了很多时间。

👌开始

对数据结构和算法的认识

对它有个内心的总体印象，之后遇到问题就会有更好的领悟。数据结构大致可以理解为**存储一组数据的结构，算法就是操作这组数据的方法。**经过前人大牛们的总结，已经有了很多著名的数据结构用来存储数据，如：队列、栈、二叉树等，也有很多经典的算法：二分法、动态规划等。数据结构和算法是相辅相成的，算法作用在特定的数据结构上更能发挥作用，数据结构也不能独立于算法存在，是不具有应用意义也不高效的。

重点知识

一个领域的内容，如果不能全力探索，你也可以抓住重点方向学习，也足已应对大多数场景。

复杂度分析
数据结构：数组、链表、栈、队列、散列表、二叉树、堆、跳表、图、Trie 树
算法：递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法。

配合相关leetcode题练习、并解析。总结特点，套路，从而应对各式问题和场景。如果在写题的过程中，困扰很久。千万别专牛角尖，可以直接看解析分享，再总和自己的理解。再写一遍，效率会更高。

复杂度分析

时间复杂度

**用于大致的分析一段代码的执行效率、与环境无关。我们假设不同环境中每行代码的执行时间是一样的。时间复杂度的另一个考量就是数据规模n。O（f(n)）表示的这个方法在数据规模为n的情况下的大致执行效率。时间复杂度总体表示的是代码执行时间随数据变化的增长趋势。

3个技巧去简单分析一段代码的时间复杂度

只关注循环执行次数最多的代码、和数据规模相关的部分

function o (n) {
  const a = 1
  const b = 2
  let sum = a + b
  for (let i = 0; i < n; i++) {
    sum += i
  }
  
  // for (let i = 0; i < n; i++) {
  //  sum += i
  // }
  return sum
}

这段代码中会先执行前3行，进入循环执行内容n次（每次循环假设1次），返回时再执行1次。客观来说，总执行数是n+4。我们只需关系执行时与数据n有关的，其他都是**常量级别的不需关心，哪怕是有两段相同的循环。**这个函数的时间复杂度都为O(n)。

总复杂度等于量级最大的代码段的复杂度

function o (n) {
  const a = 1
  const b = 2
  let sum = a + b
  for (let i = 0; i < n; i++) {
    sum += i
  }
  
  for (let i = 0; i < n; i++) {
    for (let j = 0; j < n; j++) {
      sum += j + i
    }
  }
  return sum
}

这段代码后半段，循环中嵌套了循环，其中的最里层的循环代码执行了n*n次，已经成为这个函数量级最大的次数。
所以这个函数的时间复杂度为O(n^2)。

嵌套代码的复杂度等于内外的乘积

参考上例代码分析完复杂度为O(n^2)。

常见的时间复杂度有：

O(1): 常数复杂度
O(log n): 对数复杂度
O(n): 线性时间复杂度
O(n^2): 平⽅
O(n^3): ⽴⽅
O(2^n): 指数
O(n!): 阶乘

空间复杂度

表示的是存储空间与数据规模之间的增长关系。

function area (list) {
  const other = 0
  const arr = new Array(list.length)

  for (let i = 0; i < list.length; i++) {
    arr[i] = list[i] + i
  }
  return arr
}

从上例代码中，我们看到定义了一个other变量，申请一个空间且与list无关。以及一个arr数组，数组的所需空间等于list的空间。浅显移动，在这段代码中我们额外需要的空间为1+n（n表示数组list的空间），所以空间复杂度也为O(n)。空间复杂度的分析并不常见，我们先掌握基本概念。

下一步

当然这几点都是很基础的分析，复杂度的概念还不止如此，需要多看不同的文章去加深理解。本系列的重点内容是后续的算法题案例。所以这里就不多做分析（主要是我还菜，理解不够透彻）。
下一章开始，针对每一种常见的数据结构和算法，结合题目进行讲解。希望能坚持✊下去。

前端仔的“数据结构与算法”之路——开篇