1数据结构-----数组

2数据结构-----栈

3数据结构-----树

4数据结构-----队列

5数据结构----链表

6数据结构-----散列表

7算法设计----递归

8算法设计-----分而治之算法

一、导读

找工作的过程中，经常被问道的一个问题是：会数据结构吗？简单的来几个算法题？当时自己处于一种懵懵的状态，我是谁？我在哪？工作的过程中用到过数据结构与算法吗?感觉面试造火箭,入职拧螺丝，问到我怀疑人生。

其实不然，数据结构与算法在工作中也经常用到，我们常见的数组、集合、排序和搜索算法、链表等都与工作息息相关，平时只是没具体的关注其中。

很多同学在看到数据结构与算法后会有一定的抵触心理，或许尝试去练习，但是被难倒，从而放弃了。一大部分原因是因为还不够了解学习的意义，或者没有掌握合理的学习方法，导致一直停滞不前。

在本文中，我就来分享我的学习数据结构与算法的一些心得

之后我也会对常见的数据类型进行分类整理，全方位的开始学习

1.1 初衷

促使我学习数据结构与算法：面试，提升自己面试的通过效率。初衷很简单也很现实。

1.2 如何去学习呢

1. 了解数据结构常见的类型

   1. 推荐书籍：学习Javascript数据结构与算法

2. 做题也是非常重要的，毕竟学习之后要学会运用。给大家推荐几个网站

   1. leetcode
   2. 牛客

二、了解数据结构的分类

数组（Array）、栈（Stack）、队列（Queue）、链表（Linked List）、树（Tree）、图（Graph）、堆（Heap）、散列表（Hash）等

三、时间复杂度和空间复杂度

数据结构算法速查表

3.1 算法效率

算法效率是指算法执行的时间。分析算法效率主要从两个方面入手：时间效率和空间效率。时间效率就是时间复杂度，空间效率就是空间复杂度

3.2 时间复杂度

时间复杂度是一个函数，它定性描述该算法的运行时间。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数

时间复杂度是指执行算法所需要的计算工作量。常见的时间复杂度有：

• O(1): Constant Complexity: Constant 常数复杂度
• O(log n): Logarithmic Complexity: 对数复杂度
• O(n): Linear Complexity: 线性时间复杂度
• O(n^2): N square Complexity 平⽅方
• O(n^3): N square Complexity ⽴立⽅方
• O(2^n): Exponential Growth 指数
• O(n!): Factorial 阶乘

3.3 空间复杂度

• 空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度
• 空间复杂度算的是变量的个数