常用数据结构

犀利大公仔
159 阅读4分钟

常用数据结构

以下是计算机科学中常用数据结构的分类整理，涵盖基础概念、操作复杂度、应用场景及代码示例：

1. 数组（Array）

  • 定义：连续内存空间存储相同类型元素，支持随机访问。

  • 操作复杂度：

    • 访问：O(1)

    • 插入/删除：O(n)（需移动元素）

  • 应用场景：快速查找、缓存、矩阵运算。

  • 代码示例：

    
arr = [1, 2, 3, 4]

print(arr[2])  # 输出3（索引从0开始）

2. 链表（Linked List）

  • 定义：节点通过指针连接，分为单向链表和双向链表。

  • 操作复杂度：

    • 插入/删除：O(1)（已知位置时）

    • 查找：O(n)

  • 应用场景：高频插入删除（如LRU缓存、浏览器历史记录）。

  • 代码示例（单向链表节点）：

    
class Node:

    def __init__(self, val):

        self.val = val

        self.next = None

head = Node(1)

head.next = Node(2)

3. 栈（Stack）

  • 定义：后进先出（LIFO），仅允许在栈顶操作。

  • 核心操作：

    • push()：入栈（O(1)）

    • pop()：出栈（O(1)）

  • 应用场景：函数调用栈、括号匹配、撤销操作。

  • 代码示例（Python列表模拟）：

    
stack = []

stack.append(1)  # push

top = stack.pop()  # pop

4. 队列（Queue）

  • 定义：先进先出（FIFO），队尾插入，队头删除。

  • 变种：

    • 双端队列（Deque）：两端均可操作。

    • 优先队列（Priority Queue）：按优先级出队（基于堆实现）。

  • 操作复杂度：

    • 入队/出队：O(1)（普通队列）或 O(logn)（优先队列）

  • 应用场景：任务调度、消息队列、BFS算法。

  • 代码示例（Python deque）：

    
from collections import deque

q = deque()

q.append(1)  # 入队

front = q.popleft()  # 出队

5. 树（Tree）

  • 常见类型：

    • 二叉树（Binary Tree）：每个节点最多两个子节点。

    • 二叉搜索树（BST）：左子树值 < 根 < 右子树值（查找O(logn)，退化为链表时O(n)）。

    • 平衡树（AVL/红黑树）：自动平衡，保证操作O(logn)。

    • 堆（Heap）：完全二叉树，根节点为最大（大顶堆）或最小（小顶堆）值。

  • 应用场景：

    • BST：动态有序数据（如数据库索引）。

    • 堆：优先队列、Top K问题。

    • Trie树：字典检索、自动补全。

  • 代码示例（二叉树节点）：

    
class TreeNode:

    def __init__(self, val):

        self.val = val

        self.left = None

        self.right = None

6. 图（Graph）

  • 定义：由顶点（Vertex）和边（Edge）组成，分为有向图和无向图。

  • 存储方式：

    • 邻接矩阵：适合稠密图，查询边存在性O(1)。

    • 邻接表：适合稀疏图，节省空间。

  • 应用场景：社交网络、路径规划（如Dijkstra算法）、推荐系统。

  • 代码示例（邻接表）：

    
graph = {

    'A': ['B', 'C'],

    'B': ['D'],

    'C': [],

    'D': []

}

7. 哈希表（Hash Table）

  • 定义：通过哈希函数将键映射到值，解决冲突的方法包括：

    • 链地址法：冲突元素组成链表。

    • 开放寻址法：探测下一个空槽。

  • 操作复杂度：

    • 插入/删除/查找：平均O(1)，最坏O(n)（哈希冲突严重时）。

  • 应用场景：快速查找（如字典、缓存、数据库索引）。

  • 代码示例（Python字典）：

    
hash_map = {}

hash_map["name"] = "Alice"  # 插入

print(hash_map.get("name"))  # 查找

8. 集合（Set）

  • 定义：存储唯一元素，支持并集、交集等操作。

  • 底层实现：通常基于哈希表或平衡树。

  • 操作复杂度：

    • 插入/删除/查找：平均O(1)（哈希表）或 O(logn)（平衡树）。

  • 应用场景：去重、成员检测（如敏感词过滤）。

  • 代码示例：

    
s = set()

s.add(1)

print(1 in s)  # True

对比总结

| 数据结构 | 优势 | 劣势 | 典型应用 |

|------------|-------------------------------|-------------------------------|-----------------------|

| 数组 | 快速随机访问 | 插入/删除效率低 | 矩阵运算、缓存 |

| 链表 | 高效插入/删除 | 无法快速随机访问 | LRU缓存、浏览器历史 |

| 哈希表 | 平均O(1)的增删查 | 内存占用高，无序存储 | 字典、数据库索引 |

| 二叉搜索树 | 有序数据快速查找 | 可能退化为链表 | 数据库索引、有序Map |

| 堆 | 快速获取最大/最小值 | 仅能访问根节点 | 优先队列、任务调度 |

高级数据结构（扩展）

  1. 跳表（Skip List）：多层链表加速查找（Redis有序集合底层实现）。

  2. 并查集（Union-Find）：高效处理集合合并与查询（如社交网络连通性）。

  3. 布隆过滤器（Bloom Filter）：空间高效的概率型数据结构（缓存穿透防护）。

学习建议

  1. 理解原理：动手实现每个数据结构（如用Python编写链表、哈希表）。

  2. 刷题巩固：LeetCode/HackerRank练习（如《剑指Offer》经典题）。

  3. 分析场景：根据问题需求选择最优数据结构（如高频查询用哈希表，有序需求用树）。

  4. 扩展阅读：《算法导论》《数据结构与算法分析》等经典书籍。

avatar
文章
阅读
粉丝