前言

數據結構與算法是程序員內功體現的重要標準之一，且數據結構也應用在各個方面，業界更有程序=數據結構+算法這個等式存在。各個中間件開發者，架構師他們都在努力的優化中間件、項目結構以及算法提高運行效率和降低內存占用，在這里數據結構起到相當重要的作用。此外數據結構也蘊含一些面向對象的思想，故學好掌握數據結構對邏輯思維處理抽象能力有很大提升。

為什么學習數據結構與算法？如果你還是學生，那么這門課程是必修的，考研基本也是必考科目。工作在內卷嚴重的大廠中找工作數據結構與算法也是面試、筆試必備的非常重要的考察點。如果工作了數據結構和算法也是內功提升一個非常重要的體現，對于程序員來說，想要得到滿意的結果，數據結構與算法是必備功力！

數據結構

概念

數據結構是計算機存儲、組織數據的方式。數據結構是指相互之間存在一種或多種特定關系的數據元素的集合。通常情況下，精心選擇的數據結構可以帶來更高的運行或者存儲效率。

簡言之，數據結構是一系列的存儲結構按照一定執行規則、配合一定執行算法所形成的高效的存儲結構。在我們所熟知的關系數據庫、非關系數據庫、搜索引擎存儲、消息隊列等都是比較牛的大型數據結構良好的運用。當然這些應用中間件不單單要考慮單純的結構問題。還考慮實際os、網絡等其他因素。

而對于數據結構與算法這個專欄。我們程序員更要掌握的首先是在內存中運行的抽象的數據結構。是一個相對比較單一的數據結構類型，比如線性結構、樹、圖等等.

相關術語

在數據結構與算法中，數據、數據對象、數據元素、數據項很多人搞不清其中的關系。通過畫一張圖來捋一捋，然后下面舉個例子給大家分享一下。

用戶信息表users

id	name	sex
001	bigsai	man
002	smallsai	man
003	菜虛鯤	woman

Users的pojo對象

class User
{ 
     //略
     int id;
     String name;
     String sex;
}
//list和woman是數據
List<User>users;//數據對象list
List<User>women;//數據對象women
users.add(new User(001,"bigsai","man"));//添加數據元素 一個user由（001，bigsai，man）三個數據項組成 
users.add(new User(002,"smallsai","man"));//數據元素
users.add(new User(003,"菜虛鯤","woman"));//數據元素
woman.add(users.get(2));//003,"菜虛鯤","woman"三個數據項構成的一個數據元素

數據：對客觀事物的符號表示，指所有能輸入到計算機中并被計算機程序處理的符號的集合總稱。上述表中的三條用戶信息的記錄就是數據(也可能多表多集合這里只有一個)。這些數據一般都是用戶輸入或者是自定義構造完成。當然，還有一些圖像、聲音也是數據。

數據元素：數據元素是數據的基本單位。一個數據元素由若干數據項構成！可認為是一個pojo對象、或者是數據庫的一條記錄。比如菜虛鯤那條記錄就是一個數據元素。

數據項： 而構成用戶字段/屬性的有id、name、sex等，這些就是數據項.數據項是構成數據元素的最小不可分割字段。可以看作一個pojo對象或者一張表(people)的一個屬性/字段的值。

數據對象：是相同性質數據元素的集合。是數據的一個子集，比如上面的users表、list集合、woman集合都是數據對象。單獨一張表，一個集合都可以是一個數據對象。

總的捋一捋，數據范圍最廣，所有數據即數據，而數據對象僅僅是有相同性質的一個集合，這個集合是數據的子集，但并不是數據的基本單位，而數據元素才是數據的基本單位。舉個例子表cat和表dog都是數據，然后表cat是個數據對象(因為都描述cat這種對象)，但是數據的基本單位并不是貓和狗，而是他們的具體的每一條記錄，比如小貓咪1號，大貓咪二號，哈士奇1號，藏獒2號這些每一條記錄才是數據的基本單位。

還有數據類型，抽象數據類型也在下面講一講。

數據類型

• 原子類型：其值不可再分的類型。比如int，char，double，float等。

• 結構類型：其值可以再分為若干成分的數據類型。比如結構體構造的各種結構等。

抽象數據類型(ADT)：抽象數據類型（ADT）是一個實現包括存儲數據元素的存儲結構以及實現基本操作的算法。使得只研究和使用它的結構而不用考慮它的實現細節成為可能。比如我們使用List、Map、Set等等只需要了解它的API和性質功能即可。而具體的實現可能是不同的方案，比如List的實現有數組和鏈表不同選擇。

三要素

邏輯結構：數據元素之間的邏輯關系。邏輯結構分為線性結構和非線性結構。線性結構就是順序表、鏈表之類。而非線性就是集合、樹、圖這些結構。

存儲結構：數據結構在計算機中的表示(又稱映像，也稱物理結構)，存儲結構主要分為順序存儲、鏈式存儲、索引存儲和散列(哈希)存儲，這幾種存儲通過下面這張圖簡單了解一下(僅僅為理解不考慮更多)：

數據的運算：施加在數據上的運算包括運算的定義和實現，運算的定義基于邏輯結構，運算的實現基于存儲結構。

在這里容易混淆的是邏輯結構與存儲結構的概念。對于邏輯結構，不難看得出邏輯二字，邏輯關系也就是兩者存在數據上的關系而不考慮物理地址的關系，比如線性結構和非線性結構，它描述的是一組數據中聯系的方式和形式，他針對的是數據。看中的是數據結構的功能，比如線性表就是前后有序的，我需要一個有序的集合就可以使用線性表。

而存儲結構就是跟物理地址掛鉤的。因為同樣邏輯結構采用不同存儲結構實現適用場景和性能可能不同。比如同樣是線性表,可能有多種存儲結構的實現方式。比如順序表和鏈表(Arraylist,Linkedlist)它們的存儲結構就不同，一個是順序存儲(數組)實現，一個是鏈式存儲(鏈表)實現。它關注的是計算機運行物理地址的關系。但通常同一類存儲結構實現的一些數據結構有一些類似的共同點和缺點(線性易查難插、鏈式易插難查等等)。

算法分析

上面講了數據結構相關概念，下面對算法分析的一些概念進行描述。

算法的五個重要特征：有窮性、確定性、可行性、輸入、輸出。這些從字面意思即可理解，其中有窮性強調算法要有結束的時候不能無限循環；而確定性是每條指令有它意義，相同的輸入得到相同的輸出；可行性是指算法每個步驟經過若干次執行可以實現；輸入是0個或多個輸入(可0);輸出是1個或多個輸出(一定要有輸出)。

而一個好的算法，通常更要著重考慮的是效率和空間資源占用(時間復雜度和空間復雜度)，通常復雜度更多描述的是一個量級程度而很少用具體數字描述。

空間復雜度

概念：是對一個算法在運行過程中臨時占用存儲空間大小的量度，記做S(n)=O(f(n))

空間復雜度其實在算法的衡量占比是比較低的(我們經常使用犧牲空間換時間的數據結構和算法)，但是不能忽視空間復雜度中重要性。無論在刷題還是實際項目生產內存都是一個極大額指標。對于Java而言更是如此。本身內存就大，如果采用的存儲邏輯不太好會占用更多的系統資源，對服務造成壓力。

而算法很多情況都是犧牲空間換取時間(效率)。就比如我們熟知的字符串匹配String.contains()方法，我們都知道他是暴力破解，時間復雜度為O(n^2),不需要借助額外內存。而KMP算法在效率和速度上都原生暴力方法，但是KMP要借助其他數組(next[])進行標記儲存運算。就用到了空間開銷。再比如歸并排序也會借助新數組在遞歸分冶的適合進行逐級計算，提高效率，但增加點影響不大的內存開銷。

當然，算法的空間花銷最大不能超過jvm設置的最大值，一般為2G.(2147483645)如果開二維數組多種多維數據不要開的太大，可能會導致heap OutOfMemoryError。

時間復雜度

概念：計算機科學中，算法的時間復雜度是一個函數，它定性描述了該算法的運行時間。這是一個關于代表算法輸入值的字符串的長度的函數。時間復雜度常用大O符號表述，不包括這個函數的低階項和首項系數。使用這種方式時，時間復雜度可被稱為是漸近的，它考察當輸入值大小趨近無窮時的情況。

時間復雜度的排序：O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) <O(n!) < O(n^n)

常見時間復雜度：對于時間復雜度，很多人的概念是比較模糊的。下面舉例子說明一些時間復雜度。

O(1): 常數函數

• a=15

O(logn): 對數函數

• for(int i=1;i<n;i*=2)
  分析：假設執行t次使得i=n;有2^t=n; t=log2~n,為log級別時間復雜度為O(logn)。
• 還有典型的二分查找，拓展歐幾里得，快速冪等算法均為O(logn)。屬于高效率算法。

O(n): 線性函數

• for (int i=0;i<n;i++)
• 比較常見，能夠良好解決大部分問題。

O(nlogn):

• for (int i=1;i<n;i++)
for (int j=1;j<i;j*=2)
• 常見的排序算法很多正常情況都是nlogn，比如快排、歸并排序。這種算法效率大部分也還不錯。

O(n^2)

• for(int i=0;i<n;i++)
for(int j=0;j<i;j++)
• 其實O(n^{2)的效率就不敢恭維了。對于大的數據O(n}2)甚至更高次方的執行效果會很差。

當然如果同樣是n=10000.那么不同時間復雜度額算法執行次數、時間也不同。

具體	n	執行次數
O(1)	10000	1
O(log2n)	10000	14
O( n^1/2)	10000	100
O(n)	10000	10000
O(nlog2 n)	10000	140000
O(n^2)	10000	100000000
O(n^3)	10000	1000000000000

降低算法復雜度有些會靠數據結構的特性和優勢，比如二叉排序樹的查找，線段樹的動態排序等等，這些數據結構解決某些問題有些非常良好的性能。還有的是靠算法策略解決，比如同樣是排序，冒泡排序這種笨而簡單的方法就是O(n2),但快排、歸并等聰明方法就能O(nlogn)。要想變得更快，那就得掌握更高級的數據結構和更精巧的算法。

時間復雜度計算
時間復雜度計算一般步驟：1、找到執行次數最多的語句; 2、計算語句執行的數量級 ; 3、用O表示結果。并且有兩個規則：

加法規則： 同一程序下如果多個并列關系的執行語句那么取最大的那個,eg:

T(n)=O(m)+O(n)=max(O(m),O(n)); 
T(n)=O(n)+O(nlogn)=max(O(n),O(nlogn))=O(nlogn);

乘法規則：循環結構，時間復雜度按乘法進行計算,eg：

T(n)=O(m)*O(n)=O(mn)
T(n)=O(m)*O(m)=O(m^2)(兩層for循環)

當然很多算法的時間復雜度還跟輸入的數據有關，分為還會有最優時間復雜度(可能執行次數最少時)，最壞時間復雜度(執行次數最少時)，平均時間復雜度，這在排序算法中已經具體分析，但我們通常使用平均時間復雜度來衡量一個算法的好壞。

數據結構與算法學習

捋過數據結構與算法基本概念的介紹，在學習數據結構與算法方面，個人把經典的數據結構與算法學習過程步驟寫在下面，希望能給大家一個參考：

數據結構

• 單鏈表(帶頭結點、不帶頭結點)設計與實現(增刪改查)，雙鏈表設計與實現

• 棧設計與實現(數組和鏈表)，隊列設計與實現(數組和鏈表)

• 二叉樹概念學習，二叉樹前序、中序、后序遍歷遞歸、非遞歸實現 ，層序遍歷

• 二叉排序樹設計與實現(插入刪除)

• 堆(優先隊列、堆排序)

• AVL(平衡)樹設計與實現(四種自旋方式理解實現)

• 伸展樹、紅黑樹原理概念理解

• B、B+原理概念理解

• 哈夫曼樹原理概念理解(貪心策略)

• 哈希(散列表)原理概念理解(幾種解決哈希沖突方式)

• 并查集/不相交集合(優化和路徑壓縮)

• 圖論拓撲排序

• 圖論dfs深度優先遍歷、bfs廣度優先遍歷

• 最短路徑Dijkstra算法、Floyd算法、spfa算法

• 最小生成樹prim算法、kruskal算法

• 其他數據結構線段樹、后綴數組等等

經典算法

• 遞歸算法(求階乘、斐波那契、漢諾塔問題)
• 二分查找
• 分治算法(快排、歸并排序、求最近點對等問題)
• 貪心算法(使用較多，區間選點問題，區間覆蓋問題)
• 常見動態規劃(LCS(最長公共子序列) LIS(最長上升子序列)背包問題等等)
• 回溯算法(經典八皇后問題、全排列問題)
• 位運算常見問題(參考劍指offer和LeetCode問題)
• 快速冪算法(快速求冪乘、矩陣快速冪)
• kmp等字符串匹配算法
• 一切其他數論算法(歐幾里得、拓展歐幾里得、中國剩余定理等等)

相信看完這篇文章，你應該對數據結構與算法有個不錯的認知。數據結構與算法有著非常密切的關聯，數據結構是為了實現某種算法，算法是核心目的。學習數據結構與算法之前，可以先參考書本或者博客先了解其功能，再研究其運行原理，再動手實戰(編寫數據結構或者相關題目)這樣層次漸進，想要深入的學習數據結構與算法光理解是不行的，需要有大量代碼實戰才可。并且這條路是沒有止境的，活到老，學到老，刷到老。

開源倉庫：bigsai-algorithm倉庫
針對以前寫的數據結構與算法系列重寫(針對文字描述、圖片、錯誤修復)，改動會比較大，一直到更新完為止，如果感興趣希望持續關注，有錯誤也歡迎指正

總結

以上是生活随笔為你收集整理的数据结构与算法—绪论的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。