csdn的移动开发朋友们

坚持完成这套学习手册，你就可以去 Google 面试了

本文为掘金投稿，译文出自：掘金翻译计划（翻译不易，欢迎 Star 支持）。

原文地址：Google Interview University

原文作者：John Washam

译者：Aleen，Newton，bobmayuze，Jaeger，sqrthree

友情提醒：文章较长，需耐心阅读。

这是？

这是我为了从 Web 开发者（自学、非计算机科学学位）蜕变至 Google 软件工程师所制定的计划，其内容历时数月。

这一长列表是从 Google 的指导笔记 中萃取出来并进行扩展。因此，有些事情你必须去了解一下。我在列表的底部添加了一些额外项，用于解决面试中可能会出现的问题。这些额外项大部分是来自于 Steve Yegge 的“得到在 Google 工作的机会”。而在 Google 指导笔记的逐字间，它们有时也会被反映出来。

这是？
为何要用到它？
如何使用它
拥有一名 Googler 的心态
我得到了工作吗？
跟随着我
不要自以为自己足够聪明
关于 Google
相关视频资源
面试过程 & 通用的面试准备
为你的面试选择一种语言
在你开始之前
你所看不到的
日常计划
必备知识
算法复杂度 / Big-O / 渐进分析法
数据结构
- 数组（Arrays）
- 链表（Linked Lists）
- 堆栈（Stack）
- 队列（Queue）
- 哈希表（Hash table）
更多的知识
- 二分查找（Binary search）
- 按位运算（Bitwise operations）
树（Trees）
- 树 —— 笔记 & 背景
- 二叉查找树（Binary search trees）：BSTs
- 堆（Heap） / 优先级队列（Priority Queue） / 二叉堆（Binary Heap）
- 字典树（Tries）
- 平衡查找树（Balanced search trees）
- N 叉树（K 叉树、M 叉树）
排序
图（Graphs）
更多知识
- 递归
- 动态规划
- 组合 & 概率
- NP, NP-完全和近似算法
- 缓存
- 进程和线程
- 系统设计、可伸缩性、数据处理
- 论文
- 测试
- 调度
- 实现系统例程
- 字符串搜索和操作
终面
书籍
编码练习和挑战
当你临近面试时
你的简历
当面试来临的时候
问面试官的问题
当你获得了梦想的职位

—————- 下面的内容是可选的 —————-

附加的学习
- Unicode
- 字节顺序
- Emacs and vi(m)
- Unix 命令行工具
- 信息资源 (视频)
- 奇偶校验位 & 汉明码 (视频)
- 系统熵值（系统复杂度）
- 密码学
- 压缩
- 网络 (视频)
- 计算机安全
- 释放缓存
- 并行/并发编程
- 设计模式
- 信息传输, 序列化, 和队列化的系统
- 快速傅里叶变换
- 布隆过滤器
- van Emde Boas 树
- 更深入的数据结构
- 跳表
- 网络流
- 不相交集 & 联合查找
- 快速处理数学
- 树堆 (Treap)
- 线性规划
- 几何：凸包（Geometry, Convex hull）
- 离散数学
- 机器学习
- Go 语言
一些主题的额外内容
视频系列
计算机科学课程

为何要用到它？

我一直都是遵循该计划去准备 Google 的面试。自 1997 年以来，我一直从事于 Web 程序的构建、服务器的构建及创业型公司的创办。对于只有着一个经济学学位，而不是计算机科学学位（CS degree）的我来说，在职业生涯中所取得的都非常成功。然而，我想在 Google 工作，并进入大型系统中，真正地去理解计算机系统、算法效率、数据结构性能、低级别编程语言及其工作原理。可一项都不了解的我，怎么会被 Google 所应聘呢？

当我创建该项目时，我从一个堆栈到一个堆都不了解。那时的我，完全不了解 Big-O 、树，或如何去遍历一个图。如果非要我去编写一个排序算法的话，我只能说我所写的肯定是很糟糕。一直以来，我所用的任何数据结构都是内建于编程语言当中。至于它们在背后是如何运作，对此我一概不清楚。此外，以前的我并不需要对内存进行管理，最多就只是在一个正在执行的进程抛出了“内存不足”的错误后，采取一些权变措施。而在我的编程生活中，也甚少使用到多维数组，可关联数组却成千上万。而且，从一开始到现在，我都还未曾自己实现过数据结构。

就是这样的我，在经过该学习计划后，已然对被 Google 所雇佣充满信心。这是一个漫长的计划，以至于花费了我数月的时间。若您早已熟悉大部分的知识，那么也许能节省大量的时间。

如何使用它

下面所有的东西都只是一个概述。因此，你需要由上而下逐一地去处理它。

在学习过程中，我是使用 GitHub 特殊的语法特性 markdown flavor 去检查计划的进展，包括使用任务列表。(注：因极客头条的 markdown 并不支持此语法，因此在下方做了删除处理)

更多关于 Github-flavored markdown 的详情

拥有一名 Googler 的心态

把一个（或两个）印有“future Googler”的图案打印出来，并用你誓要成功的眼神盯着它。

我得到了工作吗？

我还没去应聘。

因为我离完成学习（完成该疯狂的计划列表）还需要数天的时间，并打算在下周开始用一整天的时间，以编程的方式去解决问题。当然，这将会持续数周的时间。然后，我才通过使用在二月份所得到的一个介绍资格，去正式应聘 Google（没错，是二月份时就得到的）。

感谢 JP 的这次介绍。

跟随着我

目前我仍在该计划的执行过程中，如果你想跟随我脚步去学习的话，可以登进我在 GoogleyAsHeck.com 上所写的博客。

下面是我的联系方式：

Twitter: @googleyasheck
Twitter: @StartupNextDoor
Google+: +Googleyasheck
LinkedIn: johnawasham

不要自以为自己足够聪明

Google 的工程师都是才智过人的。但是，就算是工作在 Google 的他们，仍然会因为自己不够聪明而感到一种不安。
天才程序员的神话

关于 Google

面向学生 —— Google 的职业生涯：技术开发指导
Google 检索的原理：
- Google 检索的发展史（视频）
- Google 检索的原理 —— 故事篇
- Google 检索的原理
- Google 检索的原理 —— Matt Cutts（视频）
- Google 是如何改善其检索算法（视频）
系列文章：
- Google 检索是如何处理移动设备
- Google 为了寻找大众需求的秘密研究
- Google 检索将成为你的下一个大脑
- Demis Hassabis 的心灵直白
书籍：Google 公司是如何运作的
由 Google 通告所制作 —— 2016年10月（视频）

面试过程 & 通用的面试准备

视频：
- 如何在 Google 工作 —— 考生指导课程（视频）
- Google 招聘者所分享的技术面试小窍门（视频）
- 如何在 Google 工作：技术型简历的准备（视频）
文章：
- 三步成为 Googler
- 得到在 Google 的工作机会
  - 所有他所提及的事情都列在了下面
- （早已过期） 如何得到 Google 的一份工作，面试题，应聘过程
- 手机设备屏幕的问题
附加的（虽然 Google 不建议，但我还是添加在此）：
- ABC：永远都要去编程（Always Be Coding）
- 四步成为 Google 里一名没有学位的员工
- 共享白板（Whiteboarding）
- Google 是如何看待应聘、管理和公司文化
- 程序开发面试中有效的白板（Whiteboarding）
- 震撼开发类面试第一集：
  - Gayle L McDowell —— 震撼开发类面试（视频）
  - 震撼开发类面试 —— 作者 Gayle Laakmann McDowell（视频）
- 如何在世界四强企业中获得一份工作：
  - “如何在世界四强企业中获得一份工作 —— Amazon、Facebook、Google 和 Microsoft”（视频）
- 面试 Google 失败

为你的面试选择一种语言

在这，我就以下话题写一篇短文 —— 重点：为在 Google 的面试选择一种语言

在大多数公司的面试当中，你可以在编程这一环节，使用一种自己用起来较为舒适的语言去完成编程。但在 Google，你只有三种固定的选择：

C++
Java
Python

有时你也可以使用下面两种，但需要事先查阅说明。因为，说明中会有警告：

JavaScript
Ruby

你需要对你所选择的语言感到非常舒适且足够了解。

更多关于语言选择的阅读：

http://www.byte-by-byte.com/choose-the-right-language-for-your-coding-interview/
http://blog.codingforinterviews.com/best-programming-language-jobs/
https://www.quora.com/What-is-the-best-language-to-program-in-for-an-in-person-Google-interview

在此查看相关语言的资源

由于，我正在学习C、C++ 和 Python。因此，在下面你会看到部分关于它们的学习资料。相关书籍请看文章的底部。

在你开始之前

该列表已经持续更新了很长的一段时间，所以，我们的确很容易会对其失去控制。

这里列出了一些我所犯过的错误，希望您不要重滔覆辙。

1. 你不可能把所有的东西都记住

就算我查看了数小时的视频，并记录了大量的笔记。几个月后的我，仍然会忘却其中大部分的东西。所以，我翻阅了我的笔记，并将可回顾的东西制作成抽认卡（flashcard）（请往下看）

2. 使用抽认卡

为了解决善忘的问题，我制作了一些关于抽认卡的页面，用于添加两种抽认卡：正常的及带有代码的。每种卡都会有不同的格式设计。

而且，我还以移动设备为先去设计这些网页，以使得在任何地方的我，都能通过我的手机及平板去回顾知识。

你也可以免费制作属于你自己的抽认卡网站：

抽认卡页面的代码仓库
我的抽认卡数据库：有一点需要记住的是，我做事有点过头，以至于把卡片都覆盖到所有的东西上。从汇编语言和 Python 的细枝末节，乃至到机器学习和统计都被覆盖到卡片上。而这种做法，对于 Google 的要求来说，却是多余。

在抽认卡上做笔记： 若你第一次发现你知道问题的答案时，先不要急着把其标注成“已懂”。你需要做的，是去查看一下是否有同样的抽认卡，并在你真正懂得如何解决问题之前，多问自己几次。重复地问答可帮助您深刻记住该知识点。

3. 回顾，回顾，回顾

我留有一组 ASCII 码表、OSI 堆栈、Big-O 记号及更多的小抄纸，以便在空余的时候可以学习。

每编程半个小时就要休息一下，并去回顾你的抽认卡。

4. 专注

在学习的过程中，往往会有许多令人分心的事占据着我们宝贵的时间。因此，专注和集中注意力是非常困难的。

你所看不到的

由于，这个巨大的列表一开始是作为我个人从 Google 面试指导笔记所形成的一个事件处理列表。因此，有一些我熟悉且普遍的技术在此都未被谈及到：

SQL
Javascript
HTML、CSS 和其他前端技术

日常计划

部分问题可能会花费一天的时间去学习，而部分则会花费多天。当然，有些学习并不需要我们懂得如何实现。

因此，每一天我都会在下面所列出的列表中选择一项，并查看相关的视频。然后，使用以下的一种语言去实现：

C —— 使用结构体和函数，该函数会接受一个结构体指针 * 及其他数据作为参数。
C++ —— 不使用内建的数据类型。
C++ —— 使用内建的数据类型，如使用 STL 的 std::list 来作为链表。
Python ——  使用内建的数据类型（为了持续练习 Python），并编写一些测试去保证自己代码的正确性。有时，只需要使用断言函数 assert() 即可。
此外，你也可以使用 Java 或其他语言。以上只是我的个人偏好而已。

为何要在这些语言上分别实现一次？

因为可以练习，练习，练习，直至我厌倦它，并完美地实现出来。（若有部分边缘条件没想到时，我会用书写的形式记录下来并去记忆）
因为可以在纯原生的条件下工作（不需垃圾回收机制的帮助下，分配/释放内存（除了 Python））
因为可以利用上内建的数据类型，以使得我拥有在现实中使用内建工具的经验（在生产环境中，我不会去实现自己的链表）

就算我没有时间去每一项都这么做，但我也会尽我所能的。

在这里，你可以查看到我的代码：

C
C++
Python

你不需要记住每一个算法的内部原理。

在一个白板上写代码，而不要直接在计算机上编写。在测试完部分简单的输入后，到计算机上再测试一遍。

必备知识

计算机是如何处理一段程序：
- CPU 是如何执行代码（视频）
- 机器码指令（视频）
编译器
- 编译器是如何在 ~1 分钟内工作（视频）
- Hardvard CS50 —— 编译器（视频）
- C++（视频）
- 掌握编译器的优化（C++）（视频）
浮点数是如何存储的：
- 简单的 8-bit：浮点数的表达形式　—— 1（视频 —— 在计算上有一个错误 —— 详情请查看视频的介绍）
- 32 bit：IEEE754 32-bit 浮点二进制（视频）

算法复杂度 / Big-O / 渐进分析法

并不需要实现
Harvard CS50 —— 渐进表示（视频）
Big O 记号（通用快速教程）（视频）
Big O 记号（以及 Omega 和 Theta）—— 最佳数学解释（视频）
Skiena 算法：
- 视频
- 幻灯片
对于算法复杂度分析的一次详细介绍
增长阶数（Orders of Growth）（视频）
渐进性（Asymptotics）（视频）
UC Berkeley Big O（视频）
UC Berkeley Big Omega（视频）
平摊分析法（Amortized Analysis）（视频）
举证“Big O”（视频）
高级编程（包括递归关系和主定理）：
- 计算性复杂度：第一部
- 计算性复杂度：第二部
速查表（Cheat sheet）

如果部分课程过于学术性，你可直接跳到文章底部，去查看离散数学的视频以获取相关背景知识。

数据结构

数组（Arrays）
- 实现一个可自动调整大小的动态数组。
- 介绍：
  - 数组（视频）
  - 数组的基础知识（视频）
  - 多维数组（视频）
  - 动态数组（视频）
  - 不规则数组（视频）
  - 调整数组的大小（视频）
- 实现一个动态数组（可自动调整大小的可变数组）：
  - 练习使用数组和指针去编码，并且指针是通过计算去跳转而不是使用索引
  - 通过分配内存来新建一个原生数据型数组
    - 可以使用 int 类型的数组，但不能使用其语法特性
    - 从大小为16或更大的数（使用2的倍数 —— 16、32、64、128）开始编写
  - size() —— 数组元素的个数
  - capacity() —— 可容纳元素的个数
  - is_empty()
  - at(index) —— 返回对应索引的元素，且若索引越界则愤然报错
  - push(item)
  - insert(index, item) —— 在指定索引中插入元素，并把后面的元素依次后移
  - prepend(item) —— 可以使用上面的 insert 函数，传参 index 为 0
  - pop() —— 删除在数组末端的元素，并返回其值
  - delete(index) —— 删除指定索引的元素，并把后面的元素依次前移
  - remove(item) —— 删除指定值的元素，并返回其索引（即使有多个元素）
  - find(item) —— 寻找指定值的元素并返回其中第一个出现的元素其索引，若未找到则返回 -1
  - resize(new_capacity) // 私有函数
    - 若数组的大小到达其容积，则变大一倍
    - 获取元素后，若数组大小为其容积的1/4，则缩小一半
- 时间复杂度
  - 在数组末端增加/删除、定位、更新元素，只允许占 O(1) 的时间复杂度（平摊（amortized）去分配内存以获取更多空间）
  - 在数组任何地方插入/移除元素，只允许 O(n) 的时间复杂度
- 空间复杂度
  - 因为在内存中分配的空间邻近，所以有助于提高性能
  - 空间需求 = （大于或等于 n 的数组容积）* 元素的大小。即便空间需求为 2n，其空间复杂度仍然是 O(n)
链表（Linked Lists）
- 介绍：
  - 单向链表（视频）
  - CS 61B —— 链表（视频）
- C 代码（视频）
  - 并非看完整个视频，只需要看关于节点结果和内存分配那一部分即可
- 链表 vs 数组：
  - 基本链表 Vs 数组（视频）
  - 在现实中，链表 Vs 数组（视频）
- 为什么你需要避免使用链表（视频）
- 的确：你需要关于“指向指针的指针”的相关知识：（因为当你传递一个指针到一个函数时，该函数可能会改变指针所指向的地址）该页只是为了让你了解“指向指针的指针”这一概念。但我并不推荐这种链式遍历的风格。因为，这种风格的代码，其可读性和可维护性太低。
  - 指向指针的指针
- 实现（我实现了使用尾指针以及没有使用尾指针这两种情况）：
  - size() —— 返回链表中数据元素的个数
  - empty() —— 若链表为空则返回一个布尔值 true
  - value_at(index) —— 返回第 n 个元素的值（从0开始计算）
  - push_front(value) —— 添加元素到链表的首部
  - pop_front() —— 删除首部元素并返回其值
  - push_back(value) —— 添加元素到链表的尾部
  - pop_back() —— 删除尾部元素并返回其值
  - front() —— 返回首部元素的值
  - back() —— 返回尾部元素的值
  - insert(index, value) —— 插入值到指定的索引，并把当前索引的元素指向到新的元素
  - erase(index) —— 删除指定索引的节点
  - value_n_from_end(n) —— 返回倒数第 n 个节点的值
  - reverse() —— 逆序链表
  - remove_value(value) —— 删除链表中指定值的第一个元素
- 双向链表
  - 介绍（视频）
  - 并不需要实现
堆栈（Stack）
- 堆栈（视频）
- 使用堆栈 —— 后进先出（视频）
- 可以不实现，因为使用数组来实现并不重要
队列（Queue）
- 使用队列 —— 先进先出（视频）
- 队列（视频）
- 原型队列/先进先出（FIFO）
- 优先级队列（视频）
- 使用含有尾部指针的链表来实现:
  - enqueue(value) —— 在尾部添加值
  - dequeue() —— 删除最早添加的元素并返回其值（首部元素）
  - empty()
- 使用固定大小的数组实现：
  - enqueue(value) —— 在可容的情况下添加元素到尾部
  - dequeue() —— 删除最早添加的元素并返回其值
  - empty()
  - full()
- 花销：
  - 在糟糕的实现情况下，使用链表所实现的队列，其入列和出列的时间复杂度将会是 O(n)。因为，你需要找到下一个元素，以致循环整个队列
  - enqueue：O(1)（平摊（amortized）、链表和数组 [探测（probing）]）
  - dequeue：O(1)（链表和数组）
  - empty：O(1)（链表和数组）
哈希表（Hash table）
- 视频：
  - 链式哈希表（视频）
  - Table Doubling 和 Karp-Rabin（视频）
  - Open Addressing 和密码型哈希（Cryptographic Hashing）（视频）
  - PyCon 2010：The Mighty Dictionary（视频）
  - （进阶）随机取样（Randomization）：全域哈希（Universal Hashing）& 完美哈希（Perfect Hashing）（视频）
  - （进阶）完美哈希（Perfect hashing）（视频）
- 在线课程：
  - 哈希函数的掌握（视频）
  - 使用哈希表（视频）
  - 哈希表的支持（视频）
  - 哈希表的语言支持（视频）
  - 基本哈希表（视频）
  - 数据结构（视频）
  - 电话薄问题（Phone Book Problem）（视频）
  - 分布式哈希表：
    - Dropbox 中的瞬时上传及存储优化（视频）
    - 分布式哈希表（视频）
- 使用线性探测的数组去实现
  - hash(k, m) —— m 是哈希表的大小
  - add(key, value) —— 如果 key 已存在则更新值
  - exists(key)
  - get(key)
  - remove(key)

树（Trees）

树 —— 笔记 & 背景
- 系列：基本树（视频）
- 系列：树（视频）
- 基本的树形结构
- 遍历
- 操作算法
- BFS（广度优先检索，breadth-first search）
  - MIT（视频）
  - 层序遍历（使用队列的 BFS 算法）
    - 时间复杂度： O(n)
    - 空间复杂度：
      - 最好情况： O(1)
      - 最坏情况：O(n/2)=O(n)
- DFS（深度优先检索，depth-first search）
  - MIT（视频）
  - 笔记：
    - 时间复杂度：O(n)
    - 空间复杂度：
      - 最好情况：O(log n) - 树的平均高度
      - 最坏情况：O(n)
  - 中序遍历（DFS：左、节点本身、右）
  - 后序遍历（DFS：左、右、节点本身）
  - 先序遍历（DFS：节点本身、左、右）
二叉查找树（Binary search trees）：BSTs
- 二叉查找树概览（视频）
- 系列（视频）
  - 从符号表开始到 BST 程序
- 介绍（视频）
- MIT（视频）
- C/C++:
  - 二叉查找树 —— 在 C/C++ 中实现（视频）
  - BST 的实现 —— 在堆栈和堆中的内存分配（视频）
  - 在二叉查找树中找到最小和最大的元素（视频）
  - 寻找二叉树的高度（视频）
  - 二叉树的遍历 —— 广度优先和深度优先策略（视频）
  - 二叉树：层序遍历（视频）
  - 二叉树的遍历：先序、中序、后序（视频）
  - 判断一棵二叉树是否为二叉查找树（视频）
  - 从二叉查找树中删除一个节点（视频）
  - 二叉查找树中序遍历的后继者（视频）
- 实现：
  - insert // 往树上插值
  - get_node_count // 查找树上的节点数
  - print_values // 从小到大打印树中节点的值
  - delete_tree
  - is_in_tree // 如果值存在于树中则返回 true
  - get_height // 返回节点所在的高度（如果只有一个节点，那么高度则为1）
  - get_min // 返回树上的最小值
  - get_max // 返回树上的最大值
  - is_binary_search_tree
  - delete_value
  - get_successor // 返回给定值的后继者，若没有则返回-1
堆（Heap） / 优先级队列（Priority Queue） / 二叉堆（Binary Heap）
- 可视化是一棵树，但通常是以线性的形式存储（数组、链表）
- 堆
- 介绍（视频）
- 无知的实现（视频）
- 二叉树（视频）
- 关于树高的讨论（视频）
- 基本操作（视频）
- 完全二叉树（视频）
- 伪代码（视频）
- 堆排序 —— 跳到起点（视频）
- 堆排序（视频）
- 构建一个堆（视频）
- MIT：堆与堆排序（视频）
- CS 61B Lecture 24：优先级队列（视频）
- 构建线性时间复杂度的堆（大顶堆）
- 实现一个大顶堆：
  - insert
  - sift_up —— 用于插入元素
  - get_max —— 返回最大值但不移除元素
  - get_size() —— 返回存储的元素数量
  - is_empty() —— 若堆为空则返回 true
  - extract_max —— 返回最大值并移除
  - sift_down —— 用于获取最大值元素
  - remove(i) —— 删除指定索引的元素
  - heapify —— 构建堆，用于堆排序
  - heap_sort() —— 拿到一个未排序的数组，然后使用大顶堆进行就地排序
    - 注意：若用小顶堆可节省操作，但导致空间复杂度加倍。（无法做到就地）
字典树（Tries）
- 需要注意的是，字典树各式各样。有些有前缀，而有些则没有。有些使用字符串而不使用比特位来追踪路径。
- 阅读代码，但不实现。
- 数据结构笔记及编程技术
- 短课程视频：
  - 对字典树的介绍（视频）
  - 字典树的性能（视频）
  - 实现一棵字典树（视频）
- 字典树：一个被忽略的数据结构
- 高级编程 —— 使用字典树
- 标准教程（现实中的用例）（视频）
- MIT，高阶数据结构，使用字符串追踪路径（可事半功倍）
平衡查找树（Balanced search trees）
- 掌握至少一种平衡查找树（并懂得如何实现）：
- “在各种平衡查找树当中，AVL 树和2-3树已经成为了过去，而红黑树（red-black trees）看似变得越来越受人青睐。这种令人特别感兴趣的数据结构，亦称伸展树（splay tree）。它可以自我管理，且会使用轮换来移除任何访问过根节点的 key。” —— Skiena
- 因此，在各种各样的平衡查找树当中，我选择了伸展树来实现。虽然，通过我的阅读，我发现在 Google 的面试中并不会被要求实现一棵平衡查找树。但是，为了胜人一筹，我们还是应该看看如何去实现。在阅读了大量关于红黑树的代码后，我才发现伸展树的实现确实会使得各方面更为高效。
  - 伸展树：插入、查找、删除函数的实现，而如果你最终实现了红黑树，那么请尝试一下：
  - 跳过删除函数，直接实现搜索和插入功能
- 我希望能阅读到更多关于 B 树的资料，因为它也被广泛地应用到大型的数据库当中。
- 自平衡二叉查找树
- AVL 树
  - 实际中：我能告诉你的是，该种树并无太多的用途，但我能看到有用的地方在哪里：AVL 树是另一种平衡查找树结构。其可支持时间复杂度为 O(log n) 的查询、插入及删除。它比红黑树严格意义上更为平衡，从而导致插入和删除更慢，但遍历却更快。正因如此，才彰显其结构的魅力。只需要构建一次，就可以在不重新构造的情况下读取，适合于实现诸如语言字典（或程序字典，如一个汇编程序或解释程序的操作码）。
  - MIT AVL 树 / AVL 树的排序（视频）
  - AVL 树（视频）
  - AVL 树的实现（视频）
  - 分离与合并
- 伸展树
  - 实际中：伸展树一般用于缓存、内存分配者、路由器、垃圾回收者、数据压缩、ropes（字符串的一种替代品，用于存储长串的文本字符）、Windows NT（虚拟内存、网络及文件系统）等的实现。
  - CS 61B：伸展树（Splay trees）（视频）
  - MIT 教程：伸展树（Splay trees）：
    - 该教程会过于学术，但请观看到最后的10分钟以确保掌握。
    - 视频
- 2-3查找树
  - 实际中：2-3树的元素插入非常快速，但却有着查询慢的代价（因为相比较 AVL 树来说，其高度更高）。
  - 你会很少用到2-3树。这是因为，其实现过程中涉及到不同类型的节点。因此，人们更多地会选择红黑树。
  - 2-3树的直感与定义（视频）
  - 2-3树的二元观点
  - 2-3树（学生叙述）（视频）
- 2-3-4树 (亦称2-4树)
  - 实际中：对于每一棵2-4树，都有着对应的红黑树来存储同样顺序的数据元素。在2-4树上进行插入及删除操作等同于在红黑树上进行颜色翻转及轮换。这使得2-4树成为一种用于掌握红黑树背后逻辑的重要工具。这就是为什么许多算法引导文章都会在介绍红黑树之前，先介绍2-4树，尽管2-4树在实际中并不经常使用。
  - CS 61B Lecture 26：平衡查找树（视频）
  - 自底向上的2-4树（视频）
  - 自顶向下的2-4树（视频）
- B 树
  - 有趣的是：为啥叫 B 仍然是一个神秘。因为 B 可代表波音（Boeing）、平衡（Balanced）或 Bayer（联合创造者）
  - 实际中：B 树会被广泛适用于数据库中，而现代大多数的文件系统都会使用到这种树（或变种)。除了运用在数据库中，B 树也会被用于文件系统以快速访问一个文件的任意块。但存在着一个基本的问题，那就是如何将文件块 i 转换成一个硬盘块（或一个柱面-磁头-扇区）上的地址。
  - B 树
  - B 树的介绍（视频）
  - B 树的定义及其插入操作（视频）
  - B 树的删除操作（视频）
  - MIT 6.851 —— 内存层次模块（Memory Hierarchy Models）（视频）
    - 覆盖有高速缓存参数无关型（cache-oblivious）B 树和非常有趣的数据结构
    - 头37分钟讲述的很专业，或许可以跳过（B 指块的大小、即缓存行的大小）
- 红黑树
  - 实际中：红黑树提供了在最坏情况下插入操作、删除操作和查找操作的时间保证。这些时间值的保障不仅对时间敏感型应用有用，例如实时应用，还对在其他数据结构中块的构建非常有用，而这些数据结构都提供了最坏情况下的保障；例如，许多用于计算几何学的数据结构都可以基于红黑树，而目前 Linux 系统所采用的完全公平调度器（the Completely Fair Scheduler）也使用到了该种树。在 Java 8中，红黑树也被用于存储哈希列表集合中相同的数据，而不是使用链表及哈希码。
  - Aduni —— 算法 —— 课程4（该链接直接跳到开始部分）（视频）
  - Aduni —— 算法 —— 课程5（视频）
  - 黑树（Black Tree）
  - 二分查找及红黑树的介绍
N 叉树（K 叉树、M 叉树）
- 注意：N 或 K 指的是分支系数（即树的最大分支数）：
  - 二叉树是一种分支系数为2的树
  - 2-3树是一种分支系数为3的树
- K 叉树

排序（Sorting）

笔记:
- 实现各种排序 & 知道每种排序的最坏、最好和平均的复杂度分别是什么场景:
  - 不要用冒泡排序 - 大多数情况下效率感人 - 时间复杂度 O(n^2), 除非 n <= 16
- 排序算法的稳定性 (“快排是稳定的么?”)
  - 排序算法的稳定性
  - 排序算法的稳定性
  - 排序算法的稳定性
  - 排序算法的稳定性
  - 排序算法 - 稳定性
- 哪种排序算法可以用链表？哪种用数组？哪种两者都可？
  - 并不推荐对一个链表排序，但归并排序是可行的.
  - 链表的归并排序
关于堆排序，请查看前文堆的数据结构部分。堆排序很强大，不过是非稳定排序。
冒泡排序 (video)
冒泡排序分析 (video)
插入排序 & 归并排序 (video)
插入排序 (video)
归并排序 (video)
快排 (video)
选择排序 (video)
斯坦福大学关于排序算法的视频:
- 课程 15 | 编程抽象 (video)
- 课程 16 | 编程抽象 (video)
Shai Simonson 视频, Aduni.org:
- 算法 - 排序 - 第二讲 (video)
- 算法 - 排序2 - 第三讲 (video)
Steven Skiena 关于排序的视频:
- 课程从 26:46 开始 (video)
- 课程从 27:40 开始 (video)
- 课程从 35:00 开始 (video)
- 课程从 23:50 开始 (video)
加州大学伯克利分校（UC Berkeley）大学课程:
- CS 61B 课程 29: 排序 I (video)
- CS 61B 课程 30: 排序 II (video)
- CS 61B 课程 32: 排序 III (video)
- CS 61B 课程 33: 排序 V (video)
- 归并排序:
- 使用外部数组
- 对原数组直接排序
- 快速排序:
- 实现
- 实现
实现:
- 归并：平均和最差情况的时间复杂度为 O(n log n)。
- 快排：平均时间复杂度为 O(n log n)。
- 选择排序和插入排序的最坏、平均时间复杂度都是 O(n^2)。
- 关于堆排序，请查看前文堆的数据结构部分。
有兴趣的话，还有一些补充 - 但并不是必须的:
- 基数排序
- 基数排序 (video)
- 基数排序, 计数排序 (线性时间内) (video)
- 随机算法: 矩阵相乘, 快排, Freivalds’ 算法 (video)
- 线性时间内的排序 (video)

图（Graphs）

图论能解决计算机科学里的很多问题，所以这一节会比较长，像树和排序的部分一样。

Yegge 的笔记:
- 有 3 种基本方式在内存里表示一个图:
  - 对象和指针
  - 矩阵
  - 邻接表
- 熟悉以上每一种图的表示法，并了解各自的优缺点
- 宽度优先搜索和深度优先搜索 - 知道它们的计算复杂度和设计上的权衡以及如何用代码实现它们
- 遇到一个问题时，首先尝试基于图的解决方案，如果没有再去尝试其他的。
Skiena 教授的课程 - 很不错的介绍:
- CSE373 2012 - 课程 11 - 图的数据结构 (video)
- CSE373 2012 - 课程 12 - 广度优先搜索 (video)
- CSE373 2012 - 课程 13 - 图的算法 (video)
- CSE373 2012 - 课程 14 - 图的算法 (1) (video)
- CSE373 2012 - 课程 15 - 图的算法 (2) (video)
- CSE373 2012 - 课程 16 - 图的算法 (3) (video)
图 (复习和其他):
- 6.006 单源最短路径问题 (video)
- 6.006 Dijkstra 算法 (video)
- 6.006 Bellman-Ford 算法(video)
- 6.006 Dijkstra 效率优化 (video)
- Aduni: 图的算法 I - 拓扑排序, 最小生成树, Prim 算法 - 第六课 (video)
- Aduni: 图的算法 II - 深度优先搜索, 广度优先搜索, Kruskal 算法, 并查集数据结构 - 第七课 (video)
- Aduni: 图的算法 III: 最短路径 - 第八课 (video)
- Aduni: 图的算法. IV: 几何算法介绍 - 第九课 (video)
- CS 61B 2014 (从 58:09 开始) (video)
- CS 61B 2014: 加权图 (video)
- 贪心算法: 最小生成树 (video)
- 图的算法之强连通分量 Kosaraju 算法 (video)
完整的 Coursera 课程:
- 图的算法 (video)
Yegge: 如果有机会，可以试试研究更酷炫的算法:
- Dijkstra 算法 - 上文 - 6.006
- A* 算法
  - A* 算法
  - A* 寻路教程 (video)
  - A* 寻路 (E01: 算法解释) (video)
我会实现:
- DFS 邻接表 (递归)
- DFS 邻接表 (栈迭代)
- DFS 邻接矩阵 (递归)
- DFS 邻接矩阵 (栈迭代)
- BFS 邻接表
- BFS 邻接矩阵
- 单源最短路径问题 (Dijkstra)
- 最小生成树
- 基于 DFS 的算法 (根据上文 Aduni 的视频):
  - 检查环 (我们会先检查是否有环存在以便做拓扑排序)
  - 拓扑排序
  - 计算图中的连通分支
  - 列出强连通分量
  - 检查双向图

可以从 Skiena 的书（参考下面的书推荐小节）和面试书籍中学习更多关于图的实践。

坚持完成这套学习手册，你就可以去 Google 面试了

这是？

目录

为何要用到它？

如何使用它

拥有一名 Googler 的心态

我得到了工作吗？

跟随着我

不要自以为自己足够聪明

关于 Google

相关视频资源

面试过程 & 通用的面试准备

为你的面试选择一种语言

在你开始之前

1. 你不可能把所有的东西都记住

2. 使用抽认卡

3. 回顾，回顾，回顾

4. 专注

你所看不到的

日常计划

必备知识

算法复杂度 / Big-O / 渐进分析法

数据结构

数组（Arrays）

链表（Linked Lists）

堆栈（Stack）

队列（Queue）

哈希表（Hash table）

更多的知识

二分查找（Binary search）

按位运算（Bitwise operations）

树（Trees）

树 —— 笔记 & 背景

二叉查找树（Binary search trees）：BSTs

堆（Heap） / 优先级队列（Priority Queue） / 二叉堆（Binary Heap）

字典树（Tries）

平衡查找树（Balanced search trees）

N 叉树（K 叉树、M 叉树）

排序（Sorting）

图（Graphs）

更多知识

递归（Recursion）

动态规划（Dynamic Programming）

组合（Combinatorics） (n 中选 k 个) & 概率（Probability）

NP, NP-完全和近似算法

你可能感兴趣的:(坚持完成这套学习手册，你就可以去 Google 面试了)