python实现算法与数据结构基础-链表、栈、队列、排序算法、二分查找、二叉树
目录
-
- 1、算法的概念
-
- 1.1 举例：
- 1.2 算法的五大特性：
- 1.3 时间复杂度
- 1.4 空间复杂度
- 2、数据结构
-
- 2.1 内存的存储结构
- 2.2 数据结构的分类
- 2.3 顺序表存储方式
- 3、链表
-
- 3.1链表实现
- 3.2链表的方法
- 3.3链表增加节点
- 3.4链表删除节点
- 3.5链表总结
- 4、栈
-
- 4.1 栈的介绍
- 4.2 栈的代码实现
- 5、队列
-
- 5.1 队列的介绍
- 5.2 队列的代码实现
- 6、双端队列
- 7、数据结构与算法_排序算法
-
- 7.1 排序算法的稳定性
- 7.2 冒泡排序
- 7.3 选择排序
- 7.4 插入排序
- 7.5 快速排序
- 8、数据结构与算法_二分查找
-
- 8.1 二分查找
- 9、数据结构与算法_二叉树
-
- 9.1 树的概念
- 9.2 树的种类和存储方式
- 9.3 树的应用场景
- 9.4 二叉树的概念和性质
- 9.5 二叉树的广度优先遍历
- 9.6 二叉树的三种深度优先遍历
1、算法的概念
算法与数据结构作用：大大提升程序的性能。（战役中的兵法）
数据结构：存储、组织数据的方式
相同的数据不同的组织方式就是数据结构。（[老王，18，男]或者{name:‘老王’，age:18,sex:‘男’}）
算法：为了实习业务目的的各种方法和思路
算法独立存在，代码只是实现算法思想的方式而已。（例如穷举法，可以C语言实现也可以python代码实现）
算法概念：
1.1 举例：
若a+b+c =1000,且a^2+b ^2 =c ^2，如何求出所有abc的可能组合
#穷举法
#1，列举所有可能取值，2，判断是否满足条件
import time
start_time = time.time()
for a in range(0,1001):
for b in range(0,1001):
for c in range(0,1001):
if a**2+b**2 == c**2 and a+b+c==1000:
print('a b c:',a,b,c)
end_time = time.time()
cost_time = end_time-start_time
print(cost_time)
统计运行的时间：time.time()
1.2 算法的五大特性：
- 输入。0个或多个输入
- 输出。算法至少有1个或者多个输出
- 有穷性：算法在有限的步骤之后会自动结束而不会无限循环，并且每一个步骤可以在可接受的时间内完成
- 确定性：算法中的每一步都有确定的含义，不会出现二义性
- 可行性：算法的每一步都是可行的，即每一步都能够执行有限次数完成
#方法二：在知道abc关系了，所以不用再对c遍历
import time
start_time = time.time()
for a in range(0,1001):
for b in range(0,1001):
c= 1000-a-b
if a**2+b**2 == c**2 :
print('a b c:',a,b,c)
end_time = time.time()
cost_time = end_time-start_time
print(cost_time)
实现算法程序的执行时间可以反应出算法的优劣
代码执行总时间 = 操作步骤数量*操作步骤执行时间
1.3 时间复杂度
时间复杂度可以表示一个算法随着问题规模不断变化的最主要趋势
衡量到算法的量级即可。大O记法
方法一的时间复杂度：T(n) = O(n^3)
方法二的时间复杂度：T(n) = O(n^2)
最优时间复杂度：算法完成工作最少需要多少基本操作。价值不大
最坏时间复杂度：算法完成工作最多需要多少基本操作。一种保证
平均时间复杂度：算法完成工作平均需要多少基本操作。一种全面评价
1.4 空间复杂度
空间复杂度：一个算法在运行过程中临时占用存储空间大小的度量
算法的时间复杂度和空间复杂度合称为算法的复杂度
2、数据结构
数据结构作用：数据结构是存储、组织数据的方式。数据结构是指相互之间存在一种或多种特定关系的数据元素的集合。
数据结构：静态的描述了数据元素之间的关系
高效的程序需要需要在数据结构的基础上设计和选择算法
算法是为了解决实际问题而设计的，数据结构是算法需要处理问题的载体
数据结构+算法 = 程序
2.1 内存的存储结构
内存是以字节为基本存储单位的（1024b=1kb），每个基本存储空间都有自己的地址。内存地址是连续的
整型：占4个字节
字符：1个字节
2.2 数据结构的分类
线性结构和非线性结构
线性结构：表中各个结点具有线性关系。（栈，队列等）
线性结构：表中各个结点具有多个对应关系。（树结构，图结构等）
2.3 顺序表存储方式
线性结构的实际存储方式，分为：顺序表和链表
顺序表：将元素顺序地存放在一块连续的存储区里，元素间的顺序关系由他们的存储顺序自然表示
链表：通过链接构造起来的一系列存储块中，存储区是非连续的。
顺序表存储数据的两种情况：一体式结构、分离式结构
顺序表的完整信息：数据区与信息区（元素存储区的容量和当前表中已有的元素个数）
顺序表删除元素：
3、链表
3.1链表实现
链表：不需要连续的存储空间
存储地址，保证了能找到下一个存储地址
顺序表是一个连续的存储空间
#链表结点实现
class SingleNode(object):
def __init__(self,item):
#item:存放元素 next:标识下一个结点
self.item = item
self.next = None
#结点
node1 = SingleNode(10)
print(node1.item)
print(node1.next)
#单链表的实现
class SingleLinkList(object):
def __init__(self,node=None):
#head:首节点
self.head=node
#链表
link1 = SingleLinkList()
print(link1.head)
link2 = SingleLinkList(node1)
print(link2.head.item) #输出10
链表：不需要连续的存储空间
实现链表：结点类；单链表类（由多个节点组成）
3.2链表的方法
链表的判空：看head是否为空
链表的长度测量：增加一个游标cur和一个计数count
链表的遍历：游标cur经过的每个元素都打印出来
#链表结点实现
class SingleNode(object):
def __init__(self,item):
#item:存放元素 next:标识下一个结点
self.item = item
self.next = None
#单链表的实现
class SingleLinkList(object):
def __init__(self,node=None):
#head:首节点
self.head=node
#判断链表是否为空
def is_empty(self):
if self.head is None:
return True
else:
return False
#获取链表长度
def length(self):
cur = self.head #游标记录当前所在位置
count = 0 #记录链表长度
while cur is not None:
cur = cur.next
count+=1
return count
#遍历链表
def travel(self):
cur = self.head
while cur is not None:
print(cur.item)
cur = cur.next
if __name__ =='__main__':
node1 = SingleNode(10)
#链表
link1 = SingleLinkList()
#判空
print(link1.is_empty())
#长度
print(link1.length())
#遍历
link1.travel()
3.3链表增加节点
三种情况：链表头部增加结点add(item)、尾部增加结点append(item)、指定位置增加结点insert(item)
1,链表头部增加结点add(item)
先新结点指向原头部
再头部head指向新结点
2,尾部增加结点append(item)
找到尾结点，让尾结点指向新结点
while cur.next is not None
cur = cur.next
cur.next = new_node
3,指定位置增加结点insert(item)
第一步：找到插入位置的前一个结点，
while count
count +=1
第二步：插入新结点
node.next = cur.next
cur.next = node
#链表结点实现
class SingleNode(object):
def __init__(self,item):
#item:存放元素 next:标识下一个结点
self.item = item
self.next = None
#单链表的实现
class SingleLinkList(object):
def __init__(self,node=None):
#head:首节点
self.head=node
#头部增加结点
def add(self,item):
#新结点存储数据
node = SingleNode(item)
node.next = self.head
self.head = node
#尾部增加结点
def append(self,item):
node = SingleNode(item)
#判断是否为空链表
if self.is_empty():
self.head = node
else:
cur = self.head
while cur.next is not None:
cur = cur.next
cur.next = node
#指定位置增加结点
def insert(self,pos,item):
#新结点
node = SingleNode(item)
if pos <=0: #头部增加新结点
self.add(item)
elif pos>=self.length(): #尾部增加新结点
self.append(item)
else:
#游标
cur = self.head
#计数
count = 0
#找到插入位置的前一个结点，
while count <pos-1:
cur = cur.next
count +=1
#插入新结点
node.next = cur.next
cur.next = node
if __name__ =='__main__':
node1 = SingleNode(10)
#链表
link1 = SingleLinkList()
#头部增加节点
link1.add(9)
#尾部增加结点
link1.append(11)
#指定位置增加结点
link1.insert(100,0)
link1.travel()
3.4链表删除节点
remove(item)删除节点
search(item)查找结点是否存在
remove()在头部找到要删除的元素：
cur = head
pre = None
while cur is not None:
if cur.item == item:
#要删除元素在头部
if cur ==head:
head = cur.next
#要删除元素不在头部
else:
pre.next = cur.next
return
#链表结点实现
class SingleNode(object):
def __init__(self,item):
#item:存放元素 next:标识下一个结点
self.item = item
self.next = None
#单链表的实现
class SingleLinkList(object):
def __init__(self,node=None):
#head:首节点
self.head=node
#删除节点
def remove(self,item):
cur = self.head #游标
while cur is not None:
if cur.item ==item: #找到了删除元素
if cur == self.head: #要删除的在头部
self.head = cur.next
else: #要删除的不在头部
pre.next = cur.next
return
else: #没找到要删除元素
pre = cur
cur = cur.next
#查找结点是否存在
def search(self,item):
cur = self.head
while cur is not None:
if cur.item ==item:
return True
cur= cur.next
return False
if __name__ =='__main__':
node1 = SingleNode(10)
#链表
link1 = SingleLinkList()
#头部增加节点
link1.add(9)
#尾部增加结点
link1.append(11)
#指定位置增加结点
link1.insert(100,0)
link1.travel()
#删除元素
link1.remove(9)
link1.travel()
#查找结点是否存在
print(link1.search(11))
print(link1.search(9))
3.5链表总结
线性结构：最多只能有一个前驱结点和一个后继结点
非线性结构：可以有多个前驱结点和一个后继结点
线性结构：顺序表、链表
顺序表：元素顺序地存放在一块连续的存储区里，元素间的顺序关系由他们的存储顺序自然表示
链表：将元素存放在通过链接构造起来的一系列存储块中，存储空间非连续
4、栈
4.1 栈的介绍
栈：运算受限的线性表，其限制是仅允许在表的一端进行插入和删除运算，这一端为栈顶，另一端为栈底。特点：先进后出
栈是计算机系统CPU结构里的一部分
栈的作用：局部变量的方便存储和及时销毁
4.2 栈的代码实现
借助链表
所以选择尾部进行增删操作
class Stack(object):
"""栈：先进后出"""
def __init__(self):
self.__items = []
def push(self):
"""进栈"""
self.__items.append(item)
def pop(self):
"""出栈"""
self.__items.pop()
def trave(self):
"""遍历"""
for i in self.__items:
print(i)
my_stack = Stack()
my_stack.push(1)
my_stack.push(1)
my_stack.push(1)
my_stack.trave() #输出1\n 2\n 3\n
#出栈
my_stack.pop()
my_stack.trave() #输出1\n 2\n
5、队列
5.1 队列的介绍
队列：一种特殊的线性表，特殊之处在于它只允许表的头部进行删除操作，表的尾部进行插入操作，是一种操作受限制的线性表，进行插入操作的端为队尾，进行删除操作的端为队头
队列的作用：任务处理类系统（多个任务发起，先存储起来，排队一个一个进行处理，起到了缓冲压力的作用）
5.2 队列的代码实现
此时选择对头队尾，复杂度都一样了，o(1)+o(n)
Class Queue(object):
def __init__(self):
#存储数据，线性表
self.items = []
#enqueue(item)队列尾部添加元素
def enqueue(self,item):
self.items.append(item)
#dequeue(item)队列头添加元素
def dequeue(self,item):
self.items.pop(0)
#is_empty()判断队列是否为空
def is_empty()(self):
return self.items == []
#size()返回队列的大小
def size(self):
return len(self.items)
q = Queue()
#添加数据
q.enqueue(1)
q.enqueue(2)
q.enqueue(3)
for i in q.items:
print(i) #输出：1\n2\n3\n
#删除数据
q.dequeue()
for i in q.items:
print(i) #输出：2\n3\n
print(q.is_empty())
print(q.size())
6、双端队列
双端队列：是一种具有队列和栈的数据结构。元素可以任意从两端进行插入和删除操作。
Class Deque(object):
def __init__(self):
self.items = []
def is_empty(self): #判断是否为空
return self.items == []
def size(self): #大小
return len(self.items)
def add_front(self,item): #头部添加数据
self.items.insert(0,item)
def add_rear(self,item): #尾部添加数据
self.items.append(item)
def remove_front(self,item): #头部删除数据
self.items.pop(0)
def remove_rear(self,item): #尾部删除数据
self.items.pop()
deque = Deque()
print(deque.is_empty())
print(deque.size())
#添加数据
deque.add_front(1)
deque.add_front(2)
deque.add_rear(3)
deque.add_rear(4)
for i in q.items:
print(i) #输出：2\n1\n3\n4\n
#删除数据
deque.remove_front()
deque.remove_rear()
for i in q.items:
print(i) #输出：1\n3\n
7、数据结构与算法_排序算法
7.1 排序算法的稳定性
排序：使得一串记录，按照其中的某个或某些关键字的大小，递增或递减的排列起来
排序算法：如何使得这一串记录按照要求排列的方法
算法的稳定性：
对于具有相同的关键词的记录，他们的相对次序不变，即这种算法是稳定的，否则是不稳定的
不稳定的排序算法：选择排序、快速排序、希尔排序、堆排序
稳定的排序算法：冒泡排序、插入排序、归并排序和基数排序
7.2 冒泡排序
冒泡排序：重复地走访过要排序的元素列，依次比较两个相邻的元素，如果元素排序错误就交换过来。重复进行直到没有相邻元素需要交换为止
代码实现：
def bubble_sort(alist):
"""冒泡排序"""
n=len(alist)
for j in range(0,n-1):
count =0
for i in range(0,n-j-1): #控制每一轮的比较次数
#比较相邻两数字，不符合要求便交换位置
if alist[i]>alist[i+1]:
alist[i],alist[i+1] =alist[i+1],alist[i]
count +=1
if count == 0: #如果遍历一轮后没有数字交换，就退出循环，防止浪费资源
break
if __name__ == '__main__':
alist = [5,3,4,7,2]
bubble_sort(alist)
print(alist)
冒泡排序：
时间复杂度：o(n^2)
最优时间复杂度 ：o(n) 最少也需要遍历一遍
算法稳定性：稳定算法 （if alist[i]>alist[i+1]中如果是>= ,则不是稳定算法）
7.3 选择排序
选择排序：第一次从待排序的数据元素中选出最小（大）的一个元素，存放在序列的起始位置，然后再从剩余的未排序元素中寻找到最小（大）元素，放到已排序的序列末尾，依次类推，直到全部排序完
def select_sort(alist):
"""选择排序"""
n = len(alist) #列表的长度
for j in range(0,n):
min_index = j #假定的最小值下标
for i in range(j+1,n):
if alist[i] < alist[min_index]: #进行比较获得最小值的下标
min_index = i
if min_index !=j:
alist[min_index],alist[j] = alist[j],alist[min_index]
if __name__ == '__main__':
alist = [1,5,3,4,7,2]
select_sort(alist)
print(alist)
选择排序：
时间复杂度：o(n^2)
最优时间复杂度 ：o(n^2)
算法稳定性：不稳定算法
7.4 插入排序
插入排序：将一个数据插入到已经排好序的有序数据中，从而得到一个新的，个数加一的有序数据，算法适用于少量数据的排序。排序时将第一个数作为有序数据
def insert_sort(alist):
"""插入排序"""
n = len(alist) #列表长度
for j in range(1,n): #控制轮数
for i in range(j,0,-1):#找到合适的位置安放我们的无序数据[j,j-1,j-2,...1]
if alist[i]<alist[i-1]:
alist[i],alist[i-1] =alist[i-1],alist[i]
else:
break
if __name__ == '__main__':
alist = [1,5,3,4,7,2]
insert_sort(alist)
print(alist)
插入排序： 快速排序： 算法稳定性：不稳定算法 查找算法vs排序算法 递归版本： 非递归版本： 二分查找： 数据结构分为线性结构和非线性结构 树的术语： 不同种类的树有不同的作用 二叉树的种类： 完全二叉树：对于一颗深度为d(d>1)的二叉树，除d层外，其他各层的节点数目均已达到最大值，且第d层所有节点从左向右连续地紧密排列，这样的二叉树为完全二叉树。其中满二叉树是所有叶节点都在最底层的完全二叉树 平衡二叉树：当且仅当任何节点的两个子树的高度差不大于1的二叉树 排序二叉树：又称二叉查找树，有序二叉树。满足对任何节点，若左子树不空，则左子树上所有节点的值均小于它的根节点的值。若右子树不空，则右子树上所有节点的值均大于它的根节点的值。 二叉树的存储：顺序存储、链式存储 顺序存储：将数据结构存储在固定的数组中，在遍历速度上有一定的优势，但所占空间大，是非主流二叉树的存储方式 链式存储：由于对节点的个数无法掌握，常见树的存储表示都转换为二叉树进行处理，子节点个数最多为2 数据库索引： 二叉树：每个节点最多有两个子树的树结构 完全二叉树的代码实现：
时间复杂度：o(n^2) – 降序数据变成升序
最优时间复杂度 ：o(n) – 原本就是升序数据
算法稳定性：稳定算法 （if alist[i]7.5 快速排序
def quick_sort(alist,start,end):
"""快速排序"""
#递归的结束条件
if start>=end:
return
#界限值
mid = alist[start]
#左右游标
left = start
right = end
while left <right:
while alist[right]>=mid and left<right : #从右边开始找寻小于mid的值，归类到左边
right -=1
slist[left] = alist[right]
while alist[left]<mid and left<right:
left +=1
slist[right] = alist[left]
#循环一旦结束了，证明找到了mid应该在的位置
alist[left] = mid
#递归操作
quick_sort(alist,start,left-1)
quick_sort(alist,right+1,end)
if __name__ == '__main__':
alist = [1,5,3,4,7,2]
quick_sort(alist,0,len(alist)-1)
print(alist)
时间复杂度：o(n^2)
最优时间复杂度 ：o(nlogn)
8、数据结构与算法_二分查找
8.1 二分查找
二分查找：折半查找，是一种效率较高的查找方法
原理：将数组分成三部分，依次是中值前，中值，中值后，将要查找的值与中值进行比较，若小于中值则在中值前找，大于中值则在中值后面找
二分查找的要求：必须采用顺序存储结构，必须按照关键字大小有序排列def binary_search(alist,item):
"""二分查找"""
#数列长度
n = len(alist)
#递归的结束条件，一定要记得写
if n==0:
return False
#中间值
mid = n//2 ##除出来取整，5//2=2
if item == alist[mid]:
return True
else item <alist[mid]:
return binary_search(alist[0:mid],item) #用递归，return返回过来
else item <alist[mid]:
return binary_search(alist[mid+1:],item)
if __name =='__main__':
alist[1,2,3,4,5]
print(binary_search(alist,1)) #输出：True
print(binary_search(alist,100)) #输出：False
def binary_search(alist,item):
"""二分查找"""
#设置起始位置，来获取中间值.起始位置不断在变
start = 0
end = len(alist) -1
while start<=end:
#获取中间值
mid = (start+end)//2
if item == alist[mid]:
return True
else item <alist[mid]:
end = mid-1
else item >alist[mid]:
start = mid+1
return False
if __name =='__main__':
alist[1,2,3,4,5]
print(binary_search(alist,1)) #输出：True
print(binary_search(alist,100)) #输出：False
最差时间复杂度：o(logn)
最优时间复杂度 ：o(1)9、数据结构与算法_二叉树
9.1 树的概念
非线性结构–树等（一个结点元素可能对应多个直接前驱和多个后继）
线性结构–顺序表、单向链表等（数据元素之间存在着“一对一”的线性关系的数据结构）
树：非线性结构。用来模拟具有树状结构性质的数据集合，它是由有限个节点组成一个具有层次关系的集合。倒挂的树
1，每个节点有零个或多个子节点
2，没有父节点的节点称为根节点
3，每一个非根节点有且只有一个父节点
4，除了根节点外，每个子节点可以分为多个不相交的子树
9.2 树的种类和存储方式
有序树：霍夫曼树（用于信息编码）、B树、二叉树
二叉树：每个节点最多含有两个子树的树
排序二叉树包括空树
二叉树的常用存储方式：链式存储（每个结点有两个指针域）9.3 树的应用场景
若没有索引，时间复杂度为O(n)，加上索引后，类似二分查找，时间复杂度变为o(logn)9.4 二叉树的概念和性质
性质3：叶节点即终端节点，性质3给出了叶节点数与度数为2 的节点总数之间的关系
性质4即性质2求反
性质5：
9.5 二叉树的广度优先遍历
广度优先VS 深度优先：
广度优先遍历代码：Class Node(object):
"""节点类"""
def __init__(self,item):
self.item = item
self.lchild = None
self.rchild = None
Class BinaryTree(object):
"""完全二叉树"""
def __init__(self,node=None):
self.root = node
def add(self,item): #添加节点
if self.root == None:
self.root = Node(item)
return
queue = []
#从尾部添加数据
queue.append(self.root)
while True:
#从头部取出数据
node = queue.pop(0)
#判断左节点是否为空
if node.Lchild == None:
node.lchild = Node(item)
return
else:
queue.append(node.lchild)
if node.rchild == None:
node.rchild = Node(item)
return
else:
queue.append(node.rchild)
def breadh_travel(self): #广度优先遍历
if self.root == None:
return
#列表
queue = []
queue.append(self.root) #添加数据
while len(queue)>0:
node = queue.pop(0)#取出数据
print(node.item,end="")
#判断左右子节点是否为空
if node.lchild is not None:
queue.append(node.lchild)
if node.rchild is not None:
queue.append(node.rchild)
if __name__ == '__main__':
tree = BinaryTree()
tree.add("A")
tree.add("B")
tree.add("C")
tree.breadh_travel()
9.6 二叉树的三种深度优先遍历
Class Node(object):
"""节点类"""
def __init__(self,item):
self.item = item
self.lchild = None
self.rchild = None
Class BinaryTree(object):
"""完全二叉树"""
def __init__(self,node=None):
self.root = node
def add(self,item): #添加节点
。。。。省略，见上一个代码
def preorder_travel(self,root):
"""先序遍历 根左右"""
if root is not None:
print(root.item,end="")
self.preorder_travel(root.lchild)
self.preorder_travel(root.rchild)
def inorder_travel(self,root):
"""中序遍历 左根右"""
if root is not None:
self.inorder_travel(root.lchild)
print(root.item,end="")
self.inorder_travel(root.rchild)
def postorder_travel(self,root):
"""后序遍历 左右根"""
if root is not None:
self.postorder_travel(root.lchild)
self.postorder_travel(root.rchild)
print(root.item,end="")
if __name__ == '__main__':
tree = BinaryTree()
tree.add("0")
tree.add("1")
tree.add("2")
tree.add("3")
tree.add("4")
tree.add("5")
tree.add("6")
tree.add("7")
tree.add("8")
tree.add("9")
tree.preorder_travel(tree.root) #输出：0137849256
print()
tree.preorder_travel(tree.root) #输出：7381940526
print()
tree.preorder_travel(tree.root) #输出：7839415620
print()