数据结构小结

数组

• 数组是一种非常常见的线性数据结构
• 它最大的特点是使用一组连续的内存空间，存储一组相同类型的数据：

数组的存储形式.jpg

• 之所以强调相同类型，是因为相同的类型的数据会占据相等的存储空间，因此就可以通过计算直接获取内存地址。
• 优点：数组最大的特性，是支持随机访问，即可以通过索引直接访问某个数据
• 数组的访问性能非常高，还有一个原因是在硬件层面有CPU的高速缓存（cache）提升性能
• 缺点：数组的添加、删除的性能很低，因为会涉及大量的数据搬移工作。
• 所以你会发现，go 中给数组和切片的操作很少，低性能可能是其中的原因之一
• 这也是为什么 go 中指定 slice 长度可以提升性能（减少追加数据时的数据搬移工作）

链表

• 链表是另一种非常基础的数据结构，与数组不同，它使用零散的内存存储数据：

数组和链表的存储.jpg

单链表.jpg

• 由于它的存储方式和数组完全不同，所以它和数组的特性完全不同：
• 优点：高效的插入和删除

链表的插入和删除.jpg

• 缺点：链表的查找非常低效，只能依次遍历所有节点
• 在 go 中，container 包里有双向链表、双向循环链表等容器供我们使用，下面是链表的部分方法：

func (l *List) MoveBefore(e, mark *Element)
func (l *List) MoveAfter(e, mark *Element)

func (l *List) MoveToFront(e *Element)
func (l *List) MoveToBack(e *Element)

func (l *List) Front() *Element
func (l *List) Back() *Element

func (l *List) InsertBefore(v interface{}, mark *Element) *Element
func (l *List) InsertAfter(v interface{}, mark *Element) *Element

func (l *List) PushFront(v interface{}) *Element
func (l *List) PushBack(v interface{}) *Element

• 单纯的链表在实际编程中很少用到，但是如果我们对链表进行升级，给一些额外的结构，它就会有非常广泛的应用。
• 简单的变型有：双向链表、循环链表等，复杂的变型有：红黑树、B+树等。这种变型非常重要，其中就包括 redis 中实现 zset 的跳表：

跳表-二级索引.jpg

栈

• 一种操作受到限制的线性表，最大的特点是后进先出
• 栈可以用数组或者链表实现
• 栈只有两种操作：入栈和出栈

栈.jpg

• 特定的数据结构是特定使用场景的抽象
• 对于栈来说，主要的使用场景有：括号匹配，算数运算，浏览器的前进后退功能等
• 当然，最常见的还是编程中的函数调用栈：

def sum(a,b):
    return a + b

if __name__ == '__main__':
    print(sum(1,2))

下面的图片展示了这个程序执行的过程：

函数调用栈，省略了变量名

队列

• 队列也是一种操作受限的线性表，它的特性是先进先出

栈和队列.jpg

• 队列也只有两种主要操作：从队尾入队和从队首出队
• 队列也可以有变型：循环队列、阻塞队列等：

循环队列.jpg

阻塞队列.jpg

• 队列可以非常方便地实现生产者-消费者模型，应用有消息队列中间件。

散列表（哈希表）

• 散列表依赖于数组支持依照下标随机访问的特性
• 散列表由三个部分组成：键、散列函数 和 散列值。这个的过程是，键通过散列函数的计算得到散列值，然后去寻找这个值代表的响应的地址：

散列

• 非常常见的一个问题是，如果多个键的散列值相同（散列冲突），该怎么办？常见的解决办法有两种：

1. 开放寻址法：

散列冲突-开放寻址法.jpg

2. 链表法

散列冲突-链表法.jpg

• 上面的方法都是最基础的解决方法，实际上，根据场景的不同，会有很多种解决方案。例如，将链表法后接的链表设计成红黑树，可以防止哈希碰撞攻击。
• 你会发现，数据结构的使用不是孤立的，多种数据结构的组合，会有超乎想象的结果。
  在这些组合中，哈希+链表就是一个包打天下的万金油组合，redis中的zset就是这样。

树

• 树是一种非线性表结构，可以用于表示一对多的关系：

树

• 树中有一些概念用于描述这个结构：

  
  
  树的描述
• 树有很多类型，其中最简单的是二叉树，因为二叉树的性质简单，且方便存储。
• 树有很多应用，其中就有大家最为熟知的B+树:

B+树

• 还有一种比较有意思的应用：Trie树，这个数据结构可以帮助我们实现关键词提示功能：

  
  
  搜索关键词提示

Trie树的结构是这样的：

Trie树

在这个树中，存储了“hello”、“her”、“hi”、“how”、“see”、“so” 几个查找关键字，当用户输入一个特定字符的时候，Trie树会搜索相关的节点，并遍历到树的叶子节点，途径的所有路径都会被记录下来，用于关键字提示：

Trie树搜索

实际上，输入法的自动补全，IDE的代码的自动补全，浏览器网址输入的自动补全，都使用了这种数据结构。

图

• 图用于表示一种多对多关系

图

• 多对多的关系很比较复杂，所以图的种类也比较多，大体来说有无向图、有向图、带权图等

有向图.jpg

带权图.jpg

• 图有两种存储方法：使用邻接矩阵 和 使用邻接表

图存储-邻接矩阵.jpg

• 临接矩阵的优点：存储方式简单、直接，可以高效地获取两个点之间的关系
• 缺点：
  1、如果是无向图，邻接矩阵是关于主轴对称的，这会浪费一般的空间
  2、如果各个点之间的关联非常稀疏，使用邻接矩阵会浪费大量空间。例如微信的好友关系

图存储-邻接表.jpg

• 优点
  1、比较节省存储空间
  2、你可以根据业务场景改造邻接表，以提升特定场景下的性能。例如将链表改造成红黑树。

• 缺点
  1、对缓存不友好
  2、邻接表的查找比邻接矩阵更加耗时
  3、如果存储的图是有向图，又要统计点的出度和入度，需要添加逆邻接表

• 图的应用非常广泛，如保存好友关系、最短路径规划等