[数据结构与算法]16 什么,图这种数据结构把你难住了?!

杨利霞

[数据结构与算法]16 什么,图这种数据结构把你难住了?!
你是不是和我一样,在学习数据结构与算法时,了解了一下图这种数据结构之后,根本不知道它的用武之地在哪里?
在我查了资料之后,现在我可以跟你讲讲,图可以这么用!

概念介绍

2 X7 J. C! U& J$ R1 F6 ?先来了解一下什么是图.
图,是一种非线性表数据结构.
那么你可能会问了,什么是线性表结构哇,我怎么区别一种数据结构是线性的,还是非线性的呢.
' J2 x: U- g' ^5 |2 x哈哈,还好我机智,在这篇文章之前就写了一篇文章来介绍,如果还有疑问,楼上雅座请: [数据结构与算法]14 搞不懂线性结构,非线性结构?
7 |, R% w( y- S: h  N4 Z( z; q5 I
7 C+ U' @+ h! p) P( C! i在图中元素叫做顶点( vertex ),图中的一个顶点可以和其他任意顶点建立连接关系,这种建立的关系叫做边( edge )

: v8 N. |4 ^2 o" c* ^% |无向图
: f/ u2 M( c1 q' H( b

. e- U* r  ^* t- l' M) I上面给出的是无向图.看到这里你可能就觉得比较疑惑,这个无向图看起来没啥呀,怎么会有这种数据结构呢?
' X; c) S; |6 w# L, C% f2 F( v不知道你是怎么想的,我刚开始学的时候就有这种疑问,这是什么神仙数据结构哇,还会有应用场景?
; v/ w% y0 B4 G7 F
6 L$ G8 n2 W1 k既然有疑惑,那就给个应用场景:
8 W% m8 ?% Q. E0 K( e假设,现在你和我是微信好友,那是不是应该你的好友列表里面有我,我的好友里面有你,这样咱们才是好友对不对~
那在数据库中如何表示呢?吼~这个时候无向图就登场了
# B' V5 C) ~% J! V% P+ d& u你和我是微信好友,那就在咱俩之间来条线,表示咱俩之间有关系,一条线就解决了问题,真是完美至极啊
3 a% U' F4 ?( h' X假设,(怎么又是假设,哈哈哈)上图中表示的就是 A,B,C,D,E,F 之间的关系,那你可能就发现问题了,有的顶点线比较多,比如 D 有四条线,有的就相对少一些,比如 B 有两条线.这些线就表示顶点的度( degree ).这个概念有啥用?
5 S6 w: t& ?+ ~' q- Q6 T" v6 j能一眼看出来谁的好友多!那这个功能有啥用?(好吧,这个功能好像是有点儿鸡肋,不过也算是一个应用场景

4 G/ ]6 r, o$ B/ S有向图

看到上面的无向图,基础不错的小伙伴肯定会说了,我还知道有向图呢!
5 o* G1 B! \. T, s呦呵,不错,有向图就是下面这个样子:

在无向图中,咱们知道一个顶点有多少条边,就说它的度为多少.
' C' R* h* h% S! n在有向图中呢,有指向顶点的,也有从顶点指出去的,基于无向图的概念,咱们把从这个顶点指出去的边称为出度,指向该顶点的边称为入度.
& t  u$ y; R6 i那么有向图会应用在哪些场景呢?微信好友这个场景是不太可以了
/ @6 ^; A( q1 y那么微博呢?
! I! p0 V4 F0 B# e* P" t+ L) l7 O微博和微信有什么不一样呢?微信是你和我是好友,那么咱们的好友列表里一定是要有彼此的,拉黑或者删除彼此了,那就不能互相发送消息了.
但是微博呢?你关注了我,并不代表我就要关注你对吧?看到这里有没有一种豁然开朗的感觉~
" _  J- ^9 A$ t8 e8 L那么我关注了多少人就是出度,多少人关注了我就是入度.
4 g" J4 I; U6 p; d8 A( U这样带入理解是不是会比较好一点儿?(我可真是个天才,哈哈哈
  g' [0 I9 h  \; X- {) ]; X
) w6 G( ?* h, j& y- |) G带权图
8 \# B+ t  o7 j2 j
: B9 J1 }1 D1 Z7 L+ B  h" m看完了无向图,有向图,相信就有人说,我还见过带权图!(陈独秀给我坐下!
带权图长啥样呢?就下面这个样子:

懵逼了,这每条边上的数字是个什么鬼呦
别急,咱们来个场景:大家都玩 QQ 嘛?(别跟我说不玩,配合一下嘛…
/ U. ^$ u' {/ Y% H! l. _+ c玩 QQ 的话,一定知道有 QQ 空间,然后空间里面有个「谁在意我」「我在意谁」的功能,就是下图:

7 H4 N* j6 }7 H# C: C那么有没有好奇过呢? QQ 怎么知道我在意谁,谁在意我呢?
就是通过带权图哇
你访问了一个人的空间,这条边的权重就增加一点儿;别人访问了你的空间,那这条边的权重就增加一点儿;这段时间你们两个人聊天聊得比较频繁,来个小火花,顺便在你们两者之间的边权重增加一点儿.然后根据这些边的权重从大到小排序就得出了「谁在意我」「我在意谁」

到这里,上面的一切理解都还 OK ?
# g0 [, Q+ ]0 @& }2 ]* w. P- a那咱们继续.图是怎么表示的呢?
! A* K* j5 d# N图这种数据结构,再怎么画顶点,画边,到最后在物理结构上是怎么存储的呢?
别急,你所疑惑的,我都帮你想到了
) Z; }1 j3 I  |0 ~, u1 N
( \; v0 o% m5 M6 V$ g$ N$ c图的存储方法

1 t0 M, o' d" j6 d1 d$ V图的存储方法主要有以下两种:

8 G/ J% y& A, l$ o邻接矩阵
, @" N# n5 y+ M6 e, j8 n
邻接矩阵的底层依赖一个二维数组.对于无向图来说,如果 i 与 j 之间有边,那就将 A[j] 和 A[j] 标记为 1 ;对于无向图来说,如果 i 指向 j ,那么 A[j] 值为 1 ,如果 j 指向 i ,那么 A[j] 值为 1 ;对于带权图来说, A[j] 存储的值就不是 1 了,而是对应的权重值.所以这是图最直观的一种存储方法.
啥,你跟我说这还不直观?该不会是没有看下图吧:
8 S0 y9 ]# Z5 b& i# ]0 o
* L* U8 ?, ^. q7 S# X但是你发现问题了嘛,这样看起来确实是直观了很多,但是很浪费空间有没有!比如无向图,如果 A[j] 为 1 ,那么 A[j] 肯定也是 1 ,多存储 A[j] 根本没啥必要.就像买东西,明明一块钱能买到的东西,为啥非要花两块钱?
# ?. ~, v5 [- @0 f5 ^, a所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.
7 M' x2 n" }( D0 K7 i$ T
: p# q; x5 u5 f0 D5 {但这并不是说,使用邻接矩阵来存储就没啥优点.这天底下哪儿有那么绝对的事情呢.
首先,邻接矩阵的存储方式简单,直接,所以当我们需要获取两个顶点之间的关系时,相信我没有比这种存储结构更高效的了.
还有就是使用邻接矩阵存储图的另外一个优点就是方便计算,因为可以将很多图的运算转换成矩阵之间的运算.

邻接表

1 v7 v8 f# h! O+ ^/ K先来看图:
1 ]2 ]3 O8 }$ X' k- t+ B, S, w* t

( M! @7 G, O4 H0 ?乍一看,这不是散列表嘛!每个顶点对应一条链表,链表中存储的是与这个顶点相连接的其他顶点.
4 q" C: P  |2 G+ E: _0 h: _3 z嘿嘿,直觉超棒!
3 p6 |  g% l  h8 N
3 T: F$ X7 d7 Z( X3 y9 K如果你对散列表熟悉的话,应该知道,在散列表中,如果链太长了,会导致冲突概率增大,复杂度也蹭的一下升高.而且吧,链表的存储方式你也知道,不是连续的,所以相对于数组来说, CPU 读取就会慢一些,相对于邻接矩阵的存储方式,在邻接表中查询两个顶点之间的关系就没那么高效了.
所以在实际开发中要注意遇到这种情况该如何处理,或者在刚开始的时候就直接设计好实现方式.比如可以将邻接表中的链表改为平衡二叉树,或者红黑树.

我觉得对于数据结构来说,没有最好的,只有最合适的~

参考
* d6 K4 c1 p8 c1 ~5 H: ?0 L5 Q
. D6 U' t- {: N, Z) c  ^6 ^极客时间—<数据结构与算法之美>
————————————————
版权声明：本文为CSDN博主「郑璐璐」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
2 A0 h( {& U( W7 I原文链接：https://blog.csdn.net/zll_0405/article/details/105209800