[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?!
% C. }$ ?* j# t$ F, f: e. Y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?
+ s1 _  x4 i0 g9 N, x& }: m, n" m在我查了资料之后,现在我可以跟你讲讲,图可以这么用!
- Y6 b1 j; S0 {7 u: W8 ]
概念介绍
  v# P; o  g* _8 s) H2 W
先来了解一下什么是图.
图,是一种非线性表数据结构.
  B4 l" p. c" s" N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.
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?

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 )

无向图

* e- ?  m  b9 D9 K7 _, D8 c1 l5 J
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?
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?
1 e, }9 w. q+ w% d# {' k: P
既然有疑惑,那就给个应用场景:
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
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
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?
2 S2 O' y$ l6 z( K( H' l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

有向图
2 o9 F3 x( F& i3 D! R, u
! P8 b6 O% N! G2 G5 ^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!
2 x7 T& f1 B$ ^3 [呦呵,不错,有向图就是下面这个样子:

8 q# J2 V9 X9 j4 X  |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.
# d$ m2 q$ U8 q7 C8 s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.
( X6 c7 T* H3 P! i- e5 p" `! i! G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
那么微博呢?
5 ~/ f8 K" c' V! a* `; `, A4 n! ~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~
4 r. ?% z* R, J那么我关注了多少人就是出度,多少人关注了我就是入度.
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

带权图
0 z% A# u0 P, K+ u) y
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
$ t/ m& S8 e. u1 k1 \; {. L2 V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…
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:
% s% e0 Q0 C6 q7 d0 x
1 {$ g; I$ y1 l0 j" D; s% ~那么有没有好奇过呢? QQ 怎么知道我在意谁,谁在意我呢?
* T' L+ a4 c: M6 w3 {% q就是通过带权图哇
. p& M2 L  j2 |5 l" U" f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」
  w+ N5 p/ ]$ d2 Q
到这里,上面的一切理解都还 OK ?
& Z+ W2 n6 ?; \2 g  E; k3 [0 W那咱们继续.图是怎么表示的呢?
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

图的存储方法
" g: D" u5 I% H1 b2 k# G" Z7 S
0 A! {3 i, v, |$ d/ \图的存储方法主要有以下两种:
) v! D7 F$ t/ {* v; A
邻接矩阵
: R- D! c5 W. A$ E: m
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:

' b# W9 m1 b7 x( P  q9 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?
所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.
4 d8 x& n+ v0 }# @3 o
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.
( h" D2 V% n' T$ L) k1 L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
* h! u4 _3 W3 O! i3 G  J% B
先来看图:
; N. V) _0 ?: q3 r

) x7 ?- L& B7 n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.
嘿嘿,直觉超棒!
) P( z' U% S' \6 @# O1 u
4 |5 I" [; w4 w+ b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.
' [2 y3 [( H5 {* r# W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.

' l' x3 d6 W0 F, d6 |! \9 z6 Q) m3 i我觉得对于数据结构来说,没有最好的,只有最合适的~

( p) G3 R+ x7 n6 }# h5 G' @参考
) ?- R, A, T' Q# y" P0 K
3 q8 i" x6 `4 S极客时间—<数据结构与算法之美>
9 S, V9 W  L- b7 ]. G7 X: r( p0 R————————————————
. k' o. _, }3 `! L. R, \4 A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。
原文链接：https://blog.csdn.net/zll_0405/article/details/105209800