[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?
) D! B: F  O3 s  D  F& [9 ^在我查了资料之后,现在我可以跟你讲讲,图可以这么用!
$ N1 }, a& s5 A3 w, [" M: b
7 h, d: K9 o, e5 |- S概念介绍
6 s3 J% V/ j$ v( `7 k: U; d
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.
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 )
" D) G1 G: Y5 U2 G( P
+ e! S0 O7 |1 e  v: C) a无向图


- x7 _5 R! y' Y) L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?
: r% I( U0 N' {) t! W
( y6 b1 m( I1 \% U4 Z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~
' a  ?. H7 H+ e; C- Z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?
8 r" }0 ~) J3 _5 z, ]( w( i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

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!
/ S, a6 h+ E4 @& c2 y; Z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.
8 S0 k( A+ V. e9 R" P( o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.
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?
8 b* s8 r- n4 k) e& C5 o% 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.
+ y& c$ z+ I0 z+ K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~
那么我关注了多少人就是出度,多少人关注了我就是入度.
$ p5 V# ~; n5 T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
; X3 N" m9 k9 P1 V" H7 f. O7 ?7 @& E
带权图
- v( V3 ~- V0 w& }. B3 F1 i
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:
: ?$ S  e8 K) g( s" a( W
2 Y, N: I0 x: w! c. E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…
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:

* r( g' Y. T) q" q  W9 `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」
9 B$ r; O. x3 d/ n+ g
6 X; l$ v5 n, \# ^: o# V/ x/ d到这里,上面的一切理解都还 OK ?
那咱们继续.图是怎么表示的呢?
) V% s3 s7 p8 N/ }( t% h" W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
2 x0 c. k5 F  d! v8 g7 ]4 Z
5 q- O5 G+ o1 ^  C$ L图的存储方法

! u5 }* N" B# |# ~7 ?9 E图的存储方法主要有以下两种:

) g' G/ {: M: W4 k/ D邻接矩阵
% J  ]/ R" c; \: a
* s# u( o) j) R: D; {$ i$ i2 n' q$ V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.
% T- Z* @  s+ @/ I  g: F* R, W5 ~& Y啥,你跟我说这还不直观?该不会是没有看下图吧:

6 [( X! i. A& T* B" e6 m1 p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.
9 {- w; o& s8 g2 U! Z# F
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.
* v& \3 a0 }( ~. C2 i7 o$ Z& H7 X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.
5 E4 v; L/ t  a- j4 ?& }
4 z9 i. O; E1 N& r邻接表

先来看图:


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.
% \) g. k3 m( T1 c! M* t0 W6 `嘿嘿,直觉超棒!
# w) j3 F( Z) |$ F% F4 R. A
& x+ @2 a# T" ?. q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
1 ]- I/ @6 a1 _5 o
极客时间—<数据结构与算法之美>
: n* k& f& y3 U/ ^' D2 k% k3 Y) \5 E————————————————
$ q1 A' b& V; s' i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

4 L! P% n4 N  Y* P4 [1 g
0 o/ [! o3 ]- q/ C) E- n' p2 u