[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?!
" V9 V. g; J; l& I$ q$ R, C* ~* m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!
! G3 f7 {6 K0 {) w; ~, g
概念介绍
+ q: q- w1 b6 O% o. L8 }
先来了解一下什么是图.
图,是一种非线性表数据结构.
" E: l4 N0 B# A' u0 L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?
2 Z% \9 S3 N& [  _0 ^
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 )
/ {% N) Q" H) H7 f3 V
" c# x1 ~. G0 |& R. {0 G无向图


: v3 j* \! R! Q0 x9 f) A0 b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?
8 n  i* n  l# T' l1 C4 y
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~
3 m4 w! M) d: b; t7 W* k2 v7 Q# u. Y/ N那在数据库中如何表示呢?吼~这个时候无向图就登场了
5 F1 B, j7 w. B! ]+ d" I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?
! ^7 F$ C5 Z2 q+ Y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
. M7 r. `4 x. _) v
6 J, O5 F3 }0 ?" r2 ~& y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!
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.
; l* |; G7 L8 f) j1 A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.
( w3 e0 Y# V4 ]5 d9 L& ]: T+ y; x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?
' a1 F+ c% n. W. K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.
3 _1 _7 D# x3 ?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.
1 g$ o  e9 m4 B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
2 i8 ^- w- _/ O' W: k1 O' j! y8 {, g! T
. s" Z( c/ U1 g& |/ S+ U) f+ k带权图
! c, r2 s3 B7 b& n. N8 ^9 t
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!
7 K7 `# U0 {0 I4 E2 K) @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
# _& L( P0 j) u: w  m" U* z4 a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:
1 `- d! q" b0 S0 T; D
. x* }  e# ]9 U6 s那么有没有好奇过呢? QQ 怎么知道我在意谁,谁在意我呢?
! G2 z) U6 b0 O! O% r! p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」
* N, m& }8 a: C3 m
到这里,上面的一切理解都还 OK ?
9 R) y3 f: K3 f4 b% i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?
( C9 J- `2 d5 [别急,你所疑惑的,我都帮你想到了
% D4 G& Y" z) c: M5 D$ ?. x6 K) B
图的存储方法

) z# N' S& g: |1 \' d& Q( R图的存储方法主要有以下两种:

# L. ^6 D! C/ b* M4 a0 T邻接矩阵
/ t' _  C* X: J- s
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:

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?
3 z, c: m& m8 F. i2 h( g/ ?( |所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.
3 {: [" o8 |* n
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.
9 |% \% E$ }3 U) b: d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.
5 v, X+ Q; H  i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 t1 G2 c) M+ b0 E( ~4 M邻接表

先来看图:


( Q3 \: C7 C' l4 n; }6 e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.
- @( F/ Z$ P4 o- s2 ?$ C, n) n! J% |嘿嘿,直觉超棒!
9 U  D" H( I2 [/ {1 F+ x! G
+ p+ l7 p7 F$ m7 G  ?" G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.
' j) x8 T. h3 q: n6 j3 F' Z& 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.
# ~3 c' |  d; t/ `* q
4 q" @$ l+ W9 F我觉得对于数据结构来说,没有最好的,只有最合适的~

% P8 \7 M( A) E$ F" p  v! m参考
- W6 {" r0 Y9 R  L! z  Q* p
极客时间—<数据结构与算法之美>
! o: g& n: t2 q0 U3 ?————————————————
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

% q4 |$ K2 l0 ?  A6 }) M8 b$ n9 r