[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?!
7 k! S, J2 k$ A1 Y: ^/ {6 k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?
$ j9 ?+ S) q' j& w在我查了资料之后,现在我可以跟你讲讲,图可以这么用!
( I, W# U5 D6 w: Z; |
$ T! F) g+ V/ O概念介绍
: k3 |+ T# r$ v3 v: b& |6 i
7 g4 Y# J3 }* P# ~. J* N" k先来了解一下什么是图.
图,是一种非线性表数据结构.
& N* f: ^. e& e' d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?
+ y9 a# x$ v3 R. P1 _2 ?, b
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 )

; \4 o' C) S8 c# W2 l% z- d( [无向图
6 h& m% W$ y  _. k

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?
/ O( D$ a! B9 s/ a. C3 B2 R
既然有疑惑,那就给个应用场景:
6 ~/ Z" Y$ q" o9 _" {6 A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
4 Q/ o# \. {& o4 v. I9 \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?
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 l$ R1 J- o  i* j) [
  s$ F) c. k& w# k- O4 j8 q  x有向图
6 G5 f( `9 |/ V. L2 m. N
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.
- x9 M: g+ x9 s# j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?
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~
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
0 r) S" ~6 {1 @7 B( c' c  j
带权图

  }7 @: z8 Y4 Q) Y, n' d7 v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!
) i/ z4 i2 P' V) R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…
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:

) f( `  I3 u$ [2 C* r5 T. H: K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
( F/ T- B9 C3 t0 A0 T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」

- _; h# A6 K& w! ?4 z# c+ J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?
# Z" D5 L) ^- A$ Z5 Z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?
0 t  m0 ^% ?% N5 l1 d/ O别急,你所疑惑的,我都帮你想到了
6 k" `1 K) s3 m; p+ f# c
( c& ?4 N% c% R8 ^, p3 t/ I图的存储方法

图的存储方法主要有以下两种:
0 x0 n& J4 ~: ~
邻接矩阵
+ w3 w- [- J" I( B9 l
$ b9 V3 h7 h" r$ m  \9 }; e( o8 P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?
" m5 i5 l# a' k' ?所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.
; h6 Z: F% ~6 V' k
, @9 Q8 ?: v2 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.
& j) V9 P" f/ r3 M& Y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.
* Z+ J' w' C0 I( `6 F
邻接表
( x/ @# O3 J" `4 ]0 z
0 d  H$ Y1 `0 K$ X% j6 G9 r- d先来看图:
7 v+ n  l" t" v% R
5 X  G9 B! x% N6 U
5 {- d6 q- H  q# r6 C2 c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!
  z" t: Z3 \- g7 ]6 i0 O
# A- D3 L7 X  U* c' ^& 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.
/ u& @8 X4 q+ L, J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~
. o9 R' \2 t# l* ]) f* I0 \8 a
% G" u1 _  O) ]8 y! _参考
5 |# F$ r) D. Q/ `! Y+ I  o
极客时间—<数据结构与算法之美>
, z+ i! R7 x# U9 U) z  J8 l. j3 Y————————————————
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


1 O7 M9 [, Z& u