[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?!
' F; b  U7 L, I. [- v" I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?
! |. ]3 }% B4 Z$ i在我查了资料之后,现在我可以跟你讲讲,图可以这么用!
, _5 j. v. r& Q, _- I
概念介绍

$ m% O; A0 a( j$ \' M. Y1 t  [先来了解一下什么是图.
图,是一种非线性表数据结构.
% h4 a; r7 L8 c, b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.
; J- G2 q* }$ s. d- w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?
; K" C" e7 w0 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 )

无向图


% G! t5 ^. x& t, i+ m; `  x3 W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?
: v& n. R, F- K# b- B7 c( G
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
3 G1 v" n  G! W! b  w! z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
6 I( o: X, ]# \+ p* @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?
( G  N6 L% F( D2 p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
0 O4 [1 B! F& W# Q: O$ w
有向图
. q  X/ x* e! M% f: m
6 g% F+ o5 Y* ~7 j0 t% i! r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!
9 h( {' ?* _- s呦呵,不错,有向图就是下面这个样子:
( i: g; \* E! H5 L2 M
6 N2 V7 p0 E2 T5 x5 |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.
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.
/ T3 X& X8 q3 R: Q* d% {! h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

/ E( i, A) o/ q- f' C带权图

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:

% Y/ b3 I/ ~+ O; I" s# d懵逼了,这每条边上的数字是个什么鬼呦
/ h" D# @- i9 ?! Y/ b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…
+ J* w* i( Y- z8 @' F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:

; P1 h6 E6 i  S+ q# A# ~9 |, v- b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」
7 V9 W: R! Q! W5 Z, I0 w0 ?2 v
* g; L8 K/ j/ c) i# 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?
  n+ w# C4 \/ E$ `! _- U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?
% b& S" D" [, t* L5 k别急,你所疑惑的,我都帮你想到了
8 f7 A  K& g5 o% r6 S
图的存储方法
/ A: \7 d" @. c  D$ D4 |% r9 x
图的存储方法主要有以下两种:
) p# A8 B- ?; n# M+ D6 ~3 N" R# ]
5 y1 k+ l9 _. R% {) T! g' Q邻接矩阵

) M7 h6 J! D$ Z! o4 N; t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.
- [  u: e: i- x' q# |6 Q( r& b, B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?
! ^# a& j8 k2 W: [* F$ d, N% u所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.
1 [/ U( z! U5 Z3 ^% z
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.
% |4 Z+ A7 b# M. \& s  z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.
% ?! K. q: G/ B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.
  ^  t! v- [+ g2 _, a
' c/ z( n8 l8 n, J8 ~. j0 g" K邻接表
; r( m6 V6 Q, [: X) }
先来看图:


- m( K9 K6 g% Z( y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.
5 k, A1 L$ A6 w嘿嘿,直觉超棒!

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.
! [* |% b# `/ s( q" |* H' X1 o; v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.
7 @# O. {+ }; N) Y- R! w8 s: ?; j
  r" k8 f) L  W- G我觉得对于数据结构来说,没有最好的,只有最合适的~

5 K- {) U( @8 ^& T+ K+ t2 |参考
0 O5 `) c. L# |: \0 E* c
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。
: ?; a; R4 h0 v" ]  z原文链接：https://blog.csdn.net/zll_0405/article/details/105209800

; l3 P5 M  b: s2 i2 G  b