[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?!
6 k5 a+ a4 z2 v( ]# r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!

概念介绍
; p- r. a) U0 b( |5 Q# ~, a
先来了解一下什么是图.
. j  o) O* X1 b+ @" t$ c# I8 i, L图,是一种非线性表数据结构.
) b/ m+ C8 ~7 f. E- {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.
# _, S  ^4 i  S( e8 n* ^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?
& g7 C+ o+ Q, ~. h) V' _
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 )
* _- C, X% f! o1 K+ b* }' h
无向图
/ T: T9 K7 J) b8 N

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?
) R6 U$ ~+ `, Y7 D. o7 ?, M
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
. ~' Q' x# @8 Q3 z# B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
" x- M8 {9 H2 ]) i& w: n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?
+ o3 ]& ^, F: t9 D: S3 V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
' I" J# m4 ]( H0 ^" x3 d2 R0 D
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!
& P5 F+ `5 _2 m- Q6 T( B, P呦呵,不错,有向图就是下面这个样子:
6 y# d* }9 |- K0 w0 d. [* g
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.
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
3 g* w7 v% P0 J" v; j6 `7 Y那么微博呢?
4 L6 v$ s4 ?: l9 o; Q) ^  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.
& R8 ^* s& D& E8 x; P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~
# Q" y4 j! j5 ^' q! D8 o那么我关注了多少人就是出度,多少人关注了我就是入度.
- g  @9 N: h$ T7 S+ q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

; Q- n0 r- U8 h0 c1 x9 z, v带权图

) z% A; S2 k8 q9 |( ]6 g0 |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:

( a: t" J. y: N- Z3 ~% N$ V懵逼了,这每条边上的数字是个什么鬼呦
* k" n6 @6 P9 R# D2 J, S8 D& H* l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…
9 p; _& }5 B1 E* B, R8 p/ d* 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:
0 l5 g7 T7 q& N) w: J+ B+ e* \
5 u% s9 F( g: ^1 b/ r7 A- O6 S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」
4 B& ?5 s+ i) J& e( U$ f- F- A
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?
7 R+ _/ l5 p# K& M4 f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
) O1 T( a* U0 l$ E5 F3 I# m
图的存储方法

  G7 Q" Q+ }; ]; d" T- [, e图的存储方法主要有以下两种:

7 q2 x, k  h. H5 ~% F& b& h' m邻接矩阵

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:
" x( o& j8 \# Y* d
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 L# M0 m# M; F; S所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.
" x  J) k: A( w9 r2 \# W- e4 P
8 _4 u6 @' T2 ~2 u7 d- Z' b& q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.
7 j9 m& P) v8 r1 o  P' S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.
# P+ ]" M/ n- ?1 [& d7 F. W- p1 H
# u/ v. n; N3 E$ M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.
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.
1 y- s8 z' G* t  `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.

- \  w' H1 m5 x我觉得对于数据结构来说,没有最好的,只有最合适的~
7 I  m# h9 I/ _, `, Q9 j
5 g+ ^* e4 V/ E! X参考
8 L7 j6 k9 ]; t( @, E4 k2 U
5 {7 r6 y( n+ Z! E  j. L极客时间—<数据结构与算法之美>
$ }% ^* m7 V. F" ~0 y' X————————————————
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。
8 ^; p, X* A! J1 v! i原文链接：https://blog.csdn.net/zll_0405/article/details/105209800