[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?!
* y# `' E, P& j. Z( S$ a5 ]: t2 d# Q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!
$ D) k' M& n) j7 D- l: B: Y
概念介绍

先来了解一下什么是图.
/ [( u  K* \% F2 v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.
$ H  R( c6 W' V" u$ }6 P7 K% x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?

9 _( B& y; p/ W) R3 a, N- g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; m0 ~& ?5 c& W+ @无向图
" D, c- a( C( t" w0 @% T4 f# 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?
$ W  l3 e3 _8 V6 A# `
, Z( C* @$ ]( K% Q4 ^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~
# [% v* g4 B/ m0 o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?
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
# b: T* C1 q! c" r8 j
5 u& ~- w6 b7 |" ?2 |, }* H- B有向图

1 A' ]1 R% }/ v5 L# p1 |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:
- C, g' w" L- J9 F/ ~
) ?8 U" m; O& C( P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.
" |1 R" U5 F  Q( i+ X" W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.
& J% v# j; A2 x: g) _/ L* q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
# k0 p+ i8 d8 B  k% p那么微博呢?
$ [) \5 J/ z  c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.
* v# C9 z) K% G* E& D- }7 f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.
; I3 z2 g# `1 \. n) D# r+ i- z8 N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

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!
5 |) j* C4 ~) B8 i带权图长啥样呢?就下面这个样子:
+ r; X* W4 q& s4 }" N
懵逼了,这每条边上的数字是个什么鬼呦
: G& N. ^0 U$ T7 o3 ^2 J7 T4 d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:
- v3 h$ \+ e) X4 S1 B- |1 x, d4 `. ^
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
, G& [. S. }2 U# {1 J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」

6 S$ a' Q( [$ f5 K) ~, y4 O+ S: `到这里,上面的一切理解都还 OK ?
2 h' v# ?2 t) o0 k' _* S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?
别急,你所疑惑的,我都帮你想到了

图的存储方法
: k3 W5 E# j% |: _* v) b
图的存储方法主要有以下两种:
$ J( c- G: \* T" J/ P# j- p
邻接矩阵
0 `' B2 M' g( K: m
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:
2 b: h2 ~% u  D  S$ j+ ]/ ^
4 y! b8 O$ T, s1 E( C0 T; B2 S( Z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?
: b) }1 `/ q+ L8 W# [. ?所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.

. R) P2 N. z. g8 I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.
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.
4 e7 {( W0 H1 @% @! G, |
* j- n0 [0 d- ]1 h8 {3 F+ e% H" [邻接表
2 k* n- S; }+ s  A" {* l
: G1 z' q& T) y1 X* I7 |先来看图:

: s& N, [* f7 v
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!
  N# H0 u, e& _* w
+ p/ i! u9 r, c5 V: n& 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.
* }' M9 T8 k% B( a1 l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.
- l! V) O+ Q  j6 H: X4 {: `
! G! H3 b  Z: u8 Z) V我觉得对于数据结构来说,没有最好的,只有最合适的~

参考
5 N- Q4 C" d1 X  C/ \
极客时间—<数据结构与算法之美>
# S" K. O* Y6 l2 {————————————————
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
. h! Z5 s$ S/ Q6 i- a! J1 ?5 x