[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?!
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?
- D9 V8 M: _! f$ ^在我查了资料之后,现在我可以跟你讲讲,图可以这么用!
& S8 H# V/ V8 i3 g) t, y: Z
7 K, c- F8 O8 f6 }1 [3 b' }. K  q概念介绍

先来了解一下什么是图.
图,是一种非线性表数据结构.
$ }: e5 s) W; e% g( K* v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?

+ f. D- H+ b! Y2 ~3 s: h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 )

0 s6 z9 N* W" R8 O* P无向图
, Y0 e& {7 ]: p, \
, @! I% o3 [4 l( a! |( E# h0 i1 X
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?

/ b, V0 _2 z: _6 P5 Z: C既然有疑惑,那就给个应用场景:
0 |1 e) e) f7 t5 B4 P" h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~
# w7 ~7 _7 x! Y% f+ n那在数据库中如何表示呢?吼~这个时候无向图就登场了
) i6 u+ `. e! j% }7 }' 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
, ?5 w/ k, U5 K2 u" u% a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

有向图
' f4 p! Z2 u: F& Q- h/ E0 O4 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!
- G+ _: f$ {6 G& B9 S呦呵,不错,有向图就是下面这个样子:
" q  Q) ?6 H* t4 e- v' ?
4 A8 p9 ?( ^5 f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.
) i5 b2 f6 n0 Z8 }, j% Q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?
  q; ]7 I! {9 M* C2 x4 k. k" n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 L, w2 f8 K# d+ k  d3 i' [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
& _/ \  Q/ k6 g+ n
  O% e( g; `- ^( A9 |! ]- x带权图

& j( X. F" p. @* \$ f- [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:
+ ?8 l' o5 j# G& a$ c
懵逼了,这每条边上的数字是个什么鬼呦
& d3 d% ~0 m4 U  |+ i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…
$ c( w' @/ [4 K3 S6 `" Y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:
/ q2 J5 d& t, o/ `# Q0 K
那么有没有好奇过呢? QQ 怎么知道我在意谁,谁在意我呢?
% D5 f; }% a( j  i3 i! _3 g9 w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」

3 K; [+ c6 g- _8 f& Q2 p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?
8 f) G* Y# n! n1 I; S+ `; Y; U  a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

3 T4 ?! d( Y) [- u3 c" J8 @图的存储方法
! Q" Y! e+ Y" U0 \  ^- u/ d! ?
图的存储方法主要有以下两种:

& T' R% f4 K0 [6 f4 Z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:
; c* O6 f) v, Q% V4 F; s# b1 W
1 o8 r# a% y7 {9 x8 s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?
8 o2 h8 L+ }, z* |* Y所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.

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.

邻接表

3 B- X( Q+ f# W2 h) I8 |6 z* i先来看图:

- f) t/ P( }" y7 U7 K$ \
8 e- I% O5 M3 G) T% ~- m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!
5 s' y/ z! t6 F1 P4 F9 h
3 L8 |: w. O$ u. v5 n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.
* z% J3 c2 p- J9 e7 `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~

参考
! F/ m0 c1 i0 Z7 I  N$ M" P  G7 {
/ _( X- \  u' K6 @/ ~极客时间—<数据结构与算法之美>
' e1 X; f8 ]9 W% b" R3 j3 I————————————————
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

$ a6 f1 K/ f" W3 [: c