[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?
" x) R: L$ m7 c: z6 X  L在我查了资料之后,现在我可以跟你讲讲,图可以这么用!
; l  r' `& q) P  \
% ^' t4 U- M, X4 `" s! y" x2 i概念介绍
8 V$ F; t2 _2 J
8 C$ L3 i  z* z先来了解一下什么是图.
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.
+ s0 }& ]; c$ Y: m- m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?
- D4 }* n# a) S: q: D6 O& p
$ s  L; N' w  k. ^- f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 )
- p8 T6 c  f1 `% a( }! c
& ?/ w$ A  v8 a- V. e无向图
5 |: m9 h) i( P8 G- f# w1 b9 ^" J' R

" W! `# G7 m; f( M! v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?
" E- f3 t& d4 l' p- t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?

既然有疑惑,那就给个应用场景:
4 I0 X+ ?% S, B. 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
5 \3 m9 h- _+ `1 [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
, H7 b7 z8 e1 u5 L$ {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
" }/ P! ~7 c! e- `* D9 V% p
- O9 W: Y& ^. \% g. b2 Z) J7 o有向图

- `5 V% ?% s! Q5 x6 h7 W5 q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!
2 g, z+ {: o+ P$ B$ u: X呦呵,不错,有向图就是下面这个样子:
  h- T# F7 Y! h3 S. `
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.
4 K( S: @+ N- G, t4 I& z- K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.
5 g, i8 v  m3 I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
  f) Y9 V! y/ |9 r那么微博呢?
# J; z4 i+ t2 V" Y5 c0 E' ?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.
+ ?- l* `1 j+ I4 N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.
0 p$ ^* y7 B5 w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

  ^5 o% q. s$ {& u. T( p4 |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!
2 l+ q* T1 }) X6 _% W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:

那么有没有好奇过呢? QQ 怎么知道我在意谁,谁在意我呢?
) ?. Z" h$ C- k9 t$ c$ k/ \$ \, V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」

# h, U  m! L( Y! T到这里,上面的一切理解都还 OK ?
. \1 P( p8 _! X) d那咱们继续.图是怎么表示的呢?
) o( @' }- M- k  R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

0 v& v  [$ J, l/ I图的存储方法

图的存储方法主要有以下两种:
  a& M0 q% [4 |0 d: a% T
  E% [4 h  ^4 c+ a/ t邻接矩阵

# a7 B/ l) Z6 P  {# E+ T9 W' q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:
5 p7 [4 o. q4 {
$ Z  |$ P& b. o2 g# o' G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?
所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.

/ \5 b6 |( U  J- n4 s* C5 J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.
" V/ {* P8 l6 k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.

, M$ g: s5 x# @% e邻接表
- N5 N$ a9 L% p: |. C
先来看图:
! ^! Q  q4 o5 v/ \5 i( \( m9 Q
4 `6 o' i$ G( F  J3 N1 p
" O, R( D0 O0 H9 Q; @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.
% [0 o4 D4 ^- J% @6 ~嘿嘿,直觉超棒!

8 w3 ?& I: }7 u4 P: y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.
9 s( e$ U7 _0 ?6 }0 y& E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~
1 G9 H0 U5 a* R' _7 g# X# r0 V& I0 U
参考

极客时间—<数据结构与算法之美>
$ J# y) P# U4 n- g: d: E0 h————————————————
9 ~  f* \0 p! r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


+ `% J- \) e# L