[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?
在我查了资料之后,现在我可以跟你讲讲,图可以这么用!
9 v# ?6 u6 D+ Q$ H. Z/ O
# m# _1 |$ y( ^, G概念介绍

8 A  J8 j7 A2 U% o' A0 u$ A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.
- A0 _4 k9 y( _6 P! K$ l% Z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?

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 )
3 H7 V! r3 r/ y3 d2 p
无向图


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?
+ n+ x' U$ F. x& k! Q0 G# T
+ H+ z7 @" u9 o* T. d* |$ t( U, h既然有疑惑,那就给个应用场景:
9 C! L6 ~. d4 L7 e1 S7 A& ^; W" c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~
: J  s/ @/ I* Q5 a+ A3 Y那在数据库中如何表示呢?吼~这个时候无向图就登场了
) Q+ G8 f: Z1 n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

有向图

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:
  P9 v0 t. ^/ w2 v. O
8 _/ Z+ @0 f3 k2 z) y1 `3 D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.
+ U8 y+ H4 P( b9 j; @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.
" ~  |+ S/ @: e4 ^* o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?
8 u6 E: T1 z# c+ r) K6 F/ i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.
- q0 r  x$ ?- f6 M0 v6 t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~
2 T$ \  f: a& K! X0 e那么我关注了多少人就是出度,多少人关注了我就是入度.
' C" I4 m: _3 Y% g8 z5 I/ p+ ^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

( u; O$ `9 E: U4 {/ h. _2 C9 O% ]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!
( J6 G& l1 |# e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:
, ?5 ^; m! M* R2 l  X
那么有没有好奇过呢? QQ 怎么知道我在意谁,谁在意我呢?
, g% J$ E$ F2 ^8 J; C; F& G就是通过带权图哇
  b6 `' ~: j. @" F$ t/ U* [+ T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」

到这里,上面的一切理解都还 OK ?
( R3 z5 @# q( y3 s8 M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?
& a: X' U3 i$ ?* P$ G1 s别急,你所疑惑的,我都帮你想到了
3 z1 j* w/ H, w4 x  e$ c
图的存储方法

图的存储方法主要有以下两种:
! `# l! W# B5 u3 i, a& l
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.
5 N: }6 c4 W$ d; b5 y啥,你跟我说这还不直观?该不会是没有看下图吧:
+ k7 T$ O1 O- d' v9 W0 c
- O0 ^$ T# W! I/ q, W$ @# K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?
' x; }& Z: H3 j所以如果使用邻接矩阵来表示的话,一定要清楚它的缺点.
/ V+ {- T9 o0 V, P
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.
8 G" u( f8 y( @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.
; E  y  w4 e1 x1 C- D- f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.

5 n2 Y* R4 m" `3 H0 C2 C! v) |邻接表

先来看图:
8 U9 x# }( w) a- f: o" E

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.
9 _7 Y; |2 i' d: Q7 ]4 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.

& [1 M# c# s8 x8 m, a6 h我觉得对于数据结构来说,没有最好的,只有最合适的~
9 V' h! T7 S+ d! {+ T) O- ^) l/ X
参考

极客时间—<数据结构与算法之美>
& P2 C. j6 a* Y/ h4 |) o+ T————————————————
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