在线时间 1630 小时 最后登录 2024-1-29 注册时间 2017-5-16 听众数 81 收听数 1 能力 120 分 体力 541113 点 威望 12 点 阅读权限 255 积分 167712 相册 1 日志 0 记录 0 帖子 5324 主题 5250 精华 18 分享 0 好友 163
TA的每日心情 开心 2021-8-11 17:59
签到天数: 17 天
[LV.4]偶尔看看III
网络挑战赛参赛者
网络挑战赛参赛者
自我介绍 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
群组 : 2018美赛大象算法课程
群组 : 2018美赛护航培训课程
群组 : 2019年 数学中国站长建
群组 : 2019年数据分析师课程
群组 : 2018年大象老师国赛优
[数据结构与算法]16 什么,图这种数据结构把你难住了?! 8 K$ B- H0 b. Z1 A' E
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?
9 @$ b2 K1 L/ R+ ~* o1 [ 在我查了资料之后,现在我可以跟你讲讲,图可以这么用!2 G+ U2 e; [2 L: v- l( b5 T$ O, p
5 Q6 v5 I3 ]% a! {1 A2 G! P& u* o 概念介绍6 y% \- _) C( o- e4 i
. K0 D$ r/ X H' I1 J0 `
先来了解一下什么是图.
9 W$ G; P3 m) l4 B _ 图,是一种非线性表数据结构.% {3 K- ]7 H) g# g9 e( i, ^
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." X) e3 m& G: P, P3 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?
u. |$ t. v5 T% O4 |. l
# [$ i% Q# l2 v- M 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 o4 j y5 v" P
7 p% x$ F2 L" q% q* L6 _
无向图
2 i& r/ m& }6 s3 {+ {/ S1 S# a
2 p" J1 {) O) r4 N; d
1 `8 b% }, k4 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?2 t- [9 c( k) @: \% c' _0 F
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?
$ P0 f/ {$ A( k1 {9 ^" r
# l& ]) l1 q& |5 @5 ^ 既然有疑惑,那就给个应用场景:
+ g$ ^8 S4 C' r- f1 h3 ] d 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~
( F5 Y7 O h/ [4 g! [; W- V" Z 那在数据库中如何表示呢?吼~这个时候无向图就登场了
* d ?- J7 ? ? O# d 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
7 B& s* T V" Y, r2 h4 \ 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?
0 `" X1 p/ T6 Y0 U4 | 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
- J8 t1 M* e" {7 u6 ?' @ % x# A Y- Y1 i2 p# d
有向图
8 j+ n& ?5 L( f
" A+ A/ u8 R& H, ~0 o8 b. P 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!
$ Z5 b1 A7 o* R0 t 呦呵,不错,有向图就是下面这个样子:$ E. |: v( r; k8 a0 F9 F a
1 N, {3 P7 G# 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.
% C6 B5 q1 Y) W; s7 I3 M# f 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.
/ [9 U* X8 U) K. Q# c- g# q+ f 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
6 ]# ^% F! I6 i$ F2 M5 V! M 那么微博呢?
3 G2 u c1 |: M6 { 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.
) e2 E- N0 h u: `) j+ L* Q 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~1 o* ~4 I% _ F+ g, N4 J+ _
那么我关注了多少人就是出度,多少人关注了我就是入度.
: f4 O0 H1 C, @# j 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
5 e$ D$ o, V% _! B# R8 ~; z; K ) g, L7 i5 u9 W; R
带权图
7 l( f( o+ ^8 M$ z, J, P" ]+ W& P
# Y) ]1 u; k& g* y$ 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!
# p9 B4 b- J6 c; Z) \) S 带权图长啥样呢?就下面这个样子:6 I: W) B# g' T% a; e. Q+ X+ s
/ ]- T. z/ p( N( y {9 ?% X; l
懵逼了,这每条边上的数字是个什么鬼呦, M& F8 X# t% {' O
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…& j, K: h5 K( N N0 H! J
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:, z& Y$ ~/ Z, r: r5 ]5 i8 A
! E: _/ Y4 n% Y# F" c O7 w
那么有没有好奇过呢? QQ 怎么知道我在意谁,谁在意我呢?# D+ h' b3 T' ?( J1 S8 C
就是通过带权图哇
. b. J V$ _$ A' m3 d 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」
" {1 g" s' P0 [6 x. t( m/ Y1 A5 u & X1 \* y0 b( L* ~
到这里,上面的一切理解都还 OK ?2 D! z) I, q4 N, G6 r5 X
那咱们继续.图是怎么表示的呢?
4 ^' R5 L P. I5 l% `. ]! |! 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?
8 A7 p) i2 u; ` 别急,你所疑惑的,我都帮你想到了
. q' z# f8 G$ k( q
7 w# v# W) f8 \, v4 @ 图的存储方法
3 k) T/ S# a# J2 Z+ s* V . U% w5 N- g/ E4 B9 R
图的存储方法主要有以下两种:
8 {6 R5 Z/ ~9 h0 ?' w / y' n: L$ [* D1 J8 u" ^- a
邻接矩阵" R* u8 F. E$ C0 M' O2 Z# Z7 Q& B
- P4 A: v1 J4 N+ _ 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.
' j/ s. j3 z- \ 啥,你跟我说这还不直观?该不会是没有看下图吧:1 l& _" p; j1 m! \% X# t- O
! z7 t3 \, z) H- m9 U 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?
5 T) G- H# r 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.
, |) V# |; t3 D0 l8 {: G1 |
8 D, X. d8 P: ^/ ^4 Z 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.
! c0 w; y9 ^3 P- N+ i5 d) N* _ 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.
v. i9 k) }; y. X7 I6 Y 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.
2 g8 \/ h5 M9 Z1 t$ I8 ~9 r9 c* w" v) V : N1 N/ y7 o5 U. ]! }0 U
邻接表
. j# m9 c. @. q! J8 `( X) s ( ~! h: H5 f0 _, Z6 r# }# `* K
先来看图:: `/ J1 A6 `0 s5 Y9 C
: |4 O8 J# j0 [# }/ a
( \4 h3 K! Y' o+ k 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.2 |3 p) g" G# Z3 F
嘿嘿,直觉超棒!: ?& Z! j& W% q( [" u; X+ H( T, ?
4 ~0 A$ k- X9 N' f& o
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./ r/ R3 |8 W; f4 f+ s+ y
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.( [- R5 W3 @/ }+ }$ a0 s! B
' w; A8 `& s' [! k: d5 v
我觉得对于数据结构来说,没有最好的,只有最合适的~
# ~2 l8 H4 k4 F
8 L0 I# j, T1 x1 }# B1 H# y" n6 ? 参考; o" L/ \4 c$ `6 Q+ \' i1 T" i
0 L0 ~+ |# w o7 P& H
极客时间—<数据结构与算法之美>9 m% {3 y% j: G% H
————————————————
* T M, E( P2 b2 X J) K4 D4 Y* | 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。1 {2 a* T" P% N9 p8 \8 r
原文链接:https://blog.csdn.net/zll_0405/article/details/105209800 Y! N( l. x. @5 g f6 d
$ G: p5 z! r" `! q9 t! U
: ~, H3 O n2 \2 ]
zan