[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?!
; @; X7 V( H# t) ]" P, F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 X4 @3 x6 \4 v- F
. i1 C: a6 t) ^$ }" u7 R概念介绍

9 f' D# h* X" ^0 J; x+ O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.
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 )

无向图
! m! c3 w+ M7 Y  j
; R( U) _6 j2 O  ^5 P# K
1 d( c( j" b* J' T9 P, A- `' q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?
. q+ w7 l& P8 E3 o6 x- j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?
3 w" c' H1 l9 ]( A
既然有疑惑,那就给个应用场景:
4 d- @6 F; t6 L! B. g# V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~
0 h( S  D. G- y6 e. I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

有向图
- W  G  h8 z: B/ c7 ^' A+ I; r6 l
- O$ D* Q4 n: r" p4 [5 }. v. \% A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:
! F) i3 @6 @+ D9 J+ h1 b
4 W' d9 {. l3 n% [' M! `) Q# C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.
9 A0 k* `2 t: V$ l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 K! g3 I# x) S* A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
' [5 N2 d2 ?, x! }& N  u" }* x$ Y那么微博呢?
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.
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~
; e" c  y: M2 I1 N. I3 Q1 F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! X. @7 l; ?% l; ]' o. v
带权图
4 k5 o9 b# K3 g4 x7 D( @0 J# b
, E/ w+ ^* a* z# C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:
! L" i, c' T5 p: W2 f$ }
: c& a8 O# B, Q- P9 M: W懵逼了,这每条边上的数字是个什么鬼呦
1 ?: c1 S6 m$ h! c9 f% H+ @8 L  S1 R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:

4 o( I' T: ^$ }7 S: Q  J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
% t$ E6 ]7 n# Q/ u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」
4 m  ~8 e/ y. q
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?
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?
- F9 ?- v$ U9 r' ?  B2 _2 G7 l别急,你所疑惑的,我都帮你想到了
+ ~7 m* c/ P6 Z1 A  k8 Z
图的存储方法

4 h* I( r, h( \图的存储方法主要有以下两种:

) v" M4 N  p+ k) Y; `' `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:
$ F$ j' ^: Q- ?. ^& }
1 w) J% c" n* c+ N6 a, j& Z3 z& v  t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?
) M3 C8 P6 O( @* f) b, X7 z( I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.
/ J4 s9 E2 F. V: K( \6 t
: X: ^* ~( N3 @9 k! U- @% _" |( ]邻接表

* {( }5 j7 F; i. E! X9 S+ \先来看图:


1 N& [' u2 ?& G9 Q) p" n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.
3 C7 v; O4 L. Y7 Z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.

/ ?7 i4 D2 O6 Y我觉得对于数据结构来说,没有最好的,只有最合适的~

" c' b2 z+ ]4 A: Y( q1 G2 h参考
$ ?) t) w5 P/ t0 z) }' G# e
4 ?  W3 J. n7 x  N" Z) H4 Y极客时间—<数据结构与算法之美>
3 d5 u6 P$ q  ^8 p0 T————————————————
+ [+ b  Q, r# o8 y, h6 {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。
/ q! n, N  Z" T& x- d. j原文链接：https://blog.csdn.net/zll_0405/article/details/105209800

7 z% n# x% R) O" H) O, H  X' `
9 m6 B5 |% ~  W8 h* x7 b/ r) S5 k8 F