数据结构泛谈
数据结构是计算机科学中用于组织、管理和存储数据的一种方式；
它决定了数据的存储布局以及如何有效地操作这些数据；
是算法设计和性能优化的基础，选择合适的数据结构可以显著提升程序的运行效率。
数据结构我们可以这么拆解：数据 + 结构
为什么？下面我要说骚话了
数据——对应的是储存特性，我们要使用合适的数据结构高效的存储数据，这个我们可以认作是数据结构中的一个方面，体现在物理存储上面，计算机实际是如何进行数据存储的：
存储结构
存储结构是逻辑结构在计算机中的实现方式，分为以下两种（其实考虑到计算机的存储结构设计以及局部性原理，所有的存储都是一个内存块，讨论逻辑地址，那么一个连续的数据需要存储，只存在两种存储形式，连续的内存块和不连续的，而不连续的内存块以什么形式联系在一起就可以分为 更多的逻辑结构）：
- 顺序存储： 数据存储在连续的内存单元中。
- 优点：存取速度快。
- 缺点：插入和删除效率低。
- 链式存储： 数据存储在非连续的内存单元中，通过指针连接。
- 优点：插入和删除效率高。
- 缺点：访问速度较慢。
结构——词重点就是结构，对应的是逻辑特性，就和抽象的联系起来，讨论的就是逻辑性的关系：
逻辑结构
逻辑结构指数据之间的逻辑关系，主要分为以下四种：
- 集合结构： 数据元素之间仅有“属于同一个集合”的关系。
- 例如：集合 {A, B, C}。
- 线性结构： 数据元素之间是一对一的关系。
- 例如：数组、链表。
- 树形结构： 数据元素之间是一对多的关系。
- 例如：二叉树、B 树。
- 图结构： 数据元素之间是多对多的关系。
- 例如：邻接矩阵、邻接表。
常见数据结构简介
| 数据结构 | 特点 | 优点 | 缺点 | 应用场景 |
|---|---|---|---|---|
| 数组 | 顺序存储，支持随机访问 | 访问效率高（O(1)） | 插入和删除效率低（O(n)） | 频繁访问元素，数据大小固定 |
| 链表 | 链式存储，每个节点包含数据和指针 | 插入和删除效率高（O(1)） | 访问效率低（O(n)） | 动态数据存储，数据大小变化频繁 |
| 栈 | 先进后出（LIFO）的线性结构 | 简单易用，支持递归调用 | 不适合需要随机访问的场景 | 递归调用、括号匹配、表达式求值 |
| 队列 | 先进先出（FIFO）的线性结构 | 顺序处理操作方便 | 不支持随机访问 | 任务调度、消息队列 |
| 哈希表 | 基于键值对存储，通过哈希函数快速定位元素 | 查找、插入和删除效率高（平均 O(1)） | 需要处理哈希冲突，空间利用率低 | 数据快速查找，频繁增删操作 |
| 树 | 分层结构，节点之间是一对多的关系 | 快速查找，层级关系清晰 | 平衡维护成本高（如平衡二叉树） | 层级关系表示、快速查找 |
| 图 | 顶点和边组成的结构，用于表示复杂关系 | 表示多对多关系灵活 | 复杂度高，存储和操作消耗较大 | 网络连接、路径规划、社交网络分析 |
数据结构选择参考
| 因素 | 描述 |
|---|---|
| 操作类型 | 数据是否需要频繁插入、删除、修改或查询？ |
| 数据大小 | 数据量较大时，空间复杂度可能成为关键问题。 |
| 数据关系 | 数据之间是否存在特定的逻辑关系（如层级、顺序或网状）？ |
| 访问模式 | 是否需要随机访问或按顺序访问？ |
数据结构学习建议（都是鬼话，谁能背下来，反正我不能……）
- 掌握基础结构： 熟悉数组、链表、栈和队列的实现和应用。
- 理解复杂结构： 深入学习树和图的各种类型和操作。
- 分析复杂度： 学会评估时间复杂度和空间复杂度。
- 动手实践： 多用代码实现和优化常见数据结构。
- 结合实际： 根据具体问题选择合适的数据结构解决。
数据结构和算法：
纯纯的相互纠缠不清，你中有我、我中有你，上面说了我们背不下来，我们还是记常用算法吧，常用stl你啥都能了解了，记不住的时候知道有哪些相关的数据结构就行了。算法啥的我们也是这样的，学了记不住没关系，大家都是代码“文抄公”谁也别笑谁，知道有哪些对付哪种问题，你再上网查吧，别对自己那么狠（当然有狠人，我给跪下，emmmm）
(下面是废话)
- 数据结构是算法的载体，不同的数据结构为算法的实现提供不同的支持。
- 例如：堆排序依赖于堆数据结构，深度优先搜索（DFS）依赖于栈。
- 算法是对数据结构的操作和优化。
- 例如：二分查找基于有序数组，Dijkstra 算法基于图。
我在这个系列中会逐步解析基本的数据结构……再见
