业界有三句流传很经典的话：
Program=data structure+algorithm (程序= 数据结构 + 算法）
Software=Program+Software Engineering （ 软件 = 程序 + 软件工程）
Software Company=software+Business Model （软件公司 = 软件 + 商业模式）
数据结构是程序的灵魂，也是支撑算法的基本骨架， 它能优化算法的运行效率，节约程序的内存使用，减少程序的运行时间等等，使很多不可能成为可能。
那么我们应该以什么样的方式去学习数据结构呢？以我个人的经验，我觉得要抓住以下三条主线：
①: 数组和链表 （即顺序存储和链式存储）
②: 时间复杂度(Time complexity)和空间复杂度(Space complexity)
③: CRUD（create增加、Read读取、Update修改、Delete删除）以及遍历方式
数组由于是紧凑连续存储,可以随机访问，通过索引快速找到对应元素，而且相对节约存储空间。但正因为连续存储，内存空间必须一次性分配够，所以说数组如果要扩容，需要重新分配一块更大的空间，再把数据全部复制过去，时间复杂度 ；而且你如果想在数组中间进行插入和删除，每次必须搬移后面的所有数据以保持连续，时间复杂度 。
链表因为元素不连续，而是靠指针指向下一个元素的位置，所以不存在数组的扩容问题；如果知道某一元素的前驱和后驱，操作指针即可删除该元素或者插入新元素，时间复杂度 。但是正因为存储空间不连续，你无法根据一个索引算出对应元素的地址，所以不能随机访问；而且由于每个元素必须存储指向前后元素位置的指针，会消耗相对更多的储存空间。
为什么单单提出来数组和链表呢？不是还有栈，队列，树，图等等数据结构吗？
如果我们以「自底向上」的观点来看待数据结构，你会发现所有的数据结构都是基于上面两种结构，要么是基于数组，要么是基于链表，比如：
「图」这个数据结构，有邻接矩阵和邻接表两种的表示方法，邻接矩阵是基于二维数组的存储方式，而邻接表是基于链表的存储方式，再者，邻接矩阵虽然便于随机访问，但在「稀疏图」情况下，非常的浪费内存，而邻接表，虽然节约内存，但消耗了更多的时候对图的节点进行遍历。
再比如「散列表」这个数据结构，就是通过散列函数得到key，把元素映射到一个数组里。而解决散列冲突的方法，比如拉链法需要使用到链表，虽然很简单，但需要额外的空间来存储指针；而线性探查法就需要使用到数组，可以进行连续寻址，所以不需要指针的存储空间，但操作比拉链法要复杂。
这就是我最开始提出来的两条主线，存储结构和时空复杂度，邻接矩阵和邻接表，是一个非常典型的空间换时间和时间换空间的思想，一般情况很难做到两者兼顾，只能看情况来使用对应数据结构，比如在内存紧张的环境下，我们就应该使用邻接表，虽然会多耗费一些时间，但能保证内存安全的运行，而在内存比较富余的情况下，我们使用邻接矩阵加快程序的运行速度。
明白了上述的两条主线，其实你自己也能去创造各种各样的数据结构了，但不管你怎么创造，实际上还是离不开数组和链表这两种宏观意义上的原子结构。
而数据结构的基本操作就是围绕着上面两个基本原子结构来进行的，比如数组的插入和删除操作，时间复杂度就是 的，而查找和更新的时间复杂度为 ，链表正好相反。
再者，数据结构的遍历无非就两种方式，顺序遍历和递归遍历（线性方式和非线性方式），数组使用的是顺序遍历，而链表兼顾顺序和递归遍历，对数据结构的CRUD实际上就是在遍历的基础上对存储的数据进行一系列的操作。
学习数据结构，一是学习其存储结构是如何定义的以及空间复杂度，二是学习其如何做CRUD，以及CRUD的时间复杂度。
总结：
- 学习数据结构抓住上述三条主线
- 学习数据结构可以使用自底向上的观点去看待它，任何数据结构都是基于数组或者链表这种宏观的原子结构来扩展的。
- 学习数据结构需要明白他们能使用的场合，结合实际，这样才能真正理解和运用。
