入门数据结构，看这一篇就够了！

1 数组

数组应该是最简单的数据结构了，所谓数组，便是可以在内存中连续存储多个元素的结构。需要注意，数组在内存中的分配是连续的，其中的元素通过数组下标进行访问且下标以0开始。

数组的优点如下：

结构简单
可在常数时间内访问数组元素

数组的缺点如下：

数组长度在定义数组时便已固定，不可修改，无法扩容
数组只能存储一种类型的数据
添加，删除操作耗时长

2 链表

链表是最简单的动态数据结构。链表是物理存储单元上非连续的、非顺序的存储结构，每个元素包含两个结点，一个是存储元素的数据域，另一个是指针域。根据指针域中指针的指向，我们可以把链表细分为单向链表、双向链表以及循环链表。
在这里插入图片描述

链表的优点如下：

动态数据结构，不需考虑容量问题
添加，删除操作较快

链表的缺点如下：

与数组相比，不可随机访问，访问单个元素开销较大
链表中的额外指针引用需要浪费内存

2.1 单向链表

单向链表是最简单的链表形式，我们将链表中最基本的数据称为节点，那么每一个节点包含了数据块和指向下一个节点的指针。
在这里插入图片描述

2.2 双向链表

所谓双向，便是指有两个方向。与单向链表不同，双向链表的每一个节点不仅存储指向下一个节点的指针，而且存储指向前一个节点的指针。
在这里插入图片描述

2.3 循环链表

顾名思义，循环链表会达到“循环”的效果，即首尾相连。其具体实现方式为在链表的尾部增加一个指向头结点的指针，头结点也增加一个指向尾节点的指针。
在这里插入图片描述

3 栈

栈是限定仅在表尾（栈顶 top）进行插入和删除操作的后进先出的线性表。入栈指从栈顶放入元素，而出栈指从栈顶取出元素。
在这里插入图片描述

4 队列

队列是一种先进先出的线性表，简称FIFO（First In First Out）。队列是一种只允许在一端进行插入操作，而在另一端进行删除操作的线性表。允许插入的一端被称为队尾，允许删除的一端被称为队头。

在这里插入图片描述

5 树

树是由结点或顶点和边组成的（可能是非线性的）且不存在着任何环的一种数据结构。没有结点的树称为空树，一棵非空的树包括一个根结点，还可能有多个附加结点，所有结点构成一个多级分层结构。

在这里插入图片描述

以下内容参考：常用数据结构——树

5.1 二叉树

每个结点至多拥有两棵子树（二叉树中不存在度大于2的结点），并且，二叉树的子树有左右之分，其次序不能任意颠倒。

其性质如下：

若二叉树的层次从 0 开始，则在二叉树的第 i 层至多有 2^i 个结点（i>=0）
高度为 k 的二叉树最多有 2^(k+1) - 1 个结点 (k>=-1) (空树的高度为 -1)
对任何一棵二叉树，如果其叶子结点(度为 0)数为 m, 度为 2 的结点数为 n, 则 m = n + 1

二叉树的遍历方法有以下三种：

中序遍历：即左-根-右遍历，对于给定的二叉树根，寻找其左子树；对于其左子树的根，再去寻找其左子树；递归遍历，直到寻找最左边的节点 i，其必然为叶子，然后遍历 i 的父节点，再遍历i的兄弟节点。随着递归的逐渐出栈，最终完成遍历
先序遍历：即根-左-右遍历
后序遍历：即左-右-根遍历

其中二叉树又分为以下三种：完美二叉树，完全二叉树，完满二叉树

5.1.1 完美二叉树(满二叉树)

除了叶子节点之外的每一个节点都有两个孩子，每一层（包括最后一层）都被完全填充。
在这里插入图片描述

5.1.2 完全二叉树

除了最后一层之外的其他每一层都被完全填充，并且所有节点都保持向左对齐。
在这里插入图片描述

5.1.3 完满二叉树

除了叶子节点之外的每一个节点都有两个孩子节点。
在这里插入图片描述

5.2 二叉查找树

二叉查找树也称为有序二叉查找树，其性质如下：

任意节点如果左子树不为空，则左子树的值均小于根节点的值
任意节点如果右子树不为空，则右子树的值均大于根节点的值
任意节点的左右子树也分别是二叉查找树
没有键值相等的节点

二叉查找树具有一定的局限性，在某些情况下，二叉查找树会退化成一个线性链。
在这里插入图片描述

5.3 AVL 树

AVL 树是带有平衡条件的二叉查找树，和红黑树相比，它是严格的平衡二叉树，平衡条件必须满足(所有节点的左右子树高度差不超过1)。不管我们是执行插入还是删除操作，只要不满足上面的条件，就要通过旋转来保持平衡，而旋转是非常耗时的。

AVL 树特点如下：

AVL 树是一棵二叉搜索树
AVL 树的左右子节点也是 AVL 树
每个节点的左右子节点的高度之差的绝对值最多为1，即平衡因子为范围为[-1,1]

AVL 树适合用于插入删除次数比较少，但查找多的情况。
在这里插入图片描述

5.4 红黑树

红黑树是一种自平衡二叉查找树，通过对任何一条从根到叶子的路径上各个节点着色的方式的限制，红黑树确保从根到叶子节点的最长路径不会是最短路径的两倍，用非严格的平衡来换取增删节点时候旋转次数的降低，任何不平衡都会在三次旋转之内解决。

红黑树的性质如下：

节点是红色或黑色
根节点是黑色
每个叶子节点都是黑色的空节点
每个红色节点的两个子节点都是黑色(从每个叶子到根的所有路径上不能有两个连续的红色节点)
从任一节点到其每个叶子的所有路径都包含相同数目的黑色节点

至于红黑树与 AVL 树的比较，红黑树的查询性能略微逊色于 AVL 树，因为比 AVL 树会稍微不平衡最多一层，也就是说红黑树的查询性能只比相同内容的 AVL 树最多多一次比较，但是，红黑树在插入和删除上大优于 AVL 树，AVL 树每次插入删除会进行大量的平衡度计算，而红黑树为了维持红黑性质所做的红黑变换和旋转的开销，相较于 AVL 树为了维持平衡的开销要小得多。

红黑树使用场景如下：

广泛用在 C++ 的 STL 中，map 和 set 都是用红黑树实现的
著名的 linux 进程调度 Completely Fair Scheduler 是用红黑树管理进程控制块的
epoll 在内核中的实现，用红黑树管理事件块
在 nginx 中，用红黑树管理 timer

5.5 B 树

B_TREE 是一种平衡多路查找树，是一种动态查找效率很高的树形结构。B_TREE 中所有结点的孩子结点的最大值称为 B_TREE 的阶，B_TREE 的阶通常用 m 表示，简称为 m 叉树。一般来说，应该是 m>=3。一颗 m 阶的 B_TREE 或是一颗空树，或者是满足下列条件的 m 叉树：

树中每个结点最多有 m 个孩子结点
若根结点不是叶子节点，则根结点至少有2个孩子结点
除根结点外，其它结点至少有( m/2 的上界)个孩子结点
结点的结构如下图所示，其中，n 为结点中关键字个数，(m/2 的上界)-1 <= n <= m-1；di(1<= i <= n)为该结点的 n 个关键字值的第 i 个，且di < d(i+1)；ci(0<= i <=n)为该结点孩子结点的指针，且 ci 所指向的节点的关键字均大于或等于 di 且小于 d(i+1)
所有的叶结点都在同一层上，并且不带信息（可以看作是外部结点或查找失败的结点，实际上这些结点不存在，指向这些结点的指针为空）

B 树为大块数据的读写操作做了优化，同时它也可以用来描述外部存储。(支持对保存在磁盘或者网络上的符号表进行外部查找)

B_TREE 的查找类似二叉排序树的查找，所不同的是 B-树每个结点上是多关键码的有序表，在到达某个结点时，先在有序表中查找，若找到，则查找成功；否则，到按照对应的指针信息指向的子树中去查找，当到达叶子结点时，则说明树中没有对应的关键码。由于 B_TREE 的高检索效率，B-树主要应用在文件系统和数据库中，对于存储在硬盘上的大型数据库文件，可以极大程度减少访问硬盘次数，大幅度提高数据检索效率。

无论二叉搜索树还是 AVL 树，当数据量比较大时，都会由于树的深度过大而造成 I/O 读写过于频繁，进而导致查询效率低下，因此对于索引而言，多叉树结构成为不二选择。特别地，B-Tree 的各种操作能使 B 树保持较低的高度，从而保证高效的查找效率。

在这里插入图片描述

5.6 B+ 树

B+ 树是 B 树的变体，也是一种多路搜索树。B+ 树的非叶子结点相当于是叶子结点的索引，叶子结点相当于是存储（关键字）数据的数据层。B+Tree 是应文件系统所需而产生的一种 B_TREE 树的变形树。一棵 m 阶的 B+ 树和 m 阶的 B_TREE 的差异主要在于：B+ 树只有到达叶子结点才会命中，而 B 树可以在非叶子结点命中。

下图为一棵3阶的 B+ 树。通常在 B+ 树上有两个头指针，一个指向根节点，另一个指向关键字最小的叶子节点。因此可以对 B+ 树进行两种查找运算：一种是从最小关键字起顺序查找，另一种是从根节点开始，进行随机查找。在 B+ 树上进行随机查找、插入和删除的过程基本上与 B 树类似。只是在查找时，若非终端结点上的关键码等于给定值，并不终止，而是继续向下直到叶子结点。因此，对于 B+ 树，不管查找成功与否，每次查找都是走了一条从根到叶子结点的路径。
在这里插入图片描述
B/B+ 树通过对每个节点存储个数的扩展，使得对连续的数据能够进行较快的定位和访问，能够有效减少查找时间，提高存储的空间局部性从而减少 IO 操作，常用于文件系统和数据库系统。