- 利用Go语言对基础算法进行全面的学习和巩固，以帮助自己以及大家学习数据结构和算法
- 数组
- 数组具有随机访问的特性，因为数组是一组连续分配的内存空间所以，它可以通过下标来进行随机访问
- 数组为什么从零开始
- 从性能上讲，数组的访问是访问地址的偏移量，如果从1开始，需要减去1才是偏移量，为了性能从0开始
- 从历史上讲，第一个人使用了0后人沿用
-
链表
- 是不连续的内存空间，相比数据它的修改（增删改）时间复杂度O(1)，但是空间复杂度是翻倍的，单链表是一倍，双链表是两倍
-
栈
- 后进先出的数据结构，只有出栈和入栈两个操作
- 栈的应用
- 函数栈，函数调用是嵌套的，函数内先执行，所以要用栈的结构
- 运算优先级栈，使用两个栈，一个栈直接存数字，另一个栈存运算符，如果入栈的运算符优先级大于或者等于栈顶，从数字 栈中取两个数字进行运算，在存入数字栈中，以此递推
- 判断字符串是否构成封闭对称的结构，以(){}[]这种简单结构为例，从字符串左边依次进行遍历，当有(直接压入栈中，当遇到) 在栈中查找与之匹配的符号，出栈并将其他符号再次压入栈中，如果栈中最后没有剩余符号表示，括号匹配，如果有剩余说明，括号不匹配
- 实现浏览器前进和后退，访问时入栈1，回退时吧1从栈顶依次压入栈2，类似于倒水，从A杯子倒入B杯子
-
堆
- 堆：是一个完全二叉树，可以用数组来保存它。
- 分类：
- 大顶堆：堆顶元素是最大的
- 小顶堆：堆顶元素是最小的
- 堆的应用：
- 优先级队列：用小顶堆实现计时器功能和小文件合并。
- 中位数问题：用两个堆，一个大顶堆一个小顶堆，大顶堆和小顶堆的堆顶是一致的，这个堆顶就想一个分割线，大于他的放入小顶堆，小于他的放入大顶堆
- TopK问题：实现一个长度为K的小顶堆，如果插入元素和它比小于它什么也不做，大于它删除它插入堆顶
-
队列
-
散列表
- 定义：是对数组的扩展，利用数组的随机访问特性，将key值进行hash，将得到的值存入hash表中，hash表就是连续的数组
- 散列函数（哈希函数）：将string类型的key转换成int类型，存入hash表
- 散列函数计算后的算列值为非负整数
- 如果key1=key2 ,那么hash(key1)=hash(key2)
- 如果key1≠key2 ,那么hash(key1)≠hash(key2) (很难实现，在数组快要满的情况下，很容易产生冲突)
- 散列冲突：
- 开放寻址方式
- 插入：如果冲突，在冲突点向下查找
- 查找：类似插入，一次向下查找，当查找到空闲位置还没有找到就是说明不存在
- 删除：不是真实删除是标记删除位，防止查询失效
- 探测方法：
- 二次探测
- 多重hash
- 装载因子：装载因子=已填充的个数/hash表长度
- 链表法
- 以槽为单位，将重复的hash值存在槽的链表里
- 开放寻址方式
- 应用： 拼写检测，url访问日志排序，字符串包含对比 散列+跳表是redis实现有序集的方式，redis采用双hash,LRU缓存淘汰算法链表+散列表实现的
- 如何设计一个工业级的散列表
- 要求：
- 支持快速增删改查
- 内存空间利用合理，不会浪费
- 性能稳定，极端情况下不会退化到无法接受的地步
- 方案
- 设计一个合适的散列函数
- 定义装载因子的阈值，并且支持动态扩容
- 选择合适的散列冲突解决方式
- 要求：
- 散列函数（哈希函数）：
- 从哈希值不能反推原数据
- 对数据很敏感，只要有一个byte不一样，返回的哈希值也不一样
- 散列冲突的概率要很小
- 对于长字符串也能很快的得到结果，效率要高
- 应用
- 安全加密比如MD5和SHA DES AES
- MD5有2^128个哈希值，冲突的概率小于1/2^128
- 唯一标识，图片唯一识别，可以将图片byte转化hash
- 数据校验，如BT中种子信息保存个个节点下载的内容是否被修改过
- 散列函数
- 复杂均衡
- 数据分片
- mapReduce方式任务分配到同一个服务上
- 巨量数据分片，比如1亿张图片如何分开索引
- 如果我们用hash表来存储，就是需要将文件摘要hash后存储
- MD5 128位 16字节，文件路径最大256字节 平均128字节 我们用指针保存数据指针占8个字节一个数据的总 占用量是128+16+8=152，假如一个服务器的内存是2G,hash表的装载因子是0.75，所以单台机器最大存储图片数量 2G*0.75/152约等于1000万，所以一个亿的图片大于需要10台左右这样的机器。
- 分布式存储：一致性哈希，将数据整个哈希分成m个小区间，k台机器上每台机器维护m/k个区间的数据，m远大于k，当有新 机器加入时只要将小部分区间的数据迁移到新的机器便可以，不用改变哈希规则实现扩容。
- 安全加密比如MD5和SHA DES AES
-
二叉树
- 树是非线性数据结构，之前的数组，链表，栈都是线性数据结构
- 树的相关定义
- 节点高度，只当前节点到根节点的最长要经过几个节点
- 节点层级，从1开始
- 节点深度，从0开始
- 最常用的数是二叉树，树只有两个子节点：一个左节点和一个右节点
- 二叉树的类型：
- 满二叉树：最后一层是满的就是满二叉树
- 完全二叉树：倒数第二层是满的，并且最后一层的节点都靠左侧
- 为什么要是完全二叉树，因为内存存储是连续的地址空间，如果用内存存树完全二叉树是最节省内存的方式。
- 二叉树的遍历方式
- 前序：先遍历节点本身
- 中序：中间遍历节点本身
- 后序：后便利了节点本身
- 二叉查找树：二叉查找树是左子叶小于根节点，右子叶大于根节点的树。
- 中序遍历会得到一个顺序的数据
- 二叉查找树的插入，删除，添加都是O(lgn)
- 为什么使用二叉树不用散列表
- 散列表的扩容比较麻烦，虽然查找效率O(1),扩容不方便，并且对于哈希冲突也很难解决，哈希函数的效率有时候也会大于O(lgn)
- 散列是无序的，平衡二叉查找树只需O(n) 可以实现排序
- 散列表的设计比较复杂，要考虑散列函数，扩容，缩容等问题
- 散列表为了减少冲突，必须牺牲一定的存储空间维持，装载因子在一定范围内以减少冲突的可能性
- 红黑二叉树
- 根节点是黑色的
- 叶子结点不能有数据
- 任何相邻的节点不能连续两个是红色
- 每个节点从该节点到子叶节点经过的路径上有相同的黑色节点
- 递归树：一种计算递归算法时间复杂度的方法
-
跳表
在一组数据中，按照一定规则对数据创建层级索引，通过自上至下的索引查询查找数据位置
- 特点
- 二分查找针对数组，为了实现不使用针对数组二分查找，产生了跳跃表
- 跳跃表使用链表
- 有多级索引
- 时间复杂度
- 修改（增删改）时间复杂度 O(lgn)
- 查询时间复杂度O(lgn)
- 空间复杂度
- 空间复杂度根据索引生成方法有关，例子中的大概是O(n)
- n/2+n/4+....+4+2 等比求和 Sn=(a1-anq)/1-q O(n-2) 约等于 O(n)
- 图
- 是描述关系的非线性数据结构
- Trie树
-
递归：f(n)=f(l)+f(r) 利用递推公式 考虑下极限情况即可
-
排序：从下面三个方面去衡量算法的好坏
- 最好情况，最坏情况，平均情况时间复杂度
- 时间复杂度的系数，常数，低阶
- 比较次数和移动次数
重要的概念：
- 原地排序：是否借助了额外的空间进行
- 稳定性：排序是否会改变，相同的元素在比较排序的过程中顺序是否会改变
- 比如：2，9，3，4，8，3 排序后是 2，3，3，4，8，9 如果排序前和排序后两个3的前后顺序没有改变，此算法为稳定排序，反之非稳定排序、
- 有序度：有序元素对：a[i] <= a[j], 如果 i < j。
- 满有序度： n*(n-1)/2
- 逆序度：逆序元素对：a[i] > a[j], 如果 i < j。
- 交换次数=满序度-逆序度
归并排序和快速排序思路理解
- 两个排序都是采取分治的思路，归并利用了先分后治，快速排序是先治后分的方式
- 归并排序 空间复杂度 O(n) 时间复杂度 O(nlgn) 并稳定的排序算法 不是原地算法
- 快速排序 空间复杂度 O(1) 时间复杂度 O(nlgn) 并不是稳定的排序算法 是原地算法
总结：如何实现一个通用的排序算法，Glibc 中的 qsort()就是经典案例，在数据量较小的情况下，使用归并排序就行排序，虽然占用空间，但是以空间换时间，在 数据量不大情况下成本并不大，但当数据量达到一定值，换成快速排序，但是快速排序也有缺点，如果使用选分界值，只拿第一个如果频繁遇到最最情况，影响效率所 以可以优化成，三值取中值，或者随机的方式来优化，同时，当数据被分到还有3-4个数据时，可以退化到插入排序，因为当数据量过小时，O(n)和O(lgn)的时间复杂 度已经非常接近了，所以不需要再调用递归了，增加递归的深度。并且快排是递归排序，会产生递归栈太深造成栈溢出，处理这种方式可以采取限制递归深度，或者做 一个调用栈函数，手动实现递归的出栈和入栈。
-
二分搜索：在一组有序的数组中，一半一半的查找时间复杂度O(lgn) 应用要求：
- 只能使用数组的数据结构，要连续的内存地址空间
- 数据量太小不合适 效率和顺序查询差不多
- 数据量太大不合适 占用连续空间大空间不现实
-
哈希算法
-
贪心算法
-
分治算法
-
回溯算法
-
动态规划
-
字符串匹配算法
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent