# 数据结构

::: tip 🎯 核心问题
**如何高效地组织和存储数据？** 你可能遇到过这样的困惑：为什么有些程序处理几万条数据很快，有些处理几百条就卡住了？答案往往在于数据结构的选择。本章带你理解常见数据结构的特点和适用场景。
:::

---

## 0. 全景图：数据结构是什么？

想象你要整理一堆书：

- **堆在地上**：找书要一本本翻（链表）
- **按编号放书架**：直接去对应位置拿（数组）
- **按类别分柜子**：先找柜子再找书（哈希表）
- **按书名排序**：二分查找，每次排除一半（树）

不同的整理方式，找书的效率天差地别。**数据结构就是数据的"整理方式"**。

<DataStructureDemo />

**常见数据结构分类：**

| 类型 | 特点 | 典型代表 | 适用场景 |
|------|------|---------|---------|
| **线性结构** | 数据排成一排 | 数组、链表、栈、队列 | 顺序处理、历史记录 |
| **哈希结构** | 键值对映射 | 哈希表 | 快速查找、缓存 |
| **树形结构** | 层次关系 | 二叉树、B树 | 排序、搜索、文件系统 |
| **图结构** | 网状关系 | 有向图、无向图 | 社交网络、路径规划 |

::: tip 📊 逐行解读这张表
**线性结构**：最简单的数据组织方式，数据一个接一个排列。数组适合随机访问，链表适合频繁插入删除。

**哈希结构**：用"键"直接找到"值"，查找速度最快。但需要处理"冲突"问题（两个键映射到同一位置）。

**树形结构**：有层次关系的数据。二叉搜索树适合排序和搜索，B树适合磁盘存储（数据库索引）。

**图结构**：最复杂的结构，表示任意的关系网络。社交网络、地图导航都用图来建模。
:::

---

## 1. 线性结构：最基础的组织方式

### 1.1 数组：连续存储

::: tip 💡 数组的特点
**数组**是一块连续的内存空间，每个元素大小相同。

**优点**：
- 随机访问快：`arr[100]` 直接计算地址，O(1)
- 缓存友好：连续存储，CPU 缓存命中率高

**缺点**：
- 插入删除慢：需要移动后面所有元素，O(n)
- 大小固定：需要预先分配空间

**生活类比**：一排编号的储物柜，每个柜子大小相同。找第 10 号柜子直接去，但要在中间插入一个柜子，后面的都要往后挪。
:::

### 1.2 链表：节点相连

::: tip 💡 链表的特点
**链表**由一系列节点组成，每个节点包含数据和指向下一个节点的指针。

**优点**：
- 插入删除快：只需修改指针，O(1)
- 大小灵活：可以动态增长

**缺点**：
- 访问慢：要从头开始遍历，O(n)
- 额外空间：每个节点需要存储指针

**生活类比**：寻宝游戏，每个线索指向下一个地点。要找第 10 个线索，必须从第 1 个开始一步步找。
:::

### 1.3 栈和队列：受限的线性结构

| 结构 | 规则 | 操作 | 类比 | 应用 |
|------|------|------|------|------|
| **栈** | 后进先出 (LIFO) | push/pop | 一摞盘子 | 函数调用、撤销操作 |
| **队列** | 先进先出 (FIFO) | enqueue/dequeue | 排队买票 | 任务调度、消息队列 |

::: tip 💡 为什么要有"受限"的结构？
栈和队列看起来比数组、链表功能少，但正是这种"限制"让它们有明确的用途：

- **栈**：函数调用时，最后调用的函数最先返回
- **队列**：任务调度时，先来的任务先处理

限制带来简洁，简洁带来高效。
:::

---

## 2. 哈希表：最快的查找

### 2.1 哈希表原理

::: tip 💡 哈希表如何工作？
**哈希表**通过"哈希函数"把键映射到数组索引。

**工作流程**：
1. 输入键（如 "apple"）
2. 哈希函数计算：`hash("apple") = 3`
3. 直接去数组索引 3 的位置找

**冲突处理**：
- 两个不同的键可能映射到同一索引
- 解决方法：链地址法（同一位置用链表存储多个值）

**生活类比**：图书馆按书名首字母分柜子。"Apple" 开头的书都放 A 柜，"Banana" 开头的放 B 柜。找书时先确定柜子，再在柜子里找。
:::

### 2.2 哈希表的时间复杂度

| 操作 | 平均情况 | 最坏情况 |
|------|---------|---------|
| **查找** | O(1) | O(n) |
| **插入** | O(1) | O(n) |
| **删除** | O(1) | O(n) |

::: warning ⚠️ 什么时候会退化？
当所有键都映射到同一个索引时，哈希表退化为链表，所有操作变成 O(n)。

**避免方法**：
- 选择好的哈希函数
- 动态扩容（负载因子超过阈值时扩容）
:::

---

## 3. 树：层次结构

### 3.1 二叉搜索树

::: tip 💡 二叉搜索树的规则
**二叉搜索树**是一种特殊的二叉树：
- 左子树的所有值 < 根节点
- 右子树的所有值 > 根节点

**查找过程**：
1. 从根节点开始
2. 如果目标值 < 当前值，往左走
3. 如果目标值 > 当前值，往右走
4. 每次比较排除一半节点

**时间复杂度**：O(log n)，但最坏情况（变成链表）是 O(n)
:::

### 3.2 平衡树

为了防止二叉搜索树退化，引入了**平衡树**：

| 类型 | 平衡方式 | 特点 |
|------|---------|------|
| **AVL 树** | 严格平衡（高度差 ≤ 1） | 查找最快，插入删除稍慢 |
| **红黑树** | 近似平衡 | 综合性能好，应用最广 |
| **B 树** | 多路平衡 | 适合磁盘存储，数据库索引 |

---

## 4. 如何选择数据结构？

| 需求 | 推荐结构 | 原因 |
|------|---------|------|
| **快速随机访问** | 数组 | O(1) 索引访问 |
| **频繁插入删除** | 链表 | O(1) 插入删除 |
| **快速查找** | 哈希表 | O(1) 平均查找 |
| **有序数据** | 平衡树 | O(log n) 查找，保持有序 |
| **最近使用** | 栈 | LIFO 特性 |
| **任务排队** | 队列 | FIFO 特性 |

::: tip 💡 选择数据结构的心法
**没有最好的数据结构，只有最合适的数据结构。**

选择时要考虑：
1. **主要操作是什么？** 查找？插入？删除？
2. **数据量多大？** 小数据量差别不大，大数据量要慎重
3. **数据有序吗？** 有序数据可以用二分查找
4. **内存限制？** 某些结构需要额外空间
:::

---

## 5. 总结：数据结构是程序的基础

让我们用一个比喻总结各种数据结构：

| 结构 | 比喻 | 核心特点 |
|------|------|---------|
| **数组** | 编号储物柜 | 访问快，插入慢 |
| **链表** | 寻宝线索 | 插入快，访问慢 |
| **栈** | 一摞盘子 | 后进先出 |
| **队列** | 排队队伍 | 先进先出 |
| **哈希表** | 分类柜子 | 查找最快 |
| **树** | 家族族谱 | 层次结构 |

::: tip 💡 核心启示
**数据结构决定了程序的效率上限。**

- 选对数据结构，问题迎刃而解
- 选错数据结构，再好的算法也无济于事

理解数据结构，就是理解"如何高效地组织数据"。这是每个程序员的基本功。
:::

---

## 延伸阅读

- **数据结构实现**：自己动手实现各种数据结构，加深理解
- **高级数据结构**：学习跳表、布隆过滤器、并查集等
- **数据库索引**：了解 B+ 树在数据库中的应用
- **缓存设计**：学习 LRU 缓存如何结合哈希表和链表