以下是常用的算法及其详细介绍，包括排序算法、查找算法、基础算法和图算法，同时我也会提到每种数据结构的特性、优缺点及使用场景，并给出示例。
一、排序算法
1. 冒泡排序（Bubble Sort）
冒泡排序是一种简单的排序算法。它通过重复遍历要排序的数列，比较每对相邻元素并交换它们的位置，使较大的元素逐渐“冒泡”到数列的末尾。
特性：
- 逐一比较相邻元素，并将较大的元素向后移动。
- 最坏时间复杂度：O(n²)
- 最佳时间复杂度：O(n)（当数组已经有序时）
优缺点：
- 优点：实现简单，适用于小规模数据。
- 缺点：效率低下，特别是在大规模数据情况下。
示例：
def bubble_sort(arr):
n = len(arr)
# 遍历所有数组元素
for i in range(n):
# 最后 i 个元素已经排好序
for j in range(0, n-i-1):
# 如果当前元素大于后续元素，交换它们
if arr[j] > arr[j+1]:
arr[j], arr[j+1] = arr[j+1], arr[j]
# 示例
arr = [64, 34, 25, 12, 22, 11, 90]
bubble_sort(arr)
print("排序后的数组:", arr)
2. 选择排序（Selection Sort）
特性：
- 每次选择最小元素，并将其放到已排序数组的末尾。
- 最坏时间复杂度：O(n²)
优缺点：
- 优点：简单易懂，原地排序。
- 缺点：同样，在大规模数据时效率低下。
示例：
def selection_sort(arr):
n = len(arr)
for i in range(n):
# 假设当前 i 位置是最小值
min_idx = i
for j in range(i+1, n):
if arr[j] < arr[min_idx]:
min_idx = j
# 交换找到的最小值和当前 i 位置的值
arr[i], arr[min_idx] = arr[min_idx], arr[i]
# 示例
arr = [64, 25, 12, 22, 11]
selection_sort(arr)
print("排序后的数组:", arr)
3. 快速排序（Quick Sort）
特性：
- 选择一个"基准"元素，将数组分割为两个子数组，再递归对这两个子数组进行排序。
- 最坏时间复杂度：O(n²)（当数组已经有序时）
- 最好时间复杂度：O(n log n)
优缺点：
- 优点：在平均情况下非常高效，使用递归实现。
- 缺点：不稳定排序，最坏情况下性能差。
示例：
def quick_sort(arr):
if len(arr) <= 1:
return arr
pivot = arr[len(arr) // 2] # 找到基准值
left = [x for x in arr if x < pivot] # 小于基准值的元素
middle = [x for x in arr if x == pivot] # 等于基准值的元素
right = [x for x in arr if x > pivot] # 大于基准值的元素
return quick_sort(left) + middle + quick_sort(right)
# 示例
arr = [3, 6, 8, 10, 1, 2, 1]
sorted_arr = quick_sort(arr)
print("排序后的数组:", sorted_arr)
4. 归并排序（Merge Sort）
特性：
- 使用分治法，将数组分解为子数组，递归排序后再合并。
- 时间复杂度：O(n log n)
优缺点：
- 优点：稳定排序，适合大的数据集。
- 缺点：额外空间复杂度较高。
示例：
def merge_sort(arr):
if len(arr) <= 1:
return arr
mid = len(arr) // 2 # 找到中间索引
left = merge_sort(arr[:mid]) # 排序左半部分
right = merge_sort(arr[mid:]) # 排序右半部分
return merge(left, right)
def merge(left, right):
result = []
i = j = 0
while i < len(left) and j < len(right):
if left[i] < right[j]:
result.append(left[i])
i += 1
else:
result.append(right[j])
j += 1
result.extend(left[i:])
result.extend(right[j:])
return result
# 示例
arr = [38, 27, 43, 3, 9, 82, 10]
sorted_arr = merge_sort(arr)
print("排序后的数组:", sorted_arr)
二、查找算法
1. 线性查找（Linear Search）
特性：
- 顺序遍历数组中的每个元素。
- 时间复杂度：O(n)
优缺点：
- 优点：可以用于未排序的数据。
- 缺点：效率低下。
示例：
def linear_search(arr, target):
for i in range(len(arr)):
if arr[i] == target:
return i
return -1
# 示例
arr = [10, 20, 30, 40, 50]
target = 30
index = linear_search(arr, target)
print("目标元素的索引:", index)
2. 二分查找（Binary Search）
特性：
- 在已排序数组中，通过对半查找来定位目标元素。
- 时间复杂度：O(log n)
优缺点：
- 优点：效率高，只适用于已排序的数据。
- 缺点：实现复杂些。
示例：
def binary_search(arr, target):
left, right = 0, len(arr) - 1
while left <= right:
mid = left + (right - left) // 2 # 找到中间索引
if arr[mid] == target:
return mid
elif arr[mid] < target:
left = mid + 1
else:
right = mid - 1
return -1
# 示例
arr = [2, 3, 4, 10, 40]
target = 10
index = binary_search(arr, target)
print("目标元素的索引:", index)
三、基础算法
1. 递归（Recursion）
特性：
- 问题的解由小问题的解构成，函数调用自身。
优缺点：
- 优点：代码简洁，逻辑清晰。
- 缺点：可能导致栈溢出，效率低于迭代。
示例（阶乘计算）：
def factorial(n):
if n == 0 or n == 1: # 基本情况
return 1
else:
return n * factorial(n - 1) # 递归调用
# 示例
print("5 的阶乘:", factorial(5))
2. 动态规划（Dynamic Programming）
特性：
- 用于解决具有重叠子问题和最优子结构的问题。
- 通过保存中间结果避免重复计算。
优缺点：
- 优点：高效解决多种问题。
- 缺点：实现复杂，需额外空间存储中间结果。
示例（斐波那契数列）：
def fibonacci(n, memo={}):
if n in memo: # 记忆化
return memo[n]
if n <= 1:
return n
memo[n] = fibonacci(n-1, memo) + fibonacci(n-2, memo)
return memo[n]
# 示例
print("第10个斐波那契数:", fibonacci(10))
四、图算法
1. 深度优先搜索（Depth-First Search, DFS）
特性：
- 从一个节点开始，沿着节点的深度探索。
优缺点：
- 优点：实现简单，用于解决某些特殊问题。
- 缺点：可能导致栈溢出。
示例：
def dfs(graph, start, visited=None):
if visited is None:
visited = set()
visited.add(start)
print(start, end=" ") # 访问节点
for neighbor in graph[start]:
if neighbor not in visited:
dfs(graph, neighbor, visited)
# 示例
graph = {
'A': ['B', 'C'],
'B': ['D', 'E'],
'C': ['F'],
'D': [],
'E': [],
'F': []
}
print("深度优先搜索结果:")
dfs(graph, 'A')
2. 广度优先搜索（Breadth-First Search, BFS）
特性：
- 从一个节点开始，逐层探索邻接节点。
优缺点：
- 优点：找到最短路径（在无权图中）。
- 缺点：需要更多的空间存储队列。
示例：
from collections import deque
def bfs(graph, start):
visited = set()
queue = deque([start]) # 使用双端队列实现队列
while queue:
vertex = queue.popleft() # 访问队列的左端
if vertex not in visited:
print(vertex, end=" ")
visited.add(vertex)
queue.extend(neighbor for neighbor in graph[vertex] if neighbor not in visited)
# 示例
print("\n广度优先搜索结果:")
bfs(graph, 'A')
3. 最短路径算法（Dijkstra算法）
特性：
- 用于寻找一个节点到其他所有节点的最短路径。
- 时间复杂度：O(V²)（V为节点数，使用优先队列可降至O(E log V)）
优缺点：
- 优点：处理带权图的最短路径问题。
- 缺点：无法处理负权边。
示例：
import heapq
def dijkstra(graph, start):
# 初始化距离字典
distances = {vertex: float('infinity') for vertex in graph}
distances[start] = 0
priority_queue = [(0, start)] # (距离, 节点)
while priority_queue:
current_distance, current_vertex = heapq.heappop(priority_queue)
# 如果当前距离大于已知距离，跳过
if current_distance > distances[current_vertex]:
continue
for neighbor, weight in graph[current_vertex].items():
distance = current_distance + weight
# 仅在找到更短的距离时更新优先队列和最短路径
if distance < distances[neighbor]:
distances[neighbor] = distance
heapq.heappush(priority_queue, (distance, neighbor))
return distances
# 示例图
graph = {
'A': {'B': 1, 'C': 4},
'B': {'A': 1, 'C': 2, 'D': 5},
'C': {'A': 4, 'B': 2, 'D': 1},
'D': {'B': 5, 'C': 1}
}
print("\n从 A 到所有其他节点的最短路径:")
print(dijkstra(graph, 'A'))
其他算法和数据结构
1. 哈希表 (Hash Table)
哈希表是一种用键值对存储数据的结构，支持快速的插入、查找和删除。
特性
- 时间复杂度：O(1)（平均）
- 空间复杂度：O(n)
- 使用场景：快速查找
示例
# 示例：使用字典作为哈希表
hash_table = {}
# 插入数据
hash_table['apple'] = 1
hash_table['banana'] = 2
# 查找数据
print("apple 的值:", hash_table.get('apple')) # 输出 1
2. 树 (Tree)
树是一种非线性数据结构，由节点组成，适合表示层级关系。
特性
- 时间复杂度：O(log n)（在平衡树中）
- 空间复杂度：O(n)
- 使用场景：表示层级结构，如文件系统等
3. 堆 (Heap)
堆是一种特殊的树形数据结构，用于实现优先队列。
特性
- 时间复杂度：插入 O(log n)，查找 O(1)
- 空间复杂度：O(n)
- 使用场景：任务调度、图算法等
4. AVL树 (AVL Tree)
AVL树是自平衡的二叉搜索树，确保插入和删除操作的复杂度保持在 O(log n)。
5. 红黑树 (Red-Black Tree)
红黑树是一种自平衡的二叉搜索树，允许快速的插入、删除和查找操作。
标签：常用,示例,python,graph,复杂度,arr,算法,print,排序 From： https://blog.csdn.net/m0_54490473/article/details/141334737