数据结构是计算机存储、组织数据的方式。一种好的数据结构可以带来更高的运行或者存储效率。数据在内存中是呈线性排列的，但是我们可以使用指针等道具，构造出类似“树形”的复杂结构。下面介绍八个常见的数据结构。
一. 数组
数组是一种线性结构，而且在物理内存中也占据着一块连续空间。
优点：访问数据简单。 缺点：添加和删除数据比较耗时间。 使用场景：频繁查询，对存储空间要求不大，很少增加和删除的情况。
数据访问：由于数据是存储在连续空间内，所以每个数据的内存地址都是通过数据小标算出，所以可以直接访问目标数据。（这叫做“随机访问”）。比如下方，可以直接使用a[2]访问Red。
数据添加：数据添加需要移动其他数据。首先增加足够的空间，然后把已有的数据一个个移开。
数据删除：反过来，如果想要输出数据Green，也是一样挨个把数据往反方向移动。
二. 链表
链表是物理存储单元上非连续的、非顺序的存储结构，数据元素的逻辑顺序是通过链表的指针地址实现，每个元素包含两个结点，一个是存储元素的数据域 (内存空间)，另一个是指向下一个结点地址的指针域。
优点：数据添加和删除方便 缺点：访问比较耗费时间 适用场景：数据量较小，需要频繁增加，删除操作的场景
数组和链表数据结构对比列表如下：
数据访问：因为数据都是分散存储的，所以想要访问数据，只能从第一个数据开始，顺着指针的指向逐一往下访问。
数据添加：将Blue的指针指向的位置变成Green，然后再把Green的指针指向Yellow。
数据删除：只要改变指针的指向就可以了，比如删除Yellow，只需把Green指针指向的位置从Yellow编程Red即可。
虽然Yellow本身还存储在内存中，但是不管从哪里都无法访问这个数据，所以也就没有特意去删除它的必要了。今后需要用到Yellow所在的存储空间时，只要用新数据覆盖掉就可以了。
三. 栈
栈也是一种数据呈线性排列的数据结构，不过在这种结构中，我们只能访问最新添加的数
据。从栈顶放入元素的操作叫入栈，取出元素叫出栈。
特点：后进先出（Last In First Out，简称LIFO）
四. 队列
队列中的添加和删除数据的操作分别是在两端进行的。队列可以在一端添加元素，在另一端取出元素，也就是：先进先出（First In First Out，简称FIFO）
五. 哈希表
哈希表，也叫散列表，是根据关键码和值 (key和value) 直接进行访问的数据结构，通过key和value来映射到集合中的一个位置，这样就可以很快找到集合中的对应元素。例如，下列键(key)为人名，value为性别。
一般来说，我们可以把键当作数据的标识符，把值当作数据的内容。
-
数据存储
假设我们需要存储5个元素，首先使用哈希函数(Hash)计算Joe的键，也就是字符串"Joe"的哈希值，得到4928，然后将哈希值除以数组长度5(mod运算)，求得其余数。因此，我们将Joe的数据存进数组的3号箱子中。
- 冲突
如果两个哈希值取余的结果相同，我们称这种情况为“冲突”。假设Nell键的哈希值为6276，mod 5的结果为1。但此时1号箱已经存储了Sue的数据，可使用链表在已有的数据的后面继续存储新的数据。
-
查询
假设最终的哈希表为：
如果要查找Ally的性别，首先算出Alley键的哈希值，然后对它进行mod运算。最终结果为3。
然而3号箱中数据的键是Joe而不是Ally。此时便需要对Joe所在的链表进行线性查找。找到了键为Ally的数据。取出其对应的值，便知道了Ally的性别为女(F)。
- 特点
可以利用哈希函数快速访问到数组的目标数据。如果发生哈希冲突，就使用链表进行存储。
如果数组的空间太小，使用哈希表的时候就容易发生冲突，线性查找的使用频率也会更高；反过来，如果数组的空间太大，就会出现很多空箱子，造成内存的浪费。因此，给数组设定合适的空间非常重要。
在存储数据的过程中，如果发生冲突，可以利用链表在已有数据的后面插入新数据来解决冲突。这种方法被称为“链地址法”。除了链地址法以外，还有几种解决冲突的方法。其中，应用较为广泛的是“开放地址法”。
六. 堆
堆是一种图的树形结构，被用于实现“优先队列”(priority queues)。优先队列是一种数据结构，可以自由添加数据，但取出数据时要从最小值开始按顺序取出。在堆的树形结构中，各个顶点被称为“结点”(node)，数据就存储在这些结点中。堆有下列特点：
- 每个节点最多有两个子节点
- 排列顺序必须从上到下，同一行从左到右
- 堆中某个节点的值总是不大于或不小于其父节点的值；
- 存放数据时，一般会把新数据放在最下面一行靠左的位置。如果最下面一行没有多余空间时，就再往下另起一行，并把数据添加到这一行的最左端。
堆的性质：
- 堆是一个完全二叉树
- 堆中某个结点的值总是不大于或不小于其父结点的值；
- 将根结点最大的堆叫做最大堆或大根堆，根结点最小的堆叫做最小堆或小根堆。常见的堆有二叉堆、斐波那契堆等。
- 一棵深度为k的有n个结点的二叉树，对树中的结点按从上至下、从左到右的顺序进行编号，如果编号为i（1≤i≤n）的结点与满二叉树中编号为i的结点
- 在二叉树中的位置相同，则这棵二叉树称为完全二叉树。
- 一棵深度为k且有2k-1个结点的二叉树称为满二叉树。也就是说除了叶子节点都有2个子节点，且所有的叶子节点都在同一层。
七. 树
它是由n（n>=1）个有限节点组成一个具有层次关系的集合。把它叫做 “树” 是因为它看起来像一棵倒挂的树，也就是说它是根朝上，而叶朝下的。它具有以下的特点：
- 每个节点有零个或多个子节点；
- 没有父节点的节点称为根节点；
- 每一个非根节点有且只有一个父节点；
- 除了根节点外，每个子节点可以分为多个不相交的子树；
在日常的应用中，我们讨论和用的更多的是树的其中一种结构，就是二叉树。二叉树是树的特殊一种，具有如下特点：
- 每个结点最多有两颗子结点。
- 左子树和右子树是有顺序的，次序不能颠倒。
- 即使某结点只有一个子树，也要区分左右子树。
二叉树是一种比较有用的折中方案，它添加，删除元素都很快，并且在查找方面也有很多的算法优化，所以，二叉树既有链表的好处，也有数组的好处，是两者的优化方案，在处理大批量的动态数据方面非常有用。
二叉树有很多扩展的数据结构，包括平衡二叉树、红黑树、B+树等，这些数据结构在二叉树的基础上衍生了很多的功能，在实际应用中广泛用到，例如mysql的数据库索引结构用的就是B+树，还有HashMap的底层源码中用到了红黑树。这些二叉树的功能强大，但算法上比较复杂，想学习的话还是需要花时间去深入的。
八. 图
图是由结点的有穷集合V和边的集合E组成。其中，为了与树形结构加以区别，在图结构中常常将结点称为顶点，边是顶点的有序偶对，若两个顶点之间存在一条边，就表示这两个顶点具有相邻关系。按照顶点指向的方向可分为无向图和有向图：
无向图：
有向图：
————————————————
版权声明：本文为CSDN博主「非晚非晚」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/QLeelq/article/details/113694455