Python数据结构与算法——顺序表

简介: 概念在程序中,经常需要将一组(通常为同一个类型的)数据元素作为整体管理和使用,需要创建这种元素组,用变量记录它们,传进传出函数等(例如,Python中的列表)。

概念

在程序中,经常需要将一组(通常为同一个类型的)数据元素作为整体管理和使用,需要创建这种元素组,用变量记录它们,传进传出函数等(例如,Python中的列表)。一组数据中包含的元素个数可能发生变化(可以增加或者删除元素)。

对于元素增删改查的需求,最简单的解决办法就是将这一组元素当做一个序列,用元素序列里的位置和顺序,表示实际应用中的某种有意义的信息,或者表示数据之间的某种关系。

这样的一组序列元素的组织形式,即可抽象为线性表,一个线性表是某类元素的一个集合,还记录着元素之间的一种顺序关系。线性表是最基本的数据结构之一。

根据线性表的实际存储方式,分为两种实现模型:

  • 顺序表:将元素顺序地存放在一块连续的存储区里,元素间的顺序关系由它们的存储顺序自然表示

  • 链表: 将元素存放再通过链接构造起来的一系列存储块中

顺序表的基本形式

数据元素本身连续存储,每个元素所占的存储单元大小相同,元素的下标是其逻辑地址,而元素存储的物理地址(实际内存地址)可以通过存储区的起始地址加上逻辑地址与存储单元大小的乘积计算而得

  • 即: L0c(i) = L0 + i * c

  • 作图解释为下:

img_34e337f6fcb11962aa3983b98a98fda2.png
1_note_shunxubiao.png
  • 32位操作系统中,一个整型占用4个字节(Byte),因此列表my_list中四个整型占用字节数为16个字节,且每个元素所占用字节数相同

所以访问指定元素时无需从头遍历,通过计算便可获得对应地址,其时间复杂度为O(1).

顺序表的基本形式的特殊形式

如果元素的大小不统一,则须采用元素外置的形式,将实际数据元素另行存储,而顺序表中各单元位置保存对应元素的地址信息(即链接)。由于每个链接所需的存储量相同,通过上述公式,可以计算出元素链接的存储位置,而后顺着链接找到实际存储的数据元素。此时公式中的 c 则不再是数据元素大小,而是存储一个链接地址所需的存储量。

顺序表的结构

  • 不考虑用Python语言具体实现,真正实现数据表结构的时候,怎么构造数据
img_59b7a9e071e9446f40f615ee54833fdf.png
2_note_顺序表的结构.png
  • 出了存储数据的数据区之外,往往还会加上表头信息

  • 表头信息即:上图中上面的部分

  • 下面部分为数据区 (连续的存储空间,内存的概念见后面的图解)

  • 构造一个数据表的时候,首先要预估数据需要多少的空间,指明数据存储所需空间,即数据区。如上图中所示,即为8个数据。那么就要向计算机申请8个空间,在表头指明

一个顺序表的完整信息包括两部分,一部分是表中的元素集合,另一部分是为实现正确操作而需记录的信息,即有关表的整体情况的信息,这部分信息主要包括元素存储去的容量和当前表中已有的元素个数两项。

顺序表的两种基本实现方式

  • 一体式结构:
img_c1923d4426efed99191920fc3b23af6c.png
3_note_顺序表的两种实现方式一.png

一体式结构,存储表信息的单元与元素存储区以连续的方式安排在一块存储区里,两部分数据的整体形成一个完整的顺序表对象,这种结构整体性强,易于管理。

由于数据元素存储区域是表对象的一部分,顺序表创建后,元素存储区就固定了

  • 分离式结构:
img_be51507eecce50e0236026d256d13165.png
4_note_顺序表的两种实现方式二.png

分离式结构,表对象里只保存与整个表有关的信息(容量个元素个数),实际数据元素存放在另一个独立的元素存储区里,通过链接与基本表对象关联。

元素存储区替换

一体式结构由于顺序表信息区与数据区连续存储在一起,所以想要更换数据区,就只能整体搬迁,即整个顺序表对象(存储顺序表的结构信息的区域)改变了。

分离式结构想要更换数据区,只需要将表信息区中的数据区链接地址更新即可,而该顺序表对象不变。

元素存储区扩充

采用分离式结构的顺序表,若将数据区更换为存储空间更大的区域,则可以在不改变表对象的前提下对其数据存储区进行了扩充,所有使用这个表的地方都不必修改。只要程序的运行环境还有空闲存储,这种表结构就不会因为满了而导致操作无法进行。此种顺序表被称为动态顺序表,因为其容量可以在使用中动态变化。

  • 扩充的两种策略

  • 每次扩充增加固定数目的存储位置,如每次扩充增加8个元素位置,这种策略称为线性增长

  • 每次扩充容量加倍,如每次扩充增加一倍存储空间。

特点: 减少了扩充操作的执行次数,但可能会浪费空间资源。以空间换时间,推荐的方式。


补充:

内存:

img_c564908f949b883765606b60f34db786.png
5_内存.png

思维导图

img_13f792812d37c3830942478570aec18b.png
6_顺序表思维导图.png

顺序表的操作

增加元素

img_562dc50b71b190a97204104db633680d.png
7_顺序表的操作.png
  1. 尾端加入元素,如图所示,直接在顺序表的元素末尾加上元素,其时间复杂度为O(1)

  2. 保序的加入元素,如图所示,将增加的元素50,放在索引为1的位置,则对应的其他元素则分别向后移动,此为保序,没有破坏增加元素之前的元素顺序,但因会让增加元素所在位置之后的元素都产生移动,其时间复杂度为O(n)

  3. 非保序的加入元素,其时间复杂度为O(1),由于其会破坏顺序表原有的元素顺序,因此不常用

删除元素

img_ae2e67b7496ba89ca2f074705c70f228.png
8_顺序表的操作_删除元素.png

)

  1. 删除表尾的元素,其时间复杂度为O(1)

  2. 保序的元素删除,时间复杂度为O(n)

  3. 非保序的元素删除,时间复杂度为O(1)

Python 中的顺序表

Python 中的list和tuple两种类型采用了顺序表的实现技术

  • tuple 是不可变类型,即不变的顺序表,因此不支持改变其内部状态的任何操作,而其他方面,则与list的性质类似

list 的基本实现技术

Python 标准类型list 就是一种元素个数可变的线性表,可以加入和删除元素,并在各种操作中维持已有元素的顺序(即保序),而且还具有以下行为特征:

  • 基于下标(位置) 的高效元素访问和更新,时间复杂度是O(1); 为满足该特征,应该采用顺序表技术,表中元素保存在一块连续的存储区中。

  • 允许任意加入元素,而且在不断加入元素的过程中,表对象的标识不变;为满足该特征,必须能更换元素存储区,并且为保证更换存储区时list对象的标识不变,只能采用分离式实现技术。

在Python的官方实现中,list就是一种采用分离式技术实现的动态顺序表。因此,使用list.append()加入元素比在指定位置插入元素效率高。


重点总结:

在Python的官方实现中,list实现采用了下面的策略,在建立空表时,系统分配一块能容纳8个元素的存储区;在执行插入操作(insert和append)时,如果元素存储区满就换一块4倍大的存储区。但如果此时的表已经很大(目前的阈值为50000),则改变策略,采用加一倍的方法。引入这种改变策略的方式是为了避免出现过多空闲的存储位置。


作者:techLee
个人博客地址:www.limiao.tech

原创文章,转载请告知

目录
相关文章
|
9天前
|
机器学习/深度学习 数据采集 算法
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
|
1天前
|
存储 索引 Python
python数据结构知识学习
【5月更文挑战第6天】Python提供四种核心数据结构:列表(List)——可变有序集合,支持索引和切片;元组(Tuple)——不可变有序集合;字典(Dictionary)——键值对结构,通过键访问值;集合(Set)——无序不重复元素集合,支持数学运算。此外,Python允许自定义数据结构,如链表、树、图,以适应不同问题需求。
7 0
|
1天前
|
存储 Python
Python中的数据结构
Python的数据结构主要包括数字(整数、浮点数、布尔值、复数)、字符串、列表、元组、字典和集合。字符串是字符序列,列表是可变的一维对象集合,元组是不可变的有序集合,字典是键值对的集合,集合是无序且不重复的元素集。此外,Python允许通过定义类创建自定义数据结构,如链表、树、图等,以适应各种问题需求。
3 0
|
1天前
|
存储 编译器
【数据结构】~顺序表
【数据结构】~顺序表
|
7天前
|
机器学习/深度学习 运维 算法
【Python机器学习专栏】异常检测算法在Python中的实践
【4月更文挑战第30天】本文介绍了异常检测的重要性和在不同领域的应用,如欺诈检测和网络安全。文章概述了四种常见异常检测算法:基于统计、距离、密度和模型的方法。在Python实践中,使用scikit-learn库展示了如何实现这些算法,包括正态分布拟合、K-means聚类、局部异常因子(LOF)和孤立森林(Isolation Forest)。通过计算概率密度、距离、LOF值和数据点的平均路径长度来识别异常值。
|
7天前
|
机器学习/深度学习 数据可视化 算法
【Python机器学习专栏】t-SNE算法在数据可视化中的应用
【4月更文挑战第30天】t-SNE算法是用于高维数据可视化的非线性降维技术,通过最小化Kullback-Leibler散度在低维空间保持数据点间关系。其特点包括:高维到二维/三维映射、保留局部结构、无需预定义簇数量,但计算成本高。Python中可使用`scikit-learn`的`TSNE`类实现,结合`matplotlib`进行可视化。尽管计算昂贵,t-SNE在揭示复杂数据集结构上极具价值。
|
7天前
|
机器学习/深度学习 算法 数据挖掘
【Python机器学习专栏】关联规则学习:Apriori算法详解
【4月更文挑战第30天】Apriori算法是一种用于关联规则学习的经典算法,尤其适用于购物篮分析,以发现商品间的购买关联。该算法基于支持度和置信度指标,通过迭代生成频繁项集并提取满足阈值的规则。Python中可借助mlxtend库实现Apriori,例如处理购物篮数据,设置支持度和置信度阈值,找出相关规则。
|
7天前
|
机器学习/深度学习 算法 数据挖掘
【Python机器学习专栏】层次聚类算法的原理与应用
【4月更文挑战第30天】层次聚类是数据挖掘中的聚类技术,无需预设簇数量,能生成数据的层次结构。分为凝聚(自下而上)和分裂(自上而下)两类,常用凝聚层次聚类有最短/最长距离、群集平均和Ward方法。优点是自动确定簇数、提供层次结构,适合小到中型数据集;缺点是计算成本高、过程不可逆且对异常值敏感。在Python中可使用`scipy.cluster.hierarchy`进行实现。尽管有局限,层次聚类仍是各领域强大的分析工具。
|
7天前
|
机器学习/深度学习 算法 数据挖掘
【Python 机器学习专栏】K-means 聚类算法在 Python 中的实现
【4月更文挑战第30天】K-means 是一种常见的聚类算法,用于将数据集划分为 K 个簇。其基本流程包括初始化簇中心、分配数据点、更新簇中心并重复此过程直到收敛。在 Python 中实现 K-means 包括数据准备、定义距离函数、初始化、迭代和输出结果。虽然算法简单高效,但它需要预先设定 K 值,且对初始点选择敏感,可能陷入局部最优。广泛应用在市场分析、图像分割等场景。理解原理与实现对应用聚类分析至关重要。
|
7天前
|
机器学习/深度学习 算法 前端开发
【Python机器学习专栏】集成学习算法的原理与应用
【4月更文挑战第30天】集成学习通过组合多个基学习器提升预测准确性,广泛应用于分类、回归等问题。主要步骤包括生成基学习器、训练和结合预测结果。算法类型有Bagging(如随机森林)、Boosting(如AdaBoost)和Stacking。Python中可使用scikit-learn实现,如示例代码展示的随机森林分类。集成学习能降低模型方差,缓解过拟合,提高预测性能。