数据结构是一门很晦涩，且学起来极其无聊的课程，但却又是及其重要的一门课程，几乎所有人都在说，只有数据结构和算法玩明白的人，才有望成为大佬，才不会在竞争日益激烈的社会中不被淘汰。我希望我可以用稍微轻松点的形式，分享下我对数据结构和算法理解。本文的代码主要基于python实现。
ForBetterYou01什么是数据结构
生活中的数据结构
比如你去电影院买票看电影，那么肯定要排队，一般来讲，比你先来的人排在你的前面，比你后来的人则会排到你的后面，那么这个队伍的变化(后来的人只能从队尾入队，先来的人买完票则退出队伍)就是数据结构的一种(队列)再比如，想象一下，我们平时在电脑上打字(用拼音的方式)，如果我们输错了，肯定要按删除键，而删除的字母永远是从最后一个输入的字母开始，而不会从第一个拼音字母开始删除(比如你要输入nihao,结果打成了nihau，那么删除肯定是要先删除字母u，而不是n)，这也是一个生活中常见的数据结构(栈)其实生活中的很多场景和行为都可以当作一种数据流来看，而这些数据流中的数据呈现出来的关系(比如根据某个数据定位其他数据，根据某个数据推算未来的某个数据……)和特点，抽象来看，就是具有某种特定规律的数据的结构体，这个结构体称之为数据结构。编程中的数据结构
数据结构就是相互之间存在一种或多种特定关系的数据元素的集合
举例来说：python自带的基本数据类型list()(本质是个类)，由于底层结构是数组，所以不同数据项之间可以互相定位。如果你基于现有列表的接口（比如append,pop等操作），构建了一个新的数据结构（类），此类构建了几个接口（方法），其中一个可以让每个添加的数据项都能有序插入到你的结构体中……抽象起来看，就是一个适合做排序相关功能的数据结构。
02两种视角，两种结构
其实按照视角（使用者和实现者）不同，分为逻辑结构（抽象）和物理结构（实现）
逻辑结构可以理解为：为了更方便解决问题，将数据项之间赋予一定逻辑关系。逻辑结构一般可以可以分为以下4种：集合，线性表，树形，图形物理结构则是数据的逻辑结构在内存中的存储方式，一般有两种，链式存储和顺序存储生活中的逻辑接口和物理接口（加深理解）
汽车有新能源和汽油两种，两种车的设计理念并不相同，比如一种有油箱，一种不需要油箱，一种用电瓶，一种用油箱，虽然物理上的实现不同（比如说油箱和电瓶构造不同，可以说是物理结构不同），但是汽车所有对外提供的接口基本相同，比如说方向盘，都有挡位（可以理解为逻辑接口），都可以通过操作逻辑接口（方向盘，油门等）正常开车，而不需要更改任何驾驶习惯
03抽象的理解
要想谈数据结构，必然要说说抽象的概念。其实像上面提到的排队，或是删除字符串的操作，如果想要在编程中实现，则必须要进行抽象化，将生活中呈现的的数据特点抽象成计算机所能理解的方式。
ADT的概念
ADT=AbstractDataType（抽象数据类型），是指一个数学模型及定义在该模型上的一组操作。抽象数据类型的定义仅取决于它的一组逻辑特性，而与其在计算机内部如何表示和实现无关。说白了一个抽象数据类型定义了：一个数据对象、数据对象中各数据元素之间的关系及对数据元素的操作。至于，一个抽象数据类型到底需要哪些操作，这就只能由设计者根据实际需要来定
总的来说，一般是采用编程语言控制结构和提供的基本数据类型来实现ADT所需要的逻辑接口，数据结构是对ADT的具体实现，同一ADT可以采用不同的数据结构实现各种电子设备都拥有“字符串”类型，也需要字符串间的各种操作，那么字符串其实就是一个抽象数据类型，因为在不同的机器上，可能构建原理不同，接口方法不同，但由于其定义的数学特征相同，在计算机编程者看来，它们都是相同的。因此，“抽象”的意义在于数据类型的数学抽象特性。
04算法
数据结构的概念简单来说，到这就差不多结束了。但是数据结构设计的再好，没有与之相匹配的算法，一切也都是白扯，所以这里还要分享下算法和数据结构的关系，以及一些基于python的基础算法。
概念
算法是逻辑层面上的对于问题的解决，而程序则是物理层面上的对于算法的实现
算法是解决特定问题求解步骤的描述，在计算机指令出表现为指令的有限序列
算法的意义
举个例子，可能会很快的让你明白算法的意义：从1到累加求和，比较来看，方法一就是累加求和，随着数量规模变大，运算时间呈线性增长，而方法二则是高斯前辈提出的累加求和方法，不论数量规模如何变大，运算时间都只是常数级，代码如下
算法特征
输入和输出：数据从哪里来，数据往哪里去
有穷性：可以在预期的时间内正确的结束程序
确定性：每一条指令都有唯一的执行逻辑
可行性：每一步都可以通过执行有限的次数完成
好算法的基本要求
算法没有逻辑错误，没有语法错误，没有不可预期的错误
更少的计算机资源，主要包含两点，更少的存储空间，更快的执行时间
对特殊情况以及错误情况有适当的处理程序
算法效率的考量
我们说衡量一个算法的好坏，最主要的方面取决于所用空间大小和所用时间长短。
因为每个程序员对于同一个问题会提出不同的算法解答，所以时间复杂度的算法必然不能独立于某个程序或是某个算法而言，必须是通用的
一般来讲，赋值语句（包含计算或存储的语句）的执行次数应该作为时间复杂度的主要考量因素，而控制流语句仅仅是组织语言的作用
大O表示法
此方法是为了计算算法的时间复杂度，用来度量算法的运行时间，记作:T(n)=O(f(n))。它表示随着输入大小n的增大，算法执行需要的时间的增长速度可以用f(n)来描述，f(n)就是问题规模n的某个函数
简单来说，大O表示法就是将程序的所有执行步骤相加，转换为代数项，然后只保留随着（问题规模）n的增加而加速度最快的主导部分
大O表示法就是当前最主流的用来衡量算法优差的方法之一
大O表示法的一般计算方法
常数1取代运行时间中所有的加法常数找到随着n变大，增速最快的步骤，计算复杂度，只保留最高阶项最高阶项存在且不是1，去除与这个项相乘的常数
05常见的几个时间复杂度(基于python实现)
1.常数级：O(1)
2.对数级：O(log(n))
3.线性级：O(n)
4.线性对数级：O(n*log(n))
5.平方级：O(n)
6.立方级：O(n)
7.指数级：O(2^n)
时间复杂度排序
O(1)O(log(n)O(n)O(n*log(n))O(n)O(n)O(2^n)