【化解数据结构】从这里开启数据结构和算法

这是我参与11月更文挑战的第3天，活动详情查看：2021最后一次更文挑战

📢 大家好，我是小丞同学，一名大二的前端爱好者

📢 这篇文章是数据结构与算法专栏的第一篇博文

📢 非常感谢你的阅读，不对的地方欢迎指正 🙏

📢 愿你忠于自己，热爱生活

💡 知识点抢先看

• 算法基础
• 计算时间复杂度
• 计算空间复杂度
• 数据结构和算法的学习指南

❗❗❗ 文末有惊喜噢~

专栏简介

按照惯例，每个专栏的第一篇文章都会简单的介绍一下这个专栏的内容，以及未来的更文计划

本专栏 【化解数据结构】，将在这里总结自己学习数据结构和算法的学习笔记，从这篇算法入门开始，未来更文将涉及栈、队列、链表、堆、树、图…等数据结构，以及经典排序算法，算法设计思想等进阶算法…，同时将会结合 LeetCode 题目对每篇文章进行巩固和提升，欢迎大家关注本专栏或添加作者本文联系方式，一起努力，一起刷题，一起进步 🏆

（图片来源于慕课网截图）

引言

在正式写这个之前，先来讲讲为什么要学数据结构和算法？

• 为了计算出最优解

这是我的答案，当我打开 LeetCode 第一题两数之和的提交记录时，我发现自己半年前的代码，耗时 240ms，内存占用 40多mb 时，我感受到了它的魅力

在最新的代码中，我采用了 map 的容器，通过 has 方法替代了先前采用的 indexof 方法，从查到的资料来看，map 的查找的时间复杂度为 O(1) ，indexOf 为 O(n) ，在 map 的底层实现中采用了哈希表的数据结构，极大的优化了查找的复杂度

接下来我们来看看如何计算时间、空间复杂度！

一. 大 O 表示法

关于复杂度的计算，我们采用的是 大 O 表示法 ，它用来描述算法性能和复杂程度

常见的表示

符号大O标记法	名称
O(1)	常数
O(log N)	对数
O(N)	线性
O(N log N)	对数多项式
O(N^2)	二次
O(2^N)	指数
O(N!)	阶乘

大 O 表示法一般考虑的是 CPU 占用时间，它可以粗略的了解代码运行的时间效率

例如

function test(num){
	return ++num;
}

我们调用这个函数一次，执行时间是 t ，我们再调用一次，执行时间还是 t，和传入的参数无关， test 函数的性能都一样，因此它的复杂度为 O(1)

当循环 n 次时，就是 O(n)

二. 时间复杂度

大 O 表示法表明的是该段代码执行时间随数据规模增大的变化趋势，它的特点是

• 只关注量级最大的时间复杂度

常见的时间复杂度量级 O(1) < O(logn) < O(n) < O(n^2)

对于 O(2)、O(3) 这些，我们都叫做 O(1) 常数级

例如：

1. O(1)

let i = 0;
i += 1;
// 每次执行代码只执行一次 O(1)

这段代码每次只执行一次，因此为 O(1)

2. O(n)

for (let j = 0; j < n; j++) {
    console.log(j);
}

再上面这段代码中，我们每次都需要执行 n 次的 log ，因此我们可以把它看作 O(n)

同样的我们再来看一个

let i = 0;
i += 1;
for (let j = 0; j < navigator; j++) {
    console.log(j);
}

这种代码我们经常写，前面是我们刚刚计算的 O(1)，后面是 O(n) ，它们并行排列，时间复杂度相加，取最大的那个

• 因此它的时间复杂度同样是 O(n)

3. O(log(n))

while (i < n) {
    console.log(i);
    i *= 2;
}

对于 log(n) 的情况，在个时间复杂度是很好的，当然 O(1) 是最好的，但是在解题的时候，如果能优化到 log(n) 也是很不错的了

那它是如何计算的呢？

我们可以看到，这里采用了 变量i来控制循环的终止，每次循环体中，都需要 2 * i 的操作

因此对于时间复杂度的计算 2^t = n 解得 t = log(n)

4. O(n^2)

for (let i = 0; i < n; i++) {
    for (let j = 0; j < n; j++) {
        console.log(i);
    }
}

对于这种嵌套排列，时间复杂度是 n^2 ，外面一层 n ，里面一层 n 乘一下就是 n^2，冒泡排序的时间复杂度就是 O(n^2)

关于时间复杂度就介绍这么多，其他的思路都差不多

三、空间复杂度

空间复杂度表示的是：存储空间随数据规模的增长趋势，在 LeetCode 中最直接的反应就是内存消耗

例如

1. O(1)

let i = 0;

在这里我们申请了单个变量的内存空间，为 O(1)

2. O(n)

let arr = []
for(let i = 0;i < n;i++) {
    arr.push(i)
}

像这样的一个数组，并给它填满值，n 越大，它需要分配的空间就越多，它的空间复杂度就是 O(n)

3. O(n^2)

int arr = [][]
// 遍历赋值

声明一个二维数组，填满值，它的空间复杂度就是 O(n^2) ，你可以理解为一个矩阵，n*n 为 n^2

📌 总结

1. 复杂度计算按最高阶来计算
2. 时间、空间复杂度描述的都是随数据规模的变化趋势
3. 时间复杂度的重点在于循环嵌套
4. 空间复杂度关注于内存

🐣 博主有话说

关于如何学习数据结构和算法，以及前端仔为什么要学算法？我想说

1. 如何学习数据结构和算法？

首先，我个人觉得学习任何东西，都需要一个适合自己的方法，其次是需要懂得如何去获取学习资源，如何找到优质的学习资料，这些都是很重要的，这不仅仅是对于数据结构和算法而言，学习什么都是如此。

再谈谈如何学习数据结构和算法：（拿我自己来说），其实这篇文章的内容没有什么特别难的东西，可以说基本看一眼就会了，那我为什么还要写它呢，习惯和想法。

对我自己，我偏向于看视频来初次学习，这样可以跟着老师的思路，很快的找到门路，也能很好的帮助我引导我学下去。在看视频的同时，一定要动手动手动手！有题目的时候可以暂停下来，自己先理一遍思路，动手敲一下，再看老师是如何解的。这样更加能提升自己的代码能力。同时对于同一道题目，我喜欢尝试多种解法，以最优雅的 JS 代码来解题，一直是我在算题中的小目标。

在学习完之后，我会总结自己的学习笔记，例如之前的 react 学习笔记是在每天学习之后，晚上整理的，从每个知识点到 Demo 中的每个功能的实现，都有记录，这也算是对自己学习的复盘吧～再到 从零实现一个任务管理系统 的专栏了，这个是在做完整个项目之后，自己又重头再梳理一遍整个项目的逻辑过程，以及每个 hook 的功能实现。在我的观念中，只有把总结写好了，才算学会了，不然都是会忘记的。因此，我觉得笔记十分重要！

总结一下就是：学的时候多敲代码，学完之后总结笔记

2. 说说为什么要学数据结构和算法吧？

1. 第一点：如文章开头所言，我想要写出最优的代码，这点是个人观念的原因，在学习了 ES6+ 语法之后，以前很多的代码都显得冗余复杂了，map 和 set 就是最好的例子

2. 第二点：提高代码运行效率，这一点不仅仅体现在刷算法题上，更体现在实际场景中，我们可能会因为我们的算法问题导致了时间复杂度过高，导致发送无用请求，导致前台页面等待时间过长等问题，这些都是我们前端需要懂得优化的

3. 第三点：为了面试，这就很真实了，在网上看了很多的面经，算法都是必要的一环，所以学习好数据结构和算法也能为自己以后面试提前做好准备

一些小的建议：不要盲目的刷题，可以有针对性的，按照某一个类型的题来刷，比如这段时间我就刷关于树这个数据结构的题，下一段时间我刷堆的题，这样可以保证我们的刷题质量，同时把大量的时间花在刷算法题上是很不可取的噢～每天抽一点时间写 2，3 道这样慢慢积累，循循渐进～

3. 学习资料分享

书籍：《JavaScript 数据结构和算法》

Github仓库：JavaScript 算法与数据结构

视频推荐：B站 coderwhy 老师的视频

刷题地址：acwing，leetcode

以上资源没有广告费，纯好感！！书籍没有的话可以联系我噢~

---

💌 最后，可能在很多地方讲诉的不够清晰，请见谅

💌 如果文章有什么错误的地方，或者有什么疑问，欢迎留言，也欢迎私信交流