Skip to content
On this page

📢 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 🏆

image-20210929202048085

(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

image-20211029151803918

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)indexOfO(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

js
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

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)

js
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)

js
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

js
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))

js
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)

js
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

image-20211029161002646

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)

js
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)

js
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)

js
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*nn^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,mapset 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:acwingleetcode

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

Released under the MIT License.