一、什么是數據結構？什么是算法？
什么是數據結構？
Sartaj Sahni在他的《數據結構、算法與應用》一書中稱：“數據結構是數據對象，以及存在於該對象的實例合組成實例的數據元素之間的各種聯系。這些聯系可以通過定義相關的函數來給出。”他將數據對象（data object）定義為“一個數據對象是實例或值的集合”。
Clifford A.Shaffer在《數據結構與算法分析》一書中的定義是：“數據結構是 ADT（抽象數據類型Abstract Data Type） 的物理實現。”
大話數據結構：數據結構是相互之間存在一種或多種特定關系的數據元素的集合。
mooc-陳越：數據結構包括數據對象集以及它們在計算機中的組織方式，即它們的邏輯結構和物理存儲結構，同時還包括與數據對象集相關的操作集，以及實現這些操作的最高效的算法。
個人：就是把圖書館中的書轉化為一些字符數據存入電腦中，以及對這些數據對象集的操作。如找書，擺放放書等。
什么是算法？
還是圖書館的例子，如果一本一本找累死人，要是有個索引，先找哪一類這樣會快很多。如何查找其實就是算法。
算法是解決問題步驟的有限集合，通常用某一種計算機語言進行偽碼描述。通常用時間復雜度和空間復雜度來衡量算法的優劣。
算法的五大特征：輸入、輸出、有窮性、確定性、可行性。
輸入：零個或多個輸入。
輸出：一個或多個輸出。
有窮性：有限步驟后在可接受時間內完成。
確定性：每個步驟都有確定含義，無二義性。
可行性：每一步都是可行的。
算法設計要求：正確性、可讀性、健壯性、時間效率高和存儲低。
正確性：有輸入輸出，無二義性，有正確答案。
可讀性：方便閱讀。
健壯性：輸入不合法能處理
時間效率高和存儲低：時間空間復雜度越低越好。
這就是數據結構和算法。
數據結構有哪些？
數據結構可以簡單分為：排序、鏈表、列表、生成樹、樹、圖、棧、哈希
抽象數據類型可以分為：棧、隊列、集合、映射
數據結構中英文對照
Data Structure Array 數組 Stack / Queue 棧/隊列 PriorityQueue 優先隊列 LinkedList 鏈表 Tree / Binary Search Tree 樹/二叉搜索樹 HashTable 哈希表 Disjoint Set 並查集 Trie 字典樹(單詞查找樹) BloomFilter 布隆過濾器 LRU Cache LRU緩存
算法有哪些？
1、十大排序算法
-
簡單排序：插入排序、選擇排序、冒泡排序（必學）
-
分治排序：快速排序、歸並排序（必學，快速排序還要關注中軸的選取方式）
-
分配排序：桶排序、基數排序
-
樹狀排序：堆排序（必學）
-
其他：計數排序（必學）、希爾排序
2、圖論算法
-
圖的表示：鄰接矩陣和鄰接表
-
遍歷算法：深度搜索和廣度搜索(必學)
-
最短路徑算法：Floyd，Dijkstra（必學）
-
最小生成樹算法：Prim，Kruskal（必學）
-
實際常用算法：關鍵路徑、拓撲排序（原理與應用）
-
二分圖匹配：配對、匈牙利算法（原理與應用）
-
拓展：中心性算法、社區發現算法（原理與應用）
3、搜索與回溯算法
-
貪心算法（必學）
-
啟發式搜索算法：A*尋路算法（了解）
-
地圖着色算法、N 皇后問題、最優加工順序
-
旅行商問題
4、動態規划
-
樹形DP：01背包問題
-
線性DP：最長公共子序列、最長公共子串
-
區間DP：矩陣最大值（和以及積）
-
數位DP：數字游戲
-
狀態壓縮DP：旅行商
5、字符匹配算法
-
正則表達式
-
模式匹配：KMP、Boyer-Moore
6、流相關算法
-
最大流：最短增廣路、Dinic 算法
-
最大流最小割：最大收益問題、方格取數問題
-
最小費用最大流：最小費用路、消遣
部分算法中英文對照
Greedy 貪心算法 Recursion/Backtrace 遞歸算法/回溯算法 Traversal 遍歷算法 Breadth-first/Depth-first search 廣度優先搜索/深度優先搜索 Divide and Conquer 分而治之法簡稱分治法 Dynamic Programming 動態規划 Graph 圖 Pre-order/In-order/Post-order traversal 前序/中序/后序遍歷 Binary Search 二分查找
二、為什么要學習數據結構與算法?
此處省略一萬字...
三、怎么學數據結構與算法？
1、刻意練習：
指的是針對一個模塊的知識點，刻意的進行練習，並且要練習自己有缺陷跟弱點的地方，特別是讓自己有不舒服、不爽、枯燥的感覺。比如生活中的例子：乒乓球、台球、游戲等等。
2、反饋：
-
反饋要即時，分如下兩種：
核心概括一下：
-
把學習算法和數據結構這個整體進行切分，可以看到是上面這么多種類，根據這些種類來進行學習。
-
刻意的練習自己的薄弱環節。
-
看大量的高手代碼，刷大量的leetcode題目。
-
解題的時候要實現所有的方法，比較算法時間和空間復雜度。
3、算法面試面試時的切題四件套
-
Clarification（明確）
先把題目弄明白，看看有沒有什么比較陰險的地方，邊界啊范圍啊之類的
-
Possible solutions （可能的解決方案）
-
compare(time/space)（比較時間復雜度和空間復雜度）
-
optimal（加強）
找到盡可能多的解，找到最佳解,多問，多思考
-
-
Coding （多寫）
邊學邊練，適度刷題，用編輯器或者IDE在本地敲代碼
-
Test cases （測試案例）
看Solutions和Discussions板塊學習別人的代碼
知識需要沉淀，不要想試圖一下子掌握所有，不要一下子學習太多，然后還學的不咋地，最后放棄了。
總結一下就是：我們遇到什么困難，也不要怕，微笑着面對它，消除恐懼的最好辦法就是面對恐懼，堅持，才是勝利！加油，奧利給！
沒毛病，干就完了，奧利給！
然並卵，哈哈哈。
四、 如何通過LeetCode來進行算法題目練習
常見練習場景
場景1
拿到題目后就開始想着怎么寫代碼，結果寫了大半天，試着做了半天，不對，再繼續寫，還是不對，f**k，這么難，大sb，不做了
場景2
看完題目，這是要干啥，完全不知道怎么下手。
一些微小的算法學習經驗
其實，學算法，刷題蠻干是不行的，需要遵循科學的方法。
算法不是拼智商
算法不是純粹拼智商的，智商高，就一定很厲害，不夠聰明，就一定不行。算法是一種技能，是可以通過科學合理的方式訓練出來的能力。
智商的高低，當然會有影響，但這個先天因素無法改變，而科學合理的方法是大家都可以掌握的。
所以，首要的一點，是要意識到，算法不是只拼智商的，也是可以經由后天訓練習得的。
難度要循序漸進
有些同學喜歡上來就是干，上來就是終極難度的題目，覺得自己只要做出最難的，其它的就迎刃而解了。這種急於求成的思想要不得。
算法訓練是一個系統工程，需要循序漸進，太過於急功近利，反而容易因做不出難題而產生挫敗感，帶來反效果。
選擇題目不要看標簽
不要看標簽，不要看標簽，不要看標簽。標簽相當於問題的分類，看了標簽就會往那個方向去想，不利於自主思考。
練習時使用番茄時鍾
番茄時鍾是啥？百度一下
分配時間大概如下
第一階段：
分析階段：讀完題目，分析大概的要點，可能需要的知識點，此階段不動手，僅僅動腦。
在分析推導題目解法的時候，不要去想任何實現相關地事情，不用去想代碼怎么寫，不用去想要用什么庫，定義什么變量，用多少層循環，都不要想，就想着在邏輯上，這道題目要怎么解。
這樣做可以極大地降低你的心智負擔，使你高效地想出題目的解法。對於如何將想法變成代碼，可以留在下一個步驟，單獨來進行。
用時：1個番茄鍾，最多2個番茄鍾
重要的一點：如果最多2個番茄鍾過完，還是沒有任何思路，直接看解法，各種別人的解法，這不是抄答案！
然后背誦並默寫好的解法。直接應用五步刷題法。
第二階段：
驗證分析階段：
代碼寫起來，注意一些常見的小錯誤有：
-
拼寫錯誤。變量命名要足夠清楚，不要用單個字母或者語意不明的單詞。
-
數組邊界未考慮。
-
空值未考慮。
用時：1個番茄鍾，最多2個番茄鍾。
注意：
如果中間發現了分析階段的錯誤或者疏漏。應該立即結束編碼，休息。
並且重新開啟分析階段的時鍾。
如果是重新開始分析再次進入代碼驗證分析階段，還是做的不對，用時超過3個番茄鍾，直接看討論或者答案。
切忌邊寫邊改方案。如果發現編碼過程狀態不夠好，應該加長休息時間，或者干脆結束掉。不要給自己留下低效的映像。
去開開心心的玩游戲，看電影吧，嗶哩嗶哩刷起來,別練習了。
第三階段：
進行解題分享階段：
分享時，建議大家就把自己番茄時鍾的執行記錄進行分享。最后標准的解法以及思路其實在 discussion 中都有。對他人有用的分享不是結果，而是：
-
你在番茄時鍾中是如何規划的，也就是番茄時鍾的目標。
-
你是如何分析，也就是思路。
-
你的結論是什么，或者是你在執行時除了什么問題。
-
你所總結出的題目的關鍵部分。也就是對問題域進行探索的經驗。
五步刷題法
刷題第一遍：
-
5~10分鍾：讀題思考
-
直接看解法，去國際站看最高票的回答
-
背誦、默寫好的解法
-
多解法，比較解法優劣
刷題第二遍：
-
馬上自己打開瀏覽器寫->leetcode提交
-
多種解法比較、體會->優化
刷題第三遍：
-
一天后，再重復刷題
-
不同解法的熟練程度->專項練習 刷題第四遍：
-
一周后：反復回來練習相同題 刷題第五遍：
-
面試前一周恢復性訓練
認真學習，堅持訓練。
最大的誤區
做算法題只做一遍！！！
關鍵的關鍵
-
現在就動手
-
注冊LeetCode
-
練習-堅持-機會給予有准備的人
參考資料
[1]https://blog.csdn.net/u013164931/article/details/80189351
[2]https://www.cnblogs.com/kubidemanong/p/11847944.html
[3]https://blog.csdn.net/weixin_41278720/article/details/90268965