Python数据结构初识：
一、Python数据结构概述
1.何为数据结构
在程序中，同样的一个或几个数据组织起来，可以有不同的组织方式，也就是不同的存储方式，不同的组织方式就是不同的结构，我们把这些数据组织在一起的结构就叫做数据结构
例如：
有一串字符串："abc"，我们将它重新组织一下，比如通过list()函数将"abc"变成["a","b","c"]，那么这个时候数据发生了重组，重组之后的结构就发生了变化，我们把["a","b","c"]这种结构叫做列表，也就是说列表是数据结构的一种类型之一。数据结构除了列表之外还有元组()，字典｛""："",｝、队列、栈、树等。
2.数据结构实例
Python中的数据结构有很多类型。其中，Python中系统自己定义的不需要我们自己去定义的数据结构叫做Python的内置数据结构，比如列表、元组等，而有一些数据组织方式，Python系统里面没有直接定义，需要我们自己去定义这些数据的组织方式，这些组织方式称为Python的扩展数据结构，比如栈、队列等。
#实例：
#Python内置的数据结构有元组、列表、字典等。
#现在有三个物品，分别是"apple","orange","pear"，需要把这三个物品存储起来
#存储方式1：这三个物品每个物品按顺序分别存储到一个柜子里，这些物品可以取出来，如下：可以修改
["apple","orange","pear"]#存储方式2：这三个物品每个物品按顺序分别存储到一个柜子里，但是物品不可以取出来，也不可以放到其他柜子，如下，其实就是不可修改
("apple","orange","pear")#存储方式3：这三个物品不仅按顺序存储到一个柜子里，而且每个柜子还有一个名词
{"sam":"apple","jac":"orange","mating":"pear"}3.数据结构和算法的关系
在程序设计中，我们会发现数据结构经常和算法合在一起，这是为什么呢？其实，数据结构是数据的组织方式，就是存储方式，也就是说，数据结构是静态的。算法是指运算方法，通俗的说，就是运算思维，程序是动态的，需要将数据进行计算，运算方法有很多，不同的运算方法叫做不同的算法，所以我们可以这样理解：数据结构是算法的基础，但相同的数据结构运用不同的算法拥有不同的效率
二、Python常见数据结构-栈
1.何为栈
栈是一种数据结构，这种数据结构不同于系统自带的内置数据结构，属于扩展数据结构，需要自己定义
特点：栈相当于一端开口一端封闭的容器，数据A可以存储在栈里面，把数据A移动到里面这个过程叫做进栈，也叫压栈、入栈
如果数据A到达栈顶后，同是占了栈的一个位置，当再进入一个数据B的时候，也将到达栈顶，然后使A到栈顶的下一个位置，栈只能对栈顶的数据进行操作，此时就不能对A进行操作，可以将B出栈或删除，等B出栈后，A变成栈顶的时候就可以对A进行操作
2.栈的图示
只能从开口进开口出，栈顶指向新数据的位置，栈底不变，用过栈顶指针的移动进行数据的进栈出栈。
3.Python中栈的实现
栈是列表的扩展，只是栈只能从栈顶进行修改，不像列表可以从任意地方
#实例：
#栈的实现：
#栈是列表的扩展，只是栈只能从栈顶进行修改，不像列表可以从任意地方
class Stack(): #定义栈的类
def __init__(st,size): #初始化函数，两个形参，一个代表主体，一个代表容
量
st.stack=[]; #声明了栈
st.size=size; #声明栈的容量
st.top=-1; #初始与栈底重合的栈顶
def push(st,content): #入栈定义
if st.Full():
print"Stack is Full"
else:
st.stack.append(content) #入栈，数据进入，append增加内容，调用
append方法
st.top=st.top+1 #栈顶指针加1
def out(st):
if st.Empty():
print"Stack is Empty!"
else:
st.top=st.top-1
def Full(st): #判断栈是否Full
if st.top==st.size:
return True #栈满
else:
return False
def Empty(st):
if st.top==-1:
print"Stack is Empty!"三、Python常见数据结构-队列
1.何为队列
队列也是一种扩展的数据结构
特点：两端开的开口容器，但是只能在一端进行删除操作，不能进行插入操作，而另一端只能进行插入操作而不能进行删除操作，进行插入的这端叫做队尾，进行删除操作的这端叫做队首
数据是队尾进队首出，类似于排队
队首队尾不是根据位置来区别的，是根据功能来区分的
2.队列的图示
队尾进队首出
进队：qu.tail=qu.tail+1
出队：qu.head=qu.head+1
3.Python中队列的实现
#队列的实现
class Queue(): #队列类
def __init__(qu,size): #初始化信息，队列主体qu，队列容量size
qu.queue=[]; #用列表声明
qu.size=size; #传递进来的参数信息
qu.head=-1; #刚开始的队首队尾都在输出方
qu.tail=-1;
def Empty(qu): #先判断是否为空
if qu.head==qu.tail: #空的时候队首队尾指针参数
return True
else:
return False
def Full(qu): #判断队列是否已满
if qu.tail-qu.head+1==qu.size:
return True
else:
return False
def enQueue(qu,content): #进队
if qu.Full():
print "Queue is Full!"
else:
qu.queue.append(content)
qu.tail=qu.tail+1 #进队只和队尾相关，队尾指针加1
def outQueue(qu): #出队
if qu.Empty():
print "Queue is Empty!"
else:
qu.head=qu.head+1 #出队指针只和队首相关，队首加1
四、Python常见数据结构-树
1.何为树:
树是一种非线性的数据结构，树具有非常高的层次性。利用树来存储数据，能够是用公有元素进行存储，能够很大程度上节约空间。
定义：有且只有一个根节点，其次有N个不相交的子集，每个子集为一颗子树
2.树的图示：
3.什么是二叉树：
二叉树市一中特殊的树，二叉树要么是空树，要么是左、右两个不相交的子树组成，二叉树是有序树，即使只有一个子树，也需要区分该子树是左子树还是右子树。二叉树每个节点的度不可能大于2，可以取0,1,2。二叉树的存储方式有两种，一种是顺序方式，一种是链式存储。
顺序存储采用一维数组的存储方式
链式存储中，采用表的存储方式，通常分为三部分：数据域，左孩子链域和右孩子链域
4.二叉树的图示：
有5种情况，加上空树
5.Python中树以及二叉树的实现：通过列表表示
#1.树的基本构造
#树通过逗号，隔开
#树是由列表构成的，实际上Tree2=[58,6,[5]],Tree3=[5]
Tree=[2,3,[58,6,[5]]]
print Tree[0]
print Tree[1]
print Tree[2]
Tree2=Tree[2]
print Tree2[0]
>>>
2
3
[58, 6, [5]]
58#实现了树的嵌套，子树
>>>#2.二叉树的构造
'''
比如要构造一个二叉树：
7
8 9
23 36
57 58
可以这样分析：
节点（左节点，右节点，当前节点数据）
根节点base=(-->8也就是jd2,-->9也就是jd3,base)
jd2=(no,-->23也就是jd4,8)
jd3=(no,-->36也就是jd5,9)
jd4=(-->57也就是jd6,-->58也就是jd7,23)
jd5=(no,no,36)
jd6=(no,no,57)
jd7=(no,no,58)
但是要注意，写的时候倒过来写，就是从右叶子开始写，直到根节点
jd7=(no,no,58)
jd6=(no,no,57)
'''
class TRee(): #树的初始化
def __init__(self,leftjd=0,rightjd=0,data=0):
self.leftjd=leftjd;
self.rightjd=rightjd;
self.data=data;
class Btree(): #二叉树的初始化
def __init__(self,base=0):
self.base=base
def empty(self):
if self.base is 0:
return True
else:
return False
def qout(self,jd):
"""前序遍历，NLR，根左右"""
if jd==0:
return #没有节点的话，原样返回
print jd.data #先返回根节点的值
self.qout(jd.leftjd) #访问左节点
self.qout(jd.rightjd) #访问右节点
def mout(self,jd):
"""中序遍历，LNR，左根右"""
if jd==0:
return
self.mout(jd.leftjd)
print jd.data
self.mout(jd.rightjd)
def hout(self,jd):
"""后序遍历，LRN，左右根"""
if jd==0:
return
self.hout(jd.leftjd)
self.hout(jd.rightjd)
print jd.data>>> jd1=TRee(data=8)
>>> jd2=TRee(data=9)
>>> base=TRee(jd1,jd2,7)
>>> x=Btree(base) #调用Btree
>>> x.qout (x.base) #前序遍历NLR根左右
7
8
9
>>> x.mout (x.base) #中序遍历LNR左根右
8
7
9
>>> x.hout (x.base) #后序遍历LRN左右根
8
9
7
>>>五、Python常见数据结构-链表
1.何为链表
链表也是一种数据结构，链表是一种非连续，非顺序的存储方式，链表由一系列节点组成，每个节点包括两个部分，一部分是数据域，另一个部分是指向下一节点的指针域，链表可以分为单向链表,单向循环链表，双向链表，双向循环链表。
单向链表：a可以指向b，但是b不能指向a
单向循环链表：表头和表尾首尾相连，仍是单项
双向链表：a可以指向b，b也可以指向a
双向循环链表：首尾相连，可以顺时针，也可以逆时针
2.链表的图示
指针域：指向下一个节点的位置
节点之间是不相连的
3.Python中链表的实现
#链表的实现（单向链表）
class jd(): #节点类，存储数据
def __init__(self,data): #初始化
self.data=data
self.next=None #最初的时候不指向
class Linklist(): #链表类，实现链表作用
def __init__(self,jd2): #初始化
self.head=jd2 #把jd2传到表头
self.head.next=None #下一个位置
self.tail=self.head #初始化表头表尾重合
def add(self,jd2): #增加链表节点
self.tail.next=jd2 #将节点2赋值到链表尾
self.tail=self.tail.next
def view(self): #查看链表的所有情况
jd2=self.head #表头
linkstr="" #节点的数据，转化成字符串，然后不断累加
while jd2 is not None: #节点2不为空，开始
if jd2.next is not None: #节点2下一个节点不为空，开始遍历
linkstr=linkstr+str(jd2.data)+"-->" #开始遍历节点
else:
linkstr+=str(jd2.data)
jd2=jd2.next
print linkstr #打印出链表linkstr>>> jd1=jd(7)
>>> jd2=jd("hello")
>>> jd3=jd(8)
>>> x=Linklist(jd1)
>>> x.add (jd3)
>>> x.add (jd2)
>>> x.view ()
7-->8-->hello
>>>六、Python常见数据结构-bitmap：通过数组表示
1.何为bitmap
同样，bitmap也是一种数据结构。bit指的是位，map指的是图，bitmap也叫是位图。这种数据结构的存储简单来说就是把原来的数转化成二进制来存储，每个位占一个存储单元。我们对bitmap进行数据操作时，也就相当于操作一个位。bitmap的数据结构的优点是可以实现很好的排序
2.bitmap的图示
最高位为符号位，Python中一个数是32位，最右边为最低位，位图上存在数就变成1，不存在就是0
00000000 00000000 00000000 00000101
2^2+2^0=5，上面是数字5的二进制形式，实际上bitmap和二进制数值是有差异的
def bitIndex(self, num): #位索引，算出数值所在单元
return num % 31
3.Python中bitmap的实现
（1）.bitmap排序原理：
例如：请比较1，2，34的大小（出去符号位最高位在左边）
数组1：可以存储31个数，除去符号位，范围1-31
数组2：可以存储31个数，除去符号位，范围32-62
1：存储到数组1，2^0
2：存储到数组1，2^1
34：存储到数组2，34-32=2，再加1，就是数组2第三位
首先：数组2的大于数组1，从右往左依次增大
开始时bitmap为0，当所对应的位置存在数据时，就开始映射到bitmap对应位置，位置
上的0变成1
#（2）.bitmap的实现
class Bitmap():
def __init__(self, max): #最大的数
self.size = int((max+31 - 1) / 31) #计算所需要的数组个数
self.array = [0 for i in range(self.size)] #从数组中开始生成单元，
每个单元存储的值都是0
def bitIndex(self, num): #位索引，算出数值所在单元
return num % 31
def set(self, num): #置1
elemIndex =num / 31 #判断所在数组
byteIndex = self.bitIndex(num) #计算位索引
elem= self.array[elemIndex] #对应选择的数组
self.array[elemIndex] = elem |(1 << byteIndex) #置1，向左移动的次数
def test(self, i):
elemIndex = i / 31 #判断在第几个数组
byteIndex = self.bitIndex(i)
if self.array[elemIndex] & (1 << byteIndex): #判断是否在bitmap，不应
该超出范围
return True
return False
if __name__ == '__main__':
MAX = ord('z') #设置最大数为‘z’使用ord转化成ansll
suffle_array = [x for x in 'coledraw'] #将单词拆分
result = []
bitmap = Bitmap(MAX) #将MAX传递到Bitmap
for c in suffle_array: #从c开始调用到set
bitmap.set(ord(c))
for i in range(MAX + 1):
if bitmap.test(i): #如果存在i中存在数值，进行依次调用到test
result.append(chr(i))
print '原始数组为: %s' % suffle_array #拆分后的数组
print '排序后的数组为: %s' % result>>> =============================== RESTART ===============================
>>>
>>>
原始数组为: ['c', 'o', 'l', 'e', 'd', 'r', 'a', 'w']
排序后的数组为: ['a', 'c', 'd', 'e', 'l', 'o', 'r', 'w']
>>>七、Python常见数据结构-图
1.何为图
图仍是一种数据结构，我们可以简单的理解成一个关系网络，该网络中有N多结点，每个结点都存储着一个数据，数据之间的关联我们可以用线把关联的结点连起来的方式进行表示。
其中，有的数据关系是有方向的，比如数据A-->数据B，其关系只能从A到B，而不能从B到A，如果数据之间的关系是有方向，我们在图里面用带箭头弧线表示。有的数据关系是没有方向的，A--B表示既可以从A关联到B，也可以B关联A，这种没有方向的关系用线段表示。
2.图的图示
不同的结点之间有的有直接联系，有的通过中间结点有间接联系
3.Python中图的实现
#图的实现
chart={"A":["B","D"],"C":["E"],"D":["C","E"]}#图通过字典表示
#"A"：["B","D"]:A-->B,A-->D
#"C":["E"]:C-->E
#"D":["C","E"]:D-->C,D-->E
def path(chart,x,y,pathd=[]):
#chart:图
#x:起始结点
#y:指向结点
#pathd=[]:走过的路径
pathd=pathd+[x] #初始结点
if x==y:
return pathd #返回pathd
if not chart.has_key(x): #判断是否存在结点
return None
for jd in chart[x]: #结点在chart所直接对应的结点
if jd not in pathd:
newjd=path(chart,jd,y,pathd) #初始结点变成jd，寻找路径
if newjd:
return newjd #找到新结点的时候返回值>>> =============================== RESTART ===============================
>>>
>>> path(chart,"A","E")
['A', 'D', 'C', 'E']
>>>与之共勉，入门学习，需要持之以恒。
