pull/1/head
595208882@qq.com 3 years ago
parent ecd9fc7b6b
commit 727014e869

@ -416,7 +416,7 @@ public class Node<E> {
栈是一种**先进后出**`FILO`First in last out或**后进先出**`LIFO`Last in first out的数据结构。 栈是一种**先进后出**`FILO`First in last out或**后进先出**`LIFO`Last in first out的数据结构。
![数据结构-stack](images/Algorithm/数据结构-stack.png) ![Stack-Push-and-Pop-Operations](images/Algorithm/Stack-Push-and-Pop-Operations.png)
- **单向链表**:可以利用一个单链表来实现栈的数据结构。而且,因为我们都只针对栈顶元素进行操作,所以借用单链表的头就能让所有栈的操作在 O(1) 的时间内完成。 - **单向链表**:可以利用一个单链表来实现栈的数据结构。而且,因为我们都只针对栈顶元素进行操作,所以借用单链表的头就能让所有栈的操作在 O(1) 的时间内完成。
- **Stack**是Vector的子类比Vector多了几个方法 - **Stack**是Vector的子类比Vector多了几个方法
@ -511,7 +511,7 @@ public class Stack<E> extends Vector<E> {
- **栈**:采用**后进先出**`LIFO` - **栈**:采用**后进先出**`LIFO`
- **队列**:采用 **先进先出**First in First Out即`FIFO` - **队列**:采用 **先进先出**First in First Out即`FIFO`
![数据结构-queue](images/Algorithm/数据结构-queue.png) ![FIFO-Representation-of-Queue](images/Algorithm/FIFO-Representation-of-Queue.png)
**实现方式** **实现方式**
@ -939,7 +939,9 @@ public class TreeNode {
#### B树(Balance Tree) #### B-树(Balance Tree)
![B-tree图解](images/Algorithm/B-tree图解.png)
对于在内存中的查找结构而言,红黑树的效率已经非常好了(实际上很多实际应用还对RBT进行了优化)。但是如果是数据量非常大的查找呢将这些数据全部放入内存组织成RBT结构显然是不实际的。实际上像OS中的文件目录存储数据库中的文件索引结构的存储…. 都不可能在内存中建立查找结构。必须在磁盘中建立好这个结构。 对于在内存中的查找结构而言,红黑树的效率已经非常好了(实际上很多实际应用还对RBT进行了优化)。但是如果是数据量非常大的查找呢将这些数据全部放入内存组织成RBT结构显然是不实际的。实际上像OS中的文件目录存储数据库中的文件索引结构的存储…. 都不可能在内存中建立查找结构。必须在磁盘中建立好这个结构。
在磁盘中组织查找结构从任何一个结点指向其他结点都有可能读取一次磁盘数据再将数据写入内存进行比较。大家都知道频繁的磁盘IO操作效率是很低下的(机械运动比电子运动要慢不知道多少)。显而易见所有的二叉树的查找结构在磁盘中都是低效的。因此B树很好的解决了这一个问题。 在磁盘中组织查找结构从任何一个结点指向其他结点都有可能读取一次磁盘数据再将数据写入内存进行比较。大家都知道频繁的磁盘IO操作效率是很低下的(机械运动比电子运动要慢不知道多少)。显而易见所有的二叉树的查找结构在磁盘中都是低效的。因此B树很好的解决了这一个问题。
@ -963,6 +965,8 @@ public class TreeNode {
**案例分析**
如下图B树的内部节点可以存放数据类似ZK的中间节点一样。B树不是每个节点都有足够多的子节点 如下图B树的内部节点可以存放数据类似ZK的中间节点一样。B树不是每个节点都有足够多的子节点
![BalanceTree](images/Algorithm/BalanceTree.png) ![BalanceTree](images/Algorithm/BalanceTree.png)
@ -973,12 +977,18 @@ public class TreeNode {
#### B+树(B+Tree) #### B+树(B+Tree)
![B+tree图解](images/Algorithm/B+tree图解.png)
**B+树是从B树的变体**。跟B树的不同 **B+树是从B树的变体**。跟B树的不同
- **内部节点不保存数据,只用于索引** - **内部节点不保存数据,只用于索引**
- **B+树的每个叶子节点之间存在指针相连,而且是单链表**,叶子节点本身依关键字的大小自小而大顺序链接 - **B+树的每个叶子节点之间存在指针相连,而且是单链表**,叶子节点本身依关键字的大小自小而大顺序链接
如下图其实B+树上二叉搜索树的扩展二叉搜索树是每次一分为二B树是每次一分为多现代操作系统中磁盘的存储结构使用的是B+树机制mysql的innodb引擎的存储方式也是B+树机制:
**案例分析**
如下图其实B+树上二叉搜索树的扩展二叉搜索树是每次一分为二B树是每次一分为多现代操作系统中磁盘的存储结构使用的是B+树机制mysql的innodb引擎的存储方式也是B+树机制:
![B+Tree](images/Algorithm/B+Tree.png) ![B+Tree](images/Algorithm/B+Tree.png)
@ -1006,6 +1016,18 @@ public class TreeNode {
## 高级数据结构 ## 高级数据结构
### 哈希表(Hash Table)
In a hash table, a new index is processed using the keys. And, the element corresponding to that key is stored in the index. This process is called **hashing**.
Let k be a key and h(x) be a hash function. Here, h(k) will give us a new index to store the element linked with k.
![Hash-table-Representation](images/Algorithm/Hash-table-Representation.png)
### 优先队列Priority Queue ### 优先队列Priority Queue
能保证每次取出的元素都是队列中优先级别最高的。优先级别可以是自定义的,例如,数据的数值越大,优先级越高;或者数据的数值越小,优先级越高。优先级别甚至可以通过各种复杂的计算得到。 能保证每次取出的元素都是队列中优先级别最高的。优先级别可以是自定义的,例如,数据的数值越大,优先级越高;或者数据的数值越小,优先级越高。优先级别甚至可以通过各种复杂的计算得到。
@ -1227,8 +1249,12 @@ public class Solution {
**最大堆**:任何一个父节点的值,都 **大于** 或 **等于** 它左、右子节点的值,**堆顶** 是整个堆中的 **最大** 元素。 **最大堆**:任何一个父节点的值,都 **大于** 或 **等于** 它左、右子节点的值,**堆顶** 是整个堆中的 **最大** 元素。
![Max-heap](images/Algorithm/Max-heap.png)
**最小堆**:任何一个父节点的值,都 **小于** 或 **等于** 它左、右孩子节点的值,**堆顶** 是整个堆中的 **最小** 元素。 **最小堆**:任何一个父节点的值,都 **小于** 或 **等于** 它左、右孩子节点的值,**堆顶** 是整个堆中的 **最小** 元素。
![Min-heap](images/Algorithm/Min-heap.png)
# Algorithm # Algorithm

@ -2078,7 +2078,7 @@ redo log 实际的触发 fsync 操作写盘包含以下几个场景:
**背景**二叉查找树查询的时间复杂度是O(logN)查找速度最快和比较次数较少。但用于数据库索引当数据量过大不可能将所有索引加载进内存使用二叉树会导致磁盘I/O过于频繁最坏的情况下磁盘I/O的次数由树的高度来决定。 **背景**二叉查找树查询的时间复杂度是O(logN)查找速度最快和比较次数较少。但用于数据库索引当数据量过大不可能将所有索引加载进内存使用二叉树会导致磁盘I/O过于频繁最坏的情况下磁盘I/O的次数由树的高度来决定。
B-Tree(平衡多路查找树)对二叉树进行了横向扩展,能很好解决红黑树中遗留的高度问题,使树结构更加**矮胖**使得一次I/O能加载更多关键字对比在内存中完成减少了磁盘I/O次数更适用于大型数据库但是为了保持自平衡插入或者删除元素都会导致节点发生裂变反应有时候会非常麻烦。 **B-Tree(平衡多路查找树)**对二叉树进行了横向扩展,能很好**解决红黑树中遗留的高度问题**,使树结构更加**矮胖**使得一次I/O能加载更多关键字对比在内存中完成减少了磁盘I/O次数更适用于大型数据库但是为了保持自平衡插入或者删除元素都会导致节点发生裂变反应有时候会非常麻烦。
![索引-B树结构](images/Database/索引-B树结构.png) ![索引-B树结构](images/Database/索引-B树结构.png)

Binary file not shown.

After

Width:  |  Height:  |  Size: 2.8 MiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 3.4 MiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 2.1 MiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 10 MiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 839 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 839 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 56 KiB

Loading…
Cancel
Save