如何选择数据结构和算法（转）

熟知每种数据结构和算法的功能、特点、时间空间复杂度，还是不够的。工程上的问题往往都比较开放，往往需要综合各种因素，比如编码难度、维护成本、数据特征、数据规模等，最终选择一个工程的最合适解，而非理论上的最优解。

1. 时间、空间复杂度 != 性能

• 复杂度不是执行时间和内存消耗的精确值 大O表示法表示复杂度的时候，复杂度给出的只能是一个非精确量值的趋势。
• 代码的执行时间有时不跟时间复杂度成正比 时间复杂度是O（nlogn）的算法，比时间复杂度是O（n2）的算法，执行效率要高。前提是，算法处理的是大规模数据的情况。
• 对于处理不同问题的不同算法，其复杂度大小没有可比性

2. 抛开数据规模谈数据结构和算法都是“耍流氓”

• 在数据规模很小的情况下，普通算法和高级算法之间的性能差距会非常小。 大部分情况下，我们直接用最简单的存储结构和最暴力的算法就可以了。

比如，对于长度在100以内的字符串匹配，我们直接使用朴素的字符串匹配算法就够了。如果用KMP、BM这些更加高效的字符串匹配算法，实际上就大材小用了。因为这对于处理时间是毫秒量级敏感的系统来说，性能的提升并不大。相反，这些高级算法会徒增编码的难度，还容易产生bug。

3. 结合数据特征和访问方式来选择数据结构

如何将一个背景复杂、开放的问题，通过细致的观察、调研、假设，理清楚要处理数据的特征与访问方式，这才是解决问题的重点。

比如前面讲过，Trie树这种数据结构是一种非常高效的字符串匹配算法。但是，如果你要处理的数据，并没有太多的前缀重合，并且字符集很大，显然就不适合利用Trie树了。所以，在用Trie树之前，我们需要详细地分析数据的特点，甚至还要写些分析代码、测试代码，明确要处理的数据是否适合使用Trie 树这种数据结构。

再比如，图的表示方式有很多种，邻接矩阵、邻接表、逆邻接表、二元组等等。你面对的场景应该用哪种方式来表示，具体还要看你的数据特征和访问方式。如果每个数据之间联系很少，对应到图中，就是一个稀疏图，就比较适合用邻接表来存储。相反，如果是稠密图，那就比较适合采用邻接矩阵来存储。

4. 区别对待IO密集、内存密集和计算密集

• 如果要处理的数据存储在磁盘，比如数据库中。那代码的性能瓶颈有可能在磁盘IO，而并非算法本身。这个时候，你需要合理地选择数据存储格式和存取方式，减少磁盘IO的次数。

比如最终推荐人的例子。如果某个用户是经过层层推荐才来注册的，获取他的最终推荐人的时候，就需要多次访问数据库，性能显然不高。 我们知道，某个用户的最终推荐人一旦确定，就不会变动。所以，可以离线计算每个用户的最终推荐人，并且保存在表中的某个字段里。当要查看某个用户的最终推荐人的时候，访问一次数据库就可以获取到。

• 如果数据是存储在内存中，那还需要考虑，代码是内存密集型的还是CPU密集型的。

所谓CPU密集型，简单点理解就是，代码执行效率的瓶颈主要在CPU执行的效率。我们从内存中读取一次数据，到CPU缓存或者寄存器之后，会进行多次频繁的CPU计算（比如加减乘除），CPU计算耗时占大部分。所以，在选择数据结构和算法的时候，要尽量减少逻辑计算的复杂度。比如，用位运算代替加减乘除运算等。

所谓内存密集型，简单点理解就是，代码执行效率的瓶颈在内存数据的存取。对于内存密集型的代码，计算操作都比较简单，比如，字符串比较操作，实际上就是内存密集型的。每次从内存中读取数据之后，我们只需要进行一次简单的比较操作。所以，内存数据的读取速度，是字符串比较操作的瓶颈。因此，在选择数据结构和算法的时候，需要考虑是否能减少数据的读取量，数据是否在内存中连续存储，是否能利用CPU缓存预读。

5. 善用语言提供的类，避免重复造轮子

大部分常用的数据结构和算法，编程语言都提供了现成的类和函数实现。比如，Java中的HashMap就是散列表的实现，TreeMap就是红黑树的实现等。除非有特殊的要求，一般直接使用编程语言中提供的这些类或函数。

这些编程语言提供的类和函数，经过无数验证过的，不管是正确性、鲁棒性，都要超过你自己造的轮子。

重复造轮子，并没有那么简单。你需要写大量的测试用例，并且考虑各种异常情况，还要团队能看懂、能维护。出力不讨好。

这也是很多高级的数据结构和算法，比如Trie树、跳表等，在工程中，并不经常被应用的原因。但这并不代表，学习数据结构和算法是没用的。深入理解原理，有助于你能更好地应用这些编程语言提供的类和函数。能否深入理解所用工具、类的原理，这也是普通程序员跟技术专家的区别。

6. 千万不要漫无目的地过度优化

一段代码执行只需要0.01秒，你非得用一个非常复杂的算法或者数据结构，将其优化成0.005秒。这种微小优化的意义也并不大。维护成本高。

要学会估算。不仅要对普通情况下的数据规模和性能压力做估算，还需要对异常以及将来一段时间内，可能达到的数据规模和性能压力做估算。这样，我们才能做到未雨绸缪，写出来的代码才能经久可用。

还有，当你真的要优化代码的时候，一定要先做Benchmark 基准测试。这样才能避免你想当然地换了一个更高效的算法，但真实情况下，性能反倒下降了。