【问题标题】:Data structure - Big O of access and indexing. What do they really mean?数据结构 - 访问和索引的大 O。它们的真正含义是什么?
【发布时间】:2016-10-08 20:27:21
【问题描述】:

我在网上找到了两篇文章:

First

Second

让我困惑的是他们使用的术语Indexing和Access。他们指的是同一件事吗?

以数组为例:

第一个说 Access 的大 O 是 O(1)。第二个说索引的大 O 是 O(1)。所以我假设他们都说给定索引x,你可以在O(1)中得到array[x]的值。

以哈希表为例:

第一个说 Access 的大 O 是 N/A。我认为这是因为使用哈希表,您只能通过键进行 搜索。您不会通过索引检索值。但是第二个说索引的大 O 是 O(1)。也许这次是指搜索?

现在以二叉树为例:

第一个:访问是 O(logN)。第二个:索引是O(logN)。

什么?

所以现在他们都指的是搜索?您不能通过索引从二叉树中检索值,对吧?

请帮我澄清一下。谢谢!

【问题讨论】:

  • 我认为访问和索引在您的文章中并没有真正的固定定义。但是,搜索可以更明确地定义:查找与某个条件匹配的元素(如果存在)。与了解每个数据结构可以做什么相比,关心确切的术语可能并不重要。

标签: algorithm data-structures time-complexity big-o


【解决方案1】:

在上面的文章中,索引和访问是同一回事,它们都描述了访问元素所需的渐近复杂性。

更具体地说:

  • 在数组中,索引或访问当然是 O(1) 时谈论 访问例如第三个元素,搜索是 O(n) 由于 在最坏的情况下需要线性通过。
  • 在 Hashtables 中明确指出我们不能引用索引,例如 第三个元素是什么——这个问题没有意义。第一篇 考虑到上述通知,表示不适用。第二 文章认为 Hashtable - 索引是寻找一个元素 (您知道元素的哈希键)。那么这是真的 如果你有一个好的哈希表(好的长度和 最重要的良好哈希函数)它几乎是常数时间 O(1)。
  • 在二叉树中查找 - 查找元素是 O(logn)。这里 第一篇文章用access这个词,指的是搜索 您已经很好地指出了这一点。您无法检索 通过索引从二叉树中获取值,但通过索引获取第二篇文章 这意味着搜索,因为在其他情况下建立索引并不意味着 任何事物。请注意,搜索(或访问或索引或 search) 在二叉搜索树中不是 O(logn) 而是 O(n) 因为 想象一下我们在树中插入排序元素的情况(例如 1,2,3,4,5,...) 然后树变成一个列表并且搜索是线性的。 很多时候,它被称为 O(logn),因为这种情况 排序的元素很少见,而且大多数时候都需要 O(logn)(但这是平均情况的渐近复杂度,而不是 最差! )。如果你使用 AVL 树,你会得到 O(logn) 树总是平衡的,搜索是 O(logn)。

所以在上述文章中的哈希表和二叉搜索树中,访问索引被称为搜索。

【讨论】:

  • 所以你基本上同意我的想法,对吧?你提到了Heap。我认为在堆中搜索(最小堆/最大堆)是 O(n),而不是 O(logN)。
  • 顺便说一句,对于二叉树,你解释它的方式起初让我感到困惑。第一行searching an element is O(logN)。然后Note that searching in binary search trees is not O(logN) but O(n)。但我意识到你在谈论平均情况和最坏情况。
  • 是的,我同意第一个,堆是一个总是平衡的二叉树,所以搜索最多是树的高度,即 O(logn)。至于 BST 想象插入 4,3,2,1 那么二叉搜索树将是 4->3->2->1 这通常是一个列表并且搜索变成线性的,大 O 是指最坏的情况,所以我们说是 O(n),但值得注意的是,在中等情况下,BST 会给出 O(logn)(但正如我所解释的,这并不是最糟糕的!)。
  • here 是我正在谈论的堆定义。搜索应该是 O(n)。
  • 是的,你有权使用堆,它是 O(n)(我正在考虑在堆中插入),我会编辑这篇文章,尽管 AVL 树是 O(logn)。
猜你喜欢
  • 2014-10-13
  • 2011-07-15
  • 1970-01-01
  • 1970-01-01
  • 2015-07-16
  • 2012-05-18
  • 1970-01-01
  • 2014-10-10
  • 1970-01-01
相关资源
最近更新 更多