当前位置：首页 > news >正文

时时彩网站建设teafly行业关键词词库

news 2025/7/28 7:07:53

时时彩网站建设teafly,行业关键词词库,电子商务网站的开发方式有哪三种,在哪家网站可以买做服装的模具Python数据结构高级：图的表示与遍历一、图的基本概念 1.1 图的定义与分类图（Graph）是由顶点（Vertex）集合和边（Edge）集合组成的数据结构，形式化表示为 G (V, E) 主要分类&…

Python数据结构高级：图的表示与遍历

一、图的基本概念

1.1 图的定义与分类

图（Graph）是由顶点（Vertex）集合和边（Edge）集合组成的数据结构，形式化表示为 G = (V, E)

主要分类：

无向图 vs 有向图

# 无向图示例：A-B-C
# 有向图示例：A→B→C

权重图 vs 非权重图

# 权重图示例：A-(5)-B-(3)-C
# 非权重图示例：A-B-C

1.2 典型应用场景

社交网络：用户为顶点，关注关系为边
交通网络：城市为顶点，路线为带权边
知识图谱：实体为顶点，关系为边
推荐系统：用户-商品交互关系建模

二、图的表示方法

2.1 邻接矩阵

使用二维数组表示顶点间的连接关系

class AdjMatrixGraph:def __init__(self, vertices):self.size = len(vertices)self.vertices = verticesself.matrix = [[0]*self.size for _ in range(self.size)]self.index_map = {v:i for i,v in enumerate(vertices)}def add_edge(self, u, v, weight=1):i = self.index_map[u]j = self.index_map[v]self.matrix[i][j] = weight# 若是无向图需添加反向# self.matrix[j][i] = weight

时间复杂度分析：

查询相邻节点：O(1)
遍历所有边：O(V²)
空间复杂度：O(V²)

2.2 邻接表

使用字典+链表存储连接关系（更节省空间）

from collections import defaultdictclass Graph:def __init__(self):self.adj_list = defaultdict(list)def add_edge(self, u, v, weight=None):self.adj_list[u].append((v, weight))# 若是无向图需添加反向# self.adj_list[v].append((u, weight))

时间复杂度分析：

查询相邻节点：O(1)平均
遍历所有边：O(V+E)
空间复杂度：O(V+E)

三、图的遍历算法

3.1 深度优先搜索（DFS）

def dfs(graph, start):visited = set()stack = [start]while stack:vertex = stack.pop()if vertex not in visited:print(vertex, end=' ')visited.add(vertex)# 逆序压栈保证顺序一致性for neighbor in reversed(graph.adj_list[vertex]):if neighbor[0] not in visited:stack.append(neighbor[0])

应用场景：

拓扑排序
检测环路
寻找连通分量

3.2 广度优先搜索（BFS）

from collections import dequedef bfs(graph, start):visited = set()queue = deque([start])while queue:vertex = queue.popleft()if vertex not in visited:print(vertex, end=' ')visited.add(vertex)for neighbor in graph.adj_list[vertex]:if neighbor[0] not in visited:queue.append(neighbor[0])

应用场景：

最短路径查找（未加权图）
社交网络的好友推荐
网页爬虫的URL遍历

四、完整代码示例

class Graph:def __init__(self):self.adj_list = defaultdict(list)def add_edge(self, u, v, weight=None):self.adj_list[u].append((v, weight))def dfs(self, start):visited = set()self._dfs_recursive(start, visited)def _dfs_recursive(self, vertex, visited):if vertex not in visited:print(vertex, end=' ')visited.add(vertex)for neighbor in self.adj_list[vertex]:self._dfs_recursive(neighbor[0], visited)def bfs(self, start):visited = set()queue = deque([start])while queue:vertex = queue.popleft()if vertex not in visited:print(vertex, end=' ')visited.add(vertex)for neighbor in self.adj_list[vertex]:if neighbor[0] not in visited:queue.append(neighbor[0])# 使用示例
if __name__ == "__main__":g = Graph()g.add_edge('A', 'B')g.add_edge('A', 'C')g.add_edge('B', 'D')g.add_edge('C', 'E')g.add_edge('D', 'E')print("DFS遍历结果：")g.dfs('A')  # 输出：A B D E C print("\nBFS遍历结果：")g.bfs('A')  # 输出：A B C D E

五、每日挑战：路径存在性判断

def has_path(graph, start, end):visited = set()stack = [start]while stack:current = stack.pop()if current == end:return Trueif current not in visited:visited.add(current)for neighbor in graph.adj_list[current]:if neighbor[0] not in visited:stack.append(neighbor[0])return False# 测试用例
g = Graph()
g.add_edge('A', 'B')
g.add_edge('B', 'C')
g.add_edge('C', 'D')print(has_path(g, 'A', 'D'))  # 输出：True
print(has_path(g, 'D', 'A'))  # 输出：False

算法选择建议：

最短路径问题 → BFS
拓扑排序 → DFS
存在性判断 → 两者均可

六、扩展应用

加权图的最短路径（Dijkstra算法）
最小生成树（Prim/Kruskal算法）
社交网络分析（使用NetworkX库）
图数据库应用（Neo4j的Python接口）

# Dijkstra算法示例
import heapqdef dijkstra(graph, start):distances = {vertex: float('inf') for vertex in graph}distances[start] = 0heap = [(0, start)]while heap:current_dist, current_vertex = heapq.heappop(heap)if current_dist > distances[current_vertex]:continuefor neighbor, weight in graph[current_vertex]:distance = current_dist + weightif distance < distances[neighbor]:distances[neighbor] = distanceheapq.heappush(heap, (distance, neighbor))return distances