前情提示：Go语言学习者。本文参考https://labuladong.gitee.io/algo，代码自己参考抒写，若有不妥之处，感谢指正
关于golang算法文章，为了便于下载和整理，都已开源放在：
- https://github.com/honlu/GoLabuladongAlgorithm
- https://gitee.com/dreamzll/GoLabuladongAlgorithm
方便就请分享，star！备注转载地址！欢迎一起学习和交流！
- 链接参考：
https://labuladong.gitee.io/algo
https://www.runoob.com/go/go-concurrent.html
https://www.kancloud.cn/kancloud/effective/72199
https://books.halfrost.com/leetcode/ChapterFour/0001~0099/0001.Two-Sum/
涉及题目
- leetcode 124 困难
- leetcode 105 难度 Medium
- leetcode 99 难度 Hard，恢复一棵 BST
- Leetcode 46 全排列 中等
首先，这里讲的都是普通的数据结构，咱不是搞算法竞赛的，野路子出生，我只会解决常规的问题。另外，以下是我个人的经验的总结，没有哪本算法书会写这些东西，所以请读者试着理解我的角度，别纠结于细节问题，因为这篇文章就是希望对数据结构和算法建立一个框架性的认识。
从整体到细节，自顶向下，从抽象到具体的框架思维是通用的，不只是学习数据结构和算法，学习其他任何知识都是高效的。
一、数据结构的存储方式
数据结构的存储方式只有两种：数组（顺序存储）和链表（链式存储）。
这句话怎么理解，不是还有散列表、栈、队列、堆、树、图等等各种数据结构吗？
我们分析问题，一定要有递归的思想，自顶向下，从抽象到具体。你上来就列出这么多，那些都属于「上层建筑」，而数组和链表才是「结构基础」。因为那些多样化的数据结构，究其源头，都是在链表或者数组上的特殊操作，API 不同而已。
比如说「队列」、「栈」这两种数据结构既可以使用链表也可以使用数组实现。用数组实现，就要处理扩容缩容的问题；用链表实现，没有这个问题，但需要更多的内存空间存储节点指针。
「图」的两种表示方法，邻接表就是链表，邻接矩阵就是二维数组。邻接矩阵判断连通性迅速，并可以进行矩阵运算解决一些问题，但是如果图比较稀疏的话很耗费空间。邻接表比较节省空间，但是很多操作的效率上肯定比不过邻接矩阵。
「散列表」就是通过散列函数把键映射到一个大数组里。而且对于解决散列冲突的方法，拉链法需要链表特性，操作简单，但需要额外的空间存储指针；线性探查法就需要数组特性，以便连续寻址，不需要指针的存储空间，但操作稍微复杂些。
「树」，用数组实现就是「堆」，因为「堆」是一个完全二叉树，用数组存储不需要节点指针，操作也比较简单；用链表实现就是很常见的那种「树」，因为不一定是完全二叉树，所以不适合用数组存储。为此，在这种链表「树」结构之上，又衍生出各种巧妙的设计，比如二叉搜索树、AVL 树、红黑树、区间树、B 树等等，以应对不同的问题。
了解 Redis 数据库的朋友可能也知道，Redis 提供列表、字符串、集合等等几种常用数据结构，但是对于每种数据结构，底层的存储方式都至少有两种，以便于根据存储数据的实际情况使用合适的存储方式。
综上，数据结构种类很多，甚至你也可以发明自己的数据结构，但是底层存储无非数组或者链表，二者的优缺点如下：
数组由于是紧凑连续存储,可以随机访问，通过索引快速找到对应元素，而且相对节约存储空间。但正因为连续存储，内存空间必须一次性分配够，所以说数组如果要扩容，需要重新分配一块更大的空间，再把数据全部复制过去，时间复杂度 O(N)；而且你如果想在数组中间进行插入和删除，每次必须搬移后面的所有数据以保持连续，时间复杂度 O(N)。
链表因为元素不连续，而是靠指针指向下一个元素的位置，所以不存在数组的扩容问题；如果知道某一元素的前驱和后驱，操作指针即可删除该元素或者插入新元素，时间复杂度 O(1)。但是正因为存储空间不连续，你无法根据一个索引算出对应元素的地址，所以不能随机访问；而且由于每个元素必须存储指向前后元素位置的指针，会消耗相对更多的储存空间。
二、数据结构的基本操作
对于任何数据结构，其基本操作无非遍历 + 访问，再具体一点就是：增删查改。
数据结构种类很多，但它们存在的目的都是在不同的应用场景，尽可能高效地增删查改。话说这不就是数据结构的使命么？
如何遍历 + 访问？我们仍然从最高层来看，各种数据结构的遍历 + 访问无非两种形式：线性的和非线性的。
线性就是 for/while 迭代为代表，非线性就是递归为代表。再具体一步，无非以下几种框架：
数组遍历框架，典型的线性迭代结构
func traverse(arr []int){
for i,v := range arr{
// i为下标，v为值。可以迭代访问arr[i]或者直接输出v
}
}
链表遍历框架，兼具迭代和递归结构：
/* 基本的单链表节点 go没有class,只有struct*/
type ListNode struct{
val int
next *ListNode
}
func traverse(head *ListNode){
for ListNode p = head; p != nil; p = p.next{
// 迭代遍历p.val
}
}
func traverse(head *ListNode){
// 前序遍历fmt.println(head.val)，正序打印链表
traverse(head.next)
// 后序遍历，倒序打印链表
}
二叉树遍历框架，典型的非线性递归遍历结构：
/*基本的二叉树节点*/
type TreeNode struct{
Val int
Left,Right *TreeNode
}
func traverse(root *TreeNode){
// 前序遍历
traverse(root.Left)
// 中序遍历
traverse(root.Right)
// 后序遍历
}
你看二叉树的递归遍历方式和链表的递归遍历方式，相似不？再看看二叉树结构和单链表结构，相似不？如果再多几条叉，N 叉树你会不会遍历？
二叉树框架可以扩展为 N 叉树的遍历框架：
/* 基本的N叉树节点 */
type TreeNode struct{
val int
children []TreeNode
}
func traverse(root *TreeNode){
for TreeNode child := range root.children{
traverse(child)
}
}
N 叉树的遍历又可以扩展为图的遍历，因为图就是好几 N 叉棵树的结合体。你说图是可能出现环的？这个很好办，用个布尔数组 visited 做标记就行了，这里就不写代码了。
所谓框架，就是套路。不管增删查改，这些代码都是永远无法脱离的结构，你可以把这个结构作为大纲，根据具体问题在框架上添加代码就行了，下面会具体举例。
三、算法刷题指南
首先要明确的是，数据结构是工具，算法是通过合适的工具解决特定问题的方法。也就是说，学习算法之前，最起码得了解那些常用的数据结构，了解它们的特性和缺陷。
那么该如何在 LeetCode 刷题呢？之前的文章写过一些，什么按标签刷，坚持下去云云。现在距那篇文章已经过去将近一年了，我不说那些不痛不痒的话，直接说具体的建议：
先刷二叉树，先刷二叉树，先刷二叉树！
这是我这刷题一年的亲身体会，下图是去年十月份的提交截图：
公众号文章的阅读数据显示，大部分人对数据结构相关的算法文章不感兴趣，而是更关心动规回溯分治等等技巧。为什么要先刷二叉树呢，因为二叉树是最容易培养框架思维的，而且大部分算法技巧，本质上都是树的遍历问题。
刷二叉树看到题目没思路？根据很多读者的问题，其实大家不是没思路，只是没有理解我们说的「框架」是什么。
不要小看这几行破代码，几乎所有二叉树的题目都是一套这个框架就出来了：
func traverse(root *TreeNode){
// 前序遍历
traverse(root.Left)
// 中序遍历
traverse(root.Right)
// 后序遍历
}
比如说我随便拿几道题的解法出来，不用管具体的代码逻辑，只要看看框架在其中是如何发挥作用的就行。
LeetCode 124 题，难度 Hard，让你求二叉树中最大路径和，主要代码如下：
func maxPathSum(root *TreeNode) int {
ans := math.MinInt32
var dfs func(root *TreeNode) int
dfs = func(root *TreeNode) int{
if root == nil{
return 0
}
left := max(0, dfs(root.Left))
right := max(0, dfs(root.Right))
// 后序遍历
ans = max(ans, left+right + root.Val)
return max(max(left,right)+root.Val,0)
//
}
dfs(root)
return ans
}
// 因为go不支持重载，因此它只能定义一个min/max函数。于是官方就只实现了最为复杂的浮点型数值的比较，像int这种简单的，就要我们自己实现了
func max(x,y int) int{
if x > y{
return x
}
return y
}
注意：Go:= 只能用于方法内，当定义全局变量时只能通过 var 关键字来定义
注意递归函数的位置，这就是个后序遍历嘛，无非就是把 traverse 函数名字改成 maxPathSum 了。
LeetCode 105 题，难度 Medium，让你根据前序遍历和中序遍历的结果还原一棵二叉树，很经典的问题吧，主要代码如下：
func buildTree(preorder []int, inorder []int) *TreeNode {
if len(preorder)==0 || len(inorder)==0{
return nil
}
// 前序遍历
root := &TreeNode{preorder[0],nil,nil} // root 是指针型
i := 0
for ; i < len(inorder); i++{
if inorder[i] == preorder[0]{
break
}
}
//
root.Left = buildTree(preorder[1:len(inorder[:i])+1], inorder[:i])
root.Right = buildTree(preorder[len(inorder[:i])+1:], inorder[i+1:])
return root
}
不要看这个函数的参数很多，只是为了控制数组索引而已。注意找递归函数的位置，本质上该算法也就是一个前序遍历，因为它在前序遍历的位置加了一坨代码。
LeetCode 99 题，难度 Hard，恢复一棵 BST，主要代码如下【递归、隐式中序遍历，难】：
var x, y, parent *TreeNode
func recoverTree3(root *TreeNode) {
x, y, parent = nil, nil, nil
traverse(root)
x.Val, y.Val = y.Val, x.Val
}
func traverse(root *TreeNode) {
if root == nil {
return
}
traverse(root.Left)
// 中序遍历
if parent != nil && parent.Val > root.Val {
y = root
if x == nil {
x = parent
} else {
return
}
}
parent = root
//
traverse(root.Right)
}
这不就是个中序遍历嘛，对于一棵 BST 中序遍历意味着什么，应该不需要解释了吧。
你看，Hard 难度的题目不过如此，而且还这么有规律可循，只要把框架写出来，然后往相应的位置加东西就行了，这不就是思路吗。
对于一个理解二叉树的人来说，刷一道二叉树的题目花不了多长时间。那么如果你对刷题无从下手或者有畏惧心理，不妨从二叉树下手，前 10 道也许有点难受；结合框架再做 20 道，也许你就有点自己的理解了；刷完整个专题，再去做什么回溯动规分治专题，你就会发现只要涉及递归的问题，都是树的问题。
再举例吧，说几道我们之前文章写过的问题。
在后面的“2 动态规划解题套路框架”中，会说过凑零钱问题，暴力解法就是遍历一棵 N 叉树：
// 以下为伪码
func coinChange(coins []int, amount int){
func dp(n int){
if n==0{return 0}
if n<0{return -1}
res = math.MaxFloat32
for _, coin = range coins{
subproblem = dp(n-coin)
// 子问题无解，跳过
if subproblem == -1{ continue}
res = Min(res, 1+subproblem)
// go 没有三元表达式
if res != math.MaxFloat32{
return res
}else{
return -1
}
}
}
}
func Min(x, y int) int {
if x < y {
return x
}
return y
}
这么多代码看不懂咋办？直接提取出框架，就能看出核心思路了：
// 伪码
func dp(n int){
for _, coin = range roins{
dp(n-coin)
}
}
其实很多动态规划问题就是在遍历一棵树，你如果对树的遍历操作烂熟于心，起码知道怎么把思路转化成代码，也知道如何提取别人解法的核心思路。
再看看回溯算法，前文 "3 回溯算法详解套路框架"直接说了，回溯算法就是个 N 叉树的前后序遍历问题，没有例外。
比如排列组合问题吧，本质上全排列就是在遍历下面这棵树，到叶子节点的路径就是一个全排列：Leetcode 46 全排列 中等
全排列算法的主要代码如下：
//leetcode 46 全排列 回溯算法
var res [][]int
func permute(nums []int) [][]int {
res = [][]int{}
backTrack(nums,len(nums),[]int{})
return res
}
func backTrack(nums []int,numsLen int,path []int) {
if len(nums)==0{
p:=make([]int,len(path))
copy(p,path)
res = append(res,p)
}
for i:=0;i<numsLen;i++{
cur:=nums[i]
path = append(path,cur)
nums = append(nums[:i],nums[i+1:]...)//直接使用切片
backTrack(nums,len(nums),path)
nums = append(nums[:i],append([]int{cur},nums[i:]...)...)//回溯的时候切片也要复原，元素位置不能变
path = path[:len(path)-1]
}
}
// 参考： https://leetcode-cn.com/problems/permutations/solution/dai-ma-sui-xiang-lu-dai-ni-xue-tou-hui-s-mfrp/
N 叉树的遍历框架，找出来了吧？你说，树这种结构重不重要？
综上，对于畏惧算法的同学来说，可以先刷树的相关题目，试着从框架上看问题，而不要纠结于细节问题。
纠结细节问题，就比如纠结 i 到底应该加到 n 还是加到 n - 1，这个数组的大小到底应该开 n 还是 n + 1？
从框架上看问题，就是像我们这样基于框架进行抽取和扩展，既可以在看别人解法时快速理解核心逻辑，也有助于找到我们自己写解法时的思路方向。
当然，如果细节出错，你得不到正确的答案，但是只要有框架，你再错也错不到哪去，因为你的方向是对的。
但是，你要是心中没有框架，那么你根本无法解题，给了你答案，你也不会发现这就是个树的遍历问题。
这种思维是很重要的， 动态规划详解中总结的找状态转移方程的几步流程，有时候按照流程写出解法，说实话我自己都不知道为啥是对的，反正它就是对了。。。
这就是框架的力量，能够保证你在快睡着的时候，依然能写出正确的程序；就算你啥都不会，都能比别人高一个级别。
四、总结几句
数据结构的基本存储方式就是链式和顺序两种，基本操作就是增删查改，遍历方式无非迭代和递归。
刷算法题建议从「树」分类开始刷，结合框架思维，把这几十道题刷完，对于树结构的理解应该就到位了。这时候去看回溯、动规、分治等算法专题，对思路的理解可能会更加深刻一些。