总览
一维：
数组：数组的底层硬件实现是，有一个叫内存控制器的结构，为数组分配一个段连续的内存空间，这些空间中存储着数组中对应的值（值为基本数据类型）或者地址（值为引用类型）。当根据index访问数组中的某个元素时，内存控制器直接定位到该index所在的地址，无论是第一个元素、中间元素还是最后一个元素，都能一次性定位到，时间复杂度为O(1)。
Java中ArrayList是对数组的一个典型使用，其内部维护着一个数组，ArrayList的增、删、查等，都是对其中数组进行操作。所以根据index进行查找时比较快，时间复杂度为O(1)；但增加和删除元素时需要扩容或者移动数组元素的位置等操作，其中扩容时还会开辟更大容量的数组，将原数组的值复制到新数组中，并将新数组复制给原数组，所以此时时间复杂度和空间复杂度为O(n)。对于频繁查找数据时，使用ArrayList效率比较高。
ArrayList源码：http://developer.classpath.org/doc/java/util/ArrayList-source.html
链表：可以通过使用双向链表或者设置头尾指针的方式，让操作链表更加方便。
LinkedList源码：http://developer.classpath.org/doc/java/util/LinkedList-source.html
Java中LinkedList是对链表的一个典型使用，其内部维护着一个双向链表，对数据的增，删、查、改操作实际上都是对链表的操作。增、删、改非首位节点本身操作时间复杂度为O(1)，但是要查找到对应操作的位置，实际上也要经过遍历查找，而链表的时间复杂度为O(n)。
参考阅读：https://www.cnblogs.com/LiaHon/p/11107245.html
跳表：
跳表是在一个有序链表的基础上升维，添加多级索引，以空间换时间，其空间复杂度为O(n)，用于存储索引节点。其有序性对标的是平衡二叉树，二叉搜索树等数据结构。
数组、链表、跳表对增、删、查时间复杂度比较：
| 数组 | 链表 | 跳表 | |
| preppend | O(n) | O(1) | O(logn) |
| append | O(1) | O(1) | O(logn) |
| lookup | O(1) | O(n) | O(logn) |
| insert | O(n) | O(1) | O(logn) |
| delete | O(n) | O(1) | O(logn) |
栈（Stack）：
Java中虽然提供了Stack类（内部维护的实际上也是一个数组）用于实现栈，但官方文档 https://www.apiref.com/java11-zh/java.base/java/util/Stack.html中明确说明，应该优先使用Deque来实现：
Deque<Integer> stack = new ArrayDeque<Integer>();
Deque接口及其实现，提供了一套更完整和一致的LIFO（Last in first out ，后进先出）堆栈操作，这里列举几个用于栈的方法：
public E peek()：检索但不移除此双端队列表示的队列的头部（换句话说，此双端队列的第一个元素），如果此双端队列为空，则返回 null 。
public E pop：从此双端队列表示的堆栈中弹出一个元素。
public void push(E e)：在不违反容量限制的情况下执行此操作， 可以添加元素到此双端队列表示的堆栈（换句话说，在此双端队列的头部），如果当前没有可用空间则抛出 IllegalStateException 。
ArrayDeque实现类中，实际上也是维护的一个数组，下面会对该类做进一步介绍。
队列（Queue）
Java中提供了实现接口Queue，源码为：http://fuseyism.com/classpath/doc/java/util/Queue-source.html ；参考文档：https://www.apiref.com/java11-zh/java.base/java/util/Queue.html。Java还提供了很多实现类，比如ArrayDeque、LinkedList、PriorityQueue等，可以使用如下方式来使用Queue接口：
Queue<String> queue = new LinkedList<String>();
Queue接口针对入队、出队、查看队尾操作提供了两套API：
第一套为，boolean add(E e) 、E element()、E remove()，在超过容量限制或者得到元素为null时，会报异常。
第二套为，boolean offer(E e)、E peek()、E poll()，不会报异常，而是返回true/false/null，一般工程中使用这一套api。
实现类LinkedList中实际维护的是一个双向链表，前面已经介绍过了。
双端队列(Deque)
Deque是Double end queue的缩写，参考文档：https://www.apiref.com/java11-zh/java.base/java/util/Deque.html。
Deque既提供了用于实现Stack LIFO的push、pop、peek，又提供了用于实现Queue FIFO（First In First Out：先进先出）的offer、poll、peek(add、remove、element等也有，这里仅列出推荐使用的)，所以可以用于实现Stack，也可以用于实现Queue。同时，Deque还提供了全新的接口用于对应Stach和Queue的方法，如offerFirst/offerLast、peekFirst/peekLast，pollFirst/pollLast等，另外还提供了一个addAll(Collection c)，批量插入数据。
前面讲Stack的时候已经介绍过了，Deque是一个接口，一般在工程中的使用方式为：
Deque<Integer> deque = new ArrayDeque<Integer>()；
ArrayDeque内部维护的是一个数组。
优先队列(PriorityQueue)
Java中提供了PriorityQueue类来实现优先队列，是接口Queue的实现类。和Queue的FIFO不同的是，PriorityQueue中的元素是按照一定的优先级排序的。默认情况下，其内部是通过一个小顶堆来实现排序的，也可以自定义排序的优先级。堆是一个完全二叉树，可以用数组来表示，所以PriorityQueue内部实际上是维护的一个数组。
PriorityQueue提供了对队列的基本操作：offer用于向堆中插入元素，插入后会堆会进行调整；peek用于查看但不删除数组的第一个元素，也就是堆顶的元素，是优先级最高（最大或者最小）的元素；poll用于获取并移除堆顶元素，堆会再进行调整。当然，对应的还有add/element/remove方法，这在前面Queue部分讲过了。
官方文档：https://docs.oracle.com/javase/10/docs/api/java/util/PriorityQueue.html
参考阅读：https://blog.csdn.net/u010623927/article/details/87179364
哈希表（Hash Table）
哈希表也叫散列表，通过键值对key-value的方式直接进行存储和访问的数据结构。它通过一个映射函数将Key映射到表中的对应位置，从而可以一次性找到对应key-value结点的位置。
Java中提供了HashTable、HashMap、ConcurrentHashMap等类来实现哈希表，这三者也经常被拿来做比较，这里简单介绍一下这三个类：
HashTable：1）内部通过数组 + 单链表实现；2）主要方法都加了Synchronized锁，线程安全，但也是因为加了锁，所以效率比其它两个差；3）Key和Value均不允许为null；
HashTable内部结构图
HashMap：1）Jdk1.7及之前，内部通过数组 + 单链表实现；Jdk1.8开始，内部通过 数组 + 单链表 + 红黑树实现 ；2）非线程安全，如果要保证线程安全，一般通过 Map m = Collections.synchronizedMap(new HashMap(...));的方式来实现，由于没有加锁，所以HashMap效率比较高；3）允许一个Key为null，Value也可以为null。
ConcurrentHashMap：分段加锁，相比HashMap它是线程安全的，相比HashTable它效率高，可以看成是对HashMap和HashTable的综合。
HashMap和ConcurrentHashMap内部结构图
映射（Map）
映射中是以键值对Key-Value的形式存储元素的，其中Key不允许重复，但Value可以重复。Java中提供了Map接口来定义映射，还提供了如HashMap、ConcurrentHashMap等实现类，这两个类前面有简单介绍过。
集合（Set）
集合中不允许有重复的元素，添加元素时如果有重复，会覆盖掉原来的元素。Java中提供了Set接口来定义集合，也提供了HashSet实现类。HashSet类的内部实际上维护了一个HashMap，将添加的对象作为HashMap的key，Object对象作为value，以此来实现集合中的元素不重复。
1 //HashSet部分源码 2 public class HashSet<E> extends AbstractSet<E> implements Set<E>, Cloneable, java.io.Serializable { 3 ...... 4 private transient HashMap<E,Object> map; 5 private static final Object PRESENT = new Object(); 6 public HashSet() { 7 map = new HashMap<>(); 8 } 9 ...... 10 public boolean add(E e) { 11 return map.put(e, PRESENT)==null; 12 } 13 ...... 14 public boolean remove(Object o) { 15 return map.remove(o)==PRESENT; 16 } 17 ...... 18 }
树（Tree）
在单链表的基础上，如果一个节点的next有一个或者多个，就构成了树结构，所以单链表是一棵特殊的树，其child只有一个。关于树有很多特定的结构，用于平时的工程中，出现得比较多得就是二叉树，而二叉树根据用途和性质又有多种类型，常见的有：
完全二叉树：若设二叉树的深度为k，除第 k 层外，其它各层 (1～k-1) 的结点数都达到最大个数，第k 层所有的结点都连续集中在最左边，这就是完全二叉树。完全二叉树可以按层存储在数组中，如果某个结点的索引为i，那么该结点如果有左右结点，那么左右结点的索引分别为2i+1,2i+2;
满二叉树：一个二叉树，如果每一个层的结点数都达到最大值，则这个二叉树就是满二叉树。也就是说，如果一个二叉树的层数为K，且结点总数是(2^k) -1 ，则它就是满二叉树。所以，满二叉树也是完全二叉树。
二叉搜索树（Binary Search Tree）：又称为二叉排序树、有序二叉树、排序二叉树等。其特征为：任意一个结点的左子树的值都小于/等于该结点的值，右子树的值都大于/等于根结点的值；中序遍历的结果是一个升序数列；任意一个结点的左右子树也是二叉搜索树。如下图所示：
在极端的情况下，二叉搜索树会呈一个单链表。
平衡二叉树（AVL）：它或者是一颗空树，或它的左子树和右子树的深度之差(平衡因子)的绝对值不超过1，且它的左子树和右子树都是一颗平衡二叉树。平衡二叉树也是一棵二叉搜索树，由于具有平衡性，所以整棵树比较平衡，不会出现一长串单链表的结构，在查找时最坏的情况也是O(logn)。为了保持平衡性，每次插入的时候都需要调整以达到平衡。
如下图所示，任意一个结点的左右子树的深度差绝对值都不超过1，且符合二叉搜索树的特点：
红黑树：
红黑树是一颗平衡二叉搜索树，具有平衡性和有序性，结点的颜色为红色或者黑色。这里的“平衡”和平衡二叉树的“平衡”粒度上不同，平衡二叉数更为严格，导致在插入或者删除数据时调整树结构的频率太高了，这会导致一定的性能问题。而红黑树的平衡是任意一个结点的左右子树，较高的子树与较低子树之间的高度差不超过两倍，这样就能从一定层度上避免过于频繁调整结构。可以认为红黑树是对平衡二叉树的一种变体。
图（Graph）
单链表是特殊的树，树是特殊的图。
堆（Heap）
堆是一种可以迅速找到最大值或者最小值的数据结构，内部维护着一棵树（注意这里说的是树，而不是限制于二叉树，也可以是多叉）。如果该堆的根结点是最大值，则称之为大顶堆（或大根堆）；如果根结点是最小值，则称为小顶堆（或小根堆）。堆的实现有很多，这里主要介绍一下二叉堆。
二叉堆，顾名思义，就是堆中的树是一棵二叉树，且是完全二叉树（这里要注意区别于二叉搜索树），所以可以用数组表示，前面介绍的PriorityQueue就是一个堆的实现。如果是大顶堆，任何一个结点的值都 >= 其子结点的值大；如果是小顶堆，则任何一个结点的值都 <= 其子节点的值。下图展示了一个二叉大顶堆，其对应的一维数组为[110, 100, 90, 40, 80, 20, 60, 10, 30, 50, 70]：
对于大顶堆而言，一般常使用的操作是查找最大值、删除最大值和插入一个值，其时间复杂度分别为：查找最大值的时间复杂度是O(1)，因为最大值就是根结点的值，位于数组的第一个位置；删除最大值，找到最大值的时间复杂度是O(1)，但是删除后该堆需要重新调整，将最底层最末尾的结点移到根结点，然后根节点再与子结点点比较，并与较大的结点交换，直到该结点不小于子结点为止，由于是从最末尾的结点直接升到根结点，所以该结点的值肯定是相对很小的，需要调整多次才能再次符合堆的定义，所以时间复杂度为O(logn)；插入一个结点，其做法是在数组的最后插入，也就是二叉树的最后一个层的末尾位置插入，然后再和其父结点比较，如果新结点大就和父结点交换位置，直到不大于根结点为止，所以插入新的结点可能一次到位，时间复杂度为O(1)，也有可能还需要调整，最坏的时候比较和交换O(logn)，即时间复杂度为O(logn)。同理，小顶堆也是如此。
https://shimo.im/docs/Lw86vJzOGOMpWZz2/read
二维：
特殊：