所谓“巧妇难为无米之炊”，再强大的计算机，也要有“米”下锅才可以干活，否则就是一堆破铜烂铁。这个“米”就是数据，数据是计算机的原始资料。
“米”又可以做成各式各样的美食，比如：米粉、米糕、米饼、米酒、粽子、寿司等等。同理，数据也可以组成各式各类的“数据结构”。噢，明白了，数据结构就是是数据的容器、载体。
数据结构内容很多，早在 1968 年就被作为一门独立的课程在大学中设立。我们引入数据结构的基本介绍，不求面面俱到，旦求要点尽有，可作初学构建印象、或温习梳理体系的用处。
常见数据结构
数据结构中有一些常见的类型，它们是：栈、队列、数组、链表、树、堆、图、散列表。
就这样一眼望过去，肯定是很难记住的，我们将它们作简要归类：
栈、队列、数组、链表都属于线性表一类，什么是线性表？线性表，全名为线性存储结构。使用线性表存储数据的方式可以这样理解，即“把所有数据用一根线儿串起来，再存储到物理空间中”。
树、堆都属于“树”这一类，堆是一种特殊的树结构，这个后面在讲。
图和散列表都是单独一类。
我们将上述关系可以画一张思维导图，在数据结构中的常见类型则一目了然。
栈和队列
我们首先讲一下线性表中“栈”和“队列”的特点，这是数据结构中的重点认知之一。
什么是栈？栈是一种“后进先出”的数据结构。什么是“后进先出”？举个通俗的例子，比如薯片桶，第一片薯片放在桶里最底部，然后再放第二片、第三片，直至放满。当我们要吃的时候，总是会拿最顶层的薯片，这说明越是后来放入薯片桶的薯片将会被优先拿出来。
由于栈的特性，栈这种数据结构主要是“入栈”和“出栈”两种操作。
什么是队列？队列是一种“先进先出”的数据结构。队列的概念相比栈更容易理解。在现实生活中我们经常排队，先排上队的，能优先出队，进一步处理相关事宜。
队列有“入队”和“出队”两种操作，很明显，入队是在队尾进行操作，出队是在队首进行操作，这就和栈结构中不一样了，对于栈来说，入栈和出栈都是在栈顶进行操作。
思考题：结合栈和队列的两种数据结构特性，如果想遍历拿到一组数据中的其中一个，哪种数据结构会更快？
数组和链表
数组几乎是编程中最重要的一种数据结构，它定义了一个有序的元素序列集合。
你可以把数组想象成一个连续的台阶，如果想要知道哪个台阶上放了什么的东西，只需要知道这个台阶的下标号，直接去这个标号的台阶上取东西就行了，不需要查其它台阶上的标号和东西，也不用一阶一阶的去找。所以数组的查询时间非常快。
链表则表示一组可变数量数据项的有续集，它的元素的存储位置并非是连续的，它的核心原理是通过指针指向来实现有序的。和数组相比，链表更适合插入、删除操作频繁的场景。
树和堆
树是一种抽象数据类型，用来模拟具有树状结构性质的数据集合。它大概是长成这样的：
从定义上来讲，它是由 n（n>0）个有限节点组成一个具有层次关系的集合。其实它看起来像是一颗倒挂着的树，根节点朝上，而叶子节点朝下。
具体来说，树又分为两大类，二叉树和多叉树。其中二叉树又有很多细分，比如完全二叉树、平衡二叉树、二叉查找树等，平衡二叉树又再细分为 AVL 树、红黑树等，这里不逐一展开讲解了。
着重讲一下平衡二叉树和完全二叉树，这两个树的定义是一定要知道的，很多面试中关于数据结构考点，都会问它们。
什么是平衡二叉树？
从定义上来讲是指：二叉树中任意一个节点的左右子树的高度相差不能大于1。
什么是完全二叉树？
完全二叉树的定义是：若二叉树的深度为h，除第 h 层外，其它各层的结点数都达到最大个数，第 h 层所有的结点都连续集中在最左边，这就是完全二叉树。
堆数据结构堆通常被看做一棵完全二叉树的数组对象。
树结构算是数据结构中比较复杂的一种结构了，需要长久持续的关注它，才能驾轻就熟、灵活运用。
图
图就是一些顶点的集合，这些顶点通过一系列边结对连接。顶点用圆圈表示，边就是这些圆圈之间的连线。
很多现实问题都可以用图数据结构来表示，比如著名的旅行家问题，一位旅行家要旅行n个城市，要求各个城市经历且仅经历一次，然后回到出发城市，并要求所走的路程最短。对于解答有兴趣的朋友可以参加我的这篇文章 《# 改变世界的图算法——Dijkstra》
在图这个数据结构中有 2 个最重要的算法：深度优先搜索（DFS）和广度优先搜索（BFS），是我们一定要花精力重点关注的，后面会再具体展开。
散列表
散列表也叫哈希表或者 Hash 表，是实现字典操作的一种有效数据结构，它其实是数组的一种扩展，由数组演化而来。
散列表记录的是确定的对应关系，每个关键字 key 都能通过确定的对应关系 f(key) 找到存储的值。
散列表的重要性不言而喻，它的现实应用场景遍地都是，比如根据电话号码查找姓名、根据映射IP查找网站、以及很多网站用到的缓存机制都是存储在散列表中。
需要特别提出的是，在散列表中有一个很出名的问题我们需要认识，那就是“散列冲突”，也叫“哈希冲突”或“哈希碰撞”。
什么是“哈希碰撞”？
简而言之，在上述散列表的映射过程中，f(key1) 和 f(key2) 的值是同一个值，则表示发生了“哈希碰撞”。原本的期望是输入和输出逐一对应，现在却有两个输入对应同样的一个输出，这导致无法识别来源。
解决哈希碰撞的有效方法是扩大取值空间，即避免经过哈希运算后得到同样的值。
