python表示常见的图结构
图的结构下图所示
1.邻接集合
# 将节点的编号赋值给相应的节点,方便操作
a, b, c, d, e, f, g, h = range(8)
N = [{'b', 'c', 'd', 'e', 'f'},
{'c', 'e'},
{'d'},
{'e'},
{'f'},
{'c', 'g', 'h'},
{'f', 'h'},
{'f', 'g'}]
列表中每个集合是每个节点邻接点集
在python2.7中,set([1,3])这样表示,set()表示空集合.
在python3之后的版中,set{1,3}表示集合,空集合仍用set()表示.
#查看a的邻接节点有哪些
N[a]
{'b', 'c', 'd', 'e', 'f'}
# 检查g是否为a的一个邻接节点
'g' in N[a]
False
# 节点a的度
len(N[a])
5
2.邻接列表
# 表示同一个图
a, b, c, d, e, f, g, h = range(8)
N = [ ['b', 'c', 'd', 'e', 'f'],
['c', 'e'],
['d'],
['e'],
['f'],
['c', 'g', 'h'],
['f', 'h'],
['f', 'g'] ]
# 邻接列表表示图结构,与邻接集合的操作相同
'g' in N[a]
False
len(N[a])
5
3.邻接字典
上面的两种表示方法,没有表示出与邻居节点之间的关联性
邻接字典,用dict类型替代set()和list,用键值对表示每一个邻接节点
a, b, c, d, e, f, g, h = range(8)
N = [{'b':2, 'c':1, 'd':3, 'e':9, 'f':4},
{'c':4, 'e':3},
{'d':8},
{'e':7},
{'f':5},
{'c':2, 'g':2, 'h':2},
{'f':1, 'h':6},
{'f':9, 'g':8}]
'e' in N[a]
True
len(N[b])
2
# 边的权值
N[a]['c']
1
嵌套字典
# 以上三种图的表示,都是使用了list类型
# 下面使用嵌套的字典结构
N = {'a':{'b':2, 'c':1, 'd':3, 'e':9, 'f':4},
'b':{'c':4, 'e':3},
'c':{'d':8},
'd':{'e':7},
'e':{'f':5},
'f':{'c':2, 'g':2, 'h':2},
'g':{'f':1, 'h':6},
'h':{'f':9, 'g':8}}
'f' in N['e']
True
len(N['e'])
1
# a,e之间链接权值
N['a']['e']
9
# 邻接集的字典表示
N = {'a':set('bcdef'),
'b':set('ce'),
'c':set('d'),
'd':set('e'),
'e':set('f'),
'f':set('cgh'),
'g':set('fh'),
'h':set('fg')}
# 如果省略set()构造器,用邻接字符串表示键值,工作方式相当于邻接列表
'h' in N['a']
False
len(N['g'])
2
4.邻接矩阵
# 邻接矩阵,通过一个二维数组,对应图中的每个节点,使用0,1来表示相关节点是否为当前节点的邻居
# 可以使用嵌套list实现
a, b, c, d, e, f, g, h = range(8)
N = [[0, 1, 1, 1, 1, 1, 0, 0],
[0, 0, 1, 0, 1, 0, 0, 0],
[0, 0, 0, 1, 0, 0, 0, 0],
[0, 0, 0, 0, 1, 0, 0, 0],
[0, 0, 0, 0, 0, 1, 0, 0],
[0, 0, 1, 0, 0, 0, 1, 1],
[0, 0, 0, 0, 0, 1, 0, 1],
[0, 0, 0, 0, 0, 1, 1, 0]]
# 检查a, b是否为相邻节点,即检查N[a][b]是否为1
N[a][b] == 1
True
# c节点的度
sum(N[c])
1
# 扩展邻接矩阵,实现一个没有自循环,对边加权
# 无自循环状态,对角线元素全部为0
# 加权,用权值替换真值
# 将不存在的边设置一个去穷大的权值(float('inf')),或None
a, b, c, d, e, f, g, h = range(8)
inf = float('inf')
N = [[ 0, 2, 1, 3, 9, 4, inf, inf],
[inf, 0, 4, inf, 3, inf, inf, inf],
[inf, inf, 0, 8, inf, inf, inf, inf],
[inf, inf, inf, 0, 7, inf, inf, inf],
[inf, inf, inf, inf, 0, 5, inf, inf],
[inf, inf, 2, inf, inf, 0, 2, 2],
[inf, inf, inf, inf, inf, 1, 0, 6],
[inf, inf, inf, inf, inf, 9, 8, 0]]
# 检查a,b是否互为相邻节点,只要邻接权值不是无穷大
N[a][b] < inf
True
# a节点的度
# -1是因为对角线元素,要除去
sum(1 for w in N[a] if w < inf) - 1
5
在python的第三方库中也提供了实现数组,矩阵的方法,Numpy,sicpy,scipy还支持稀疏矩阵实现,节省内存
------------------------------------------------------------------------------
树的表示
# 使用嵌套列表实现带根的树结构
# 将各个子树组织成一个子树列表
T = [['a', 'b'], ['c'], ['d',['e', 'f']]]
树的结构如下
T[0][1]
'b'
T[2][0]
'd'
1.二叉树
class Tree:
def __init__(self, left, right):
self.left = left
self.right = right
#创建类的实例
t = Tree(Tree('a', 'b'), Tree('c', 'd'))
# 访问左子树的叶子节点
t.left.right
'b'
多路搜索时
class Tree:
def __init__(self, kids, next=None):
self.kids = self.vlaue = kids
self.next = next
# 属性value只是为kids提供了一个更具描述性的名称,相当与别名
t = Tree(Tree('a', Tree('b', Tree('c', Tree('d')))))
t.vlaue.next.next.vlaue
'c'
t.kids.next.next.vlaue
'c'
使用Bunch模式实现树形结构
# bunch的实现方式有多种,下面是其中的一种
class Bunch(dict):
def __init__(self, *args, **kwds):
super().__init__(*args, **kwds)
self.dict = self
# 模式从字典类继承,所以有些与字典相同的操作
例
x = Bunch(name = 'JingHui', age = 23)
x['name']
'JingHui'
# 树实例
T = Bunch
t = T(left = T(left = 'a', right = 'b'), right = T(left = 'c', right = T(left = 'd', right = 'e')))
# 左子树
t['left']
{'left': 'a', 'right': 'b'}
# 左子树左叶子节点
t['left']['left']
'a'
# 右子树是否存在左子节点
'left' in t['right']
True
t['right']['right']['left']
'd'