线性表

什么是线性表?

n个类型相同数据元素的有限序列

  • 相同数据类型:数据类型相同意味着在存储时每个数据都会占用相同的大小的内存空间,便于查找
  • 序列(有序的):除了表头数据和表尾数据,每个数据都有且只有两个数据相邻
  • 有限:线性表的长度范围是n

线性表的逻辑结构?

  • 线性结构

线性表的存储结构?

  • 顺序存储结构:在内存中分配一定的连续的存储空间,只存数据,不存地址信息,位置隐含地址

优点:

  1. 只存数据,不存地址信息,节省存储空间
  2. 索引查找效率高,时间复杂度T\left ( n \right )=O\left ( 1 \right )

缺点:

  1. 提前分配存储空间,如果存储的数据少,会浪费内存
  2. 删除,增加需要移动元素,效率低,时间复杂度T\left ( n \right )=O\left ( n \right )
  • 链式存储结构:不连续的存储空间,每一个存储节点对应一个数据元素,每个节点由数据域和指针域组成,元素直接的逻辑关系是由存储节点直接的连接关系反应出来

 优点:

  1. 插入,删除灵活(不需要移动节点,只要改变节点中的指针即可),时间复杂度T\left ( n \right )=O\left ( 1 \right )
  2. 有元素才会分配节点,节省空间

缺点:

  • 每个节点又数据域与指针域组成,浪费空间
  • 节点之间位置不连续,无规律,按索引查找效率低,时间复杂度T\left ( n \right )=O\left ( n \right )
基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值