index 数据结构与算法
作者：invalid s
链接：https://www.zhihu.com/question/20066988/answer/26968999
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
一般来说，数据结构和算法这本书上提到的任何算法/数据结构，你都不会有机会重新实现一次。
因为，早有就各种各样的库，对外提供了工业级的、充分泛化的实现，只需拿来用就是了。
重写的话，一个代码质量/执行速度，显然都极难超过经过千锤百炼的、在无数项目中经过充分测试的库实现；另一个，书上都是为了教学而做的简化实现，实际使用中，需要对算法做一定的泛化。（比如，c的qsort库函数，只要保证数据是以指针数组索引的、对自定义数据须传入比较大小的功能函数，那么任何数据都可以用这个qsort算法排序；C++里面呢，则是和容器、迭代器之类东西结合通盘考虑的，可泛用于任何符合规范的容器和原生数据类型。而课本上的实现，仅能支持数组中的整数。想做到工业水平，没有足够的经验是不可能的。）
但，另一方面，所有这些算法/数据结构的设计思路，却会贯穿于绝大部分项目之中。
比如说，简单的冒泡算法，它是不是只是“多次扫描一个数组，交换遇到的每一对相邻的、顺序反了的数字；当不再发生交换时，数组已完成排序”甚至“好不容易才死记硬背下来的一段代码”？
如果你只学会了这个，那么，你真就完全白学了。
作为一个表现一般的排序算法，冒泡排序本身出场率就不高；何况还有各种提供了泛化的sort算法的库：如果仅仅记下了这个，那么你一辈子都不会遇到“必须重写冒泡算法”的场合。
但，如果你把冒泡算法记成：
（反向传播的通俗解释）就好象水中的气泡一样，每次只执行“相邻的元素比较密度（或其它特征），密度小的上浮，密度大的下沉”（通过二次代价函数等loss损失函数）这个局部物理过程；多次进行后，局部有序就会变成整体有序（几次迭代后loss减小，nn模型就是通过各种方法（高维数据的梯度下降）使loss越小，越逼近原始训练数据）。
甚至：
模仿各种会导致整体有序现象的局部过程去处理数据，可以使得数据整体上满足类似的排布。
甚至：
考察任何自然规律，看它会产生什么有趣的后果；那么当需要达到类似的效果时，不妨尝试用程序模拟出这个规律，很可能就已经得到了想要的效果。
那，你这一生，可就受用不尽了。
比如说，“高大上”的“神经网络”“遗传算法”“蚁群算法”等等等等，其实骨子里不都是这个“冒泡思路”吗？
类似的，各种树都是链表的“钩挂”思想+数组的“索引”思想的结合体；“模拟退火算法”又是冒泡思路结出来的另一颗果子；音频滤波算法就是简谐振动计算公式；面向对象的”继承“不过是常见的”归一化“手法的另一个表述方式……
可以说，如果能像对冒泡算法的真正理解一样，彻底弄明白各种算法的设计思路并加以借鉴，那么你对这个世界的各种规律了解的有多透彻，你的程序就可以写的有多灵动。
一旦掌握这个，从此，你再不必像那些菜鸟一样，绞尽脑汁敲出无数代码去“凑”需求；而是只需用代码编织出需要的规律，然后丢给CPU执行，你真正想要的东西就会自然“涌现”：现在，你只要找出“结果已经出现”的识别方法，用它来结束你的逻辑就行了。
（当然，达成一个目的往往可以有多个不同的途径，不同途径利用不同的规律；那么哪个途径最优呢？算法课教过你：这就是所谓的“算法复杂度”）
——冒泡算法可不就是用代码编织了一个“数值大者靠前（或靠后）”的规律，然后丢给CPU一跑，一大片数据就有序了？
——遗传算法呢，不正是“抄袭”了自然界的自然选择规律吗？把这个规律丢给CPU一跑，居然连AI都弄出来了！
这些只是一些特别经典、特别著名的案例而已。
实际工作中，也是时刻都可能遇到一些新鲜的需求/场景；要完成工作，除了出苦力一行行码代码外，一样可以通过观察找到其中的规律，然后用代码编织规律，再让这些规律去替你完成需求：后者往往会比前者简洁的多得多，执行速度一般也会快得多得多。
这类随时随地“发明”的算法实在不值一提，不能让你像那些著名案例一样一举成名；但它们却实实在在可以提高你的工作效率，让其他人望尘莫及。
——经常有高手骄傲的宣称，别人几万、几十万行代码都解决不了的问题，他数百行代码就清楚漂亮的解决了，执行效率还高出许多倍：他们就是这样做到的。
