Java数据结构|稀疏数组(含代码)

该博客介绍了一种使用Java实现二维数组与稀疏数组相互转换的方法。首先,遍历二维数组获取有效数据个数,创建相应大小的稀疏数组并存储有效数据。然后,从稀疏数组中读取信息,恢复二维数组。提供的代码示例展示了这一过程,包括原始二维数组的创建、转换和恢复。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

二维数组转稀疏数组的思路:

  1. 遍历原始的二维数组,得到有效数据的个数 sum;
  2. 根据sum就可以创建系数数组sparseArray int[sum+1][3];
  3. 将二维数组的有效数据存入稀疏数组。

稀疏数组转原始的二维数组的思路:

  1. 先读取稀疏数组的第一行,根据第一行的数据,创建原始的二维数组;
  2. 再读取稀疏数组的后几行数据,并赋给原始二维数组的对应位置。

代码实现

package com.atguiqu.sparsearray;

/**
* @Description
* @author Wdragon
* @version
* @date 2021年9月1日下午7:00:18
*
*/
public class SparseArray {

	public static void main(String[] args) {
		
		// TODO Auto-generated method stub
		//创建一个原始的二维数组 11*11
		//0:表示无棋子;1:表示黑子;2:表示蓝色棋子
		int chessArray[][] = new int[11][11];
		chessArray[1][2] = 1;
		chessArray[2][3] = 2;
		//输出原始的二维数组
		System.out.println("输出原始二维数组:");
		for(int[] row : chessArray){
			for(int data : row){
				System.out.printf("%d\t",data);
			}
			System.out.println();
		}
		
		//将二维数组转为稀疏数组的思路
		//遍历二维数组,得到非零数据的个数
		int sum = 0;
		for(int i = 0; i < chessArray.length; i++){
			//System.out.println(i);
			for(int j = 0; j < chessArray[0].length; j++){
				if(chessArray[i][j] != 0){
					sum++;
				}
			}
		}
		System.out.println();
		System.out.println("sum=" + sum);
		
		//创建对应的稀疏数组
		int sparseArray[][] = new int[sum + 1][3];
		//给稀疏数组赋值
		sparseArray[0][0] = 11; 
		sparseArray[0][1] = 11;
		sparseArray[0][2] = sum;
		
		//二维数组的非零值存放进稀疏数组
		int count = 0;
		for(int i = 0; i < chessArray.length; i++){
			//System.out.println(i);
			for(int j = 0; j < chessArray[0].length; j++){
				if(chessArray[i][j] != 0){
					
					sparseArray[count + 1][0] = i;
					sparseArray[count + 1][1] = j;
					sparseArray[count + 1][2] = chessArray[i][j];
					count++;
				}
			}
		}
		
		// 输出稀疏数组
		System.out.println();
		System.out.println("得到的稀疏数组为:");
		for(int i = 0; i < sparseArray.length; i++){
			System.out.printf("%d\t%d\t%d\t\n", sparseArray[i][0], sparseArray[i][1], sparseArray[i][2]);
		}
		
		//将稀疏数组转为二维数组
		//先读取稀疏数组的第一行确定二维数组的大小
		int chessArray2[][] = new int[sparseArray[0][1]][sparseArray[0][1]];
		for(int i = 1; i < sparseArray.length; i++){
			chessArray2[sparseArray[i][0]][sparseArray[i][1]] = sparseArray[i][2];
		}
		
		
		//输出恢复之后的二维数组(初始化的)
		System.out.println("\n恢复后的二维数组:");
		for(int row[] : chessArray2){
			for(int data : row){
				System.out.printf("%d\t", data);
			}
			System.out.println();
		}
		
	}

}

测试结果

稀疏数组输出

<think>我们正在讨论稀疏数组。根据引用内容,稀疏数组主要用于当数组中大部分元素为0或相同值时,通过记录非零(或非默认)元素的位置和值来压缩数据。其应用场景包括棋盘类游戏(如五子棋)、地图数据等具有大量重复值的数据存储。实现思路:1.遍历原始二维数组,统计有效数据个数(非零值个数)sum2.创建稀疏数组,行数为sum+1,列数固定为3(分别记录行、列、值)3.第一行存储原始数组的总行数、总列数、有效数据个数4.后续每行存储一个有效数据的行索引、列索引和值5.还原时,根据稀疏数组第一行创建原始数组,然后遍历后续行将值填入对应位置下面以Python代码为例实现稀疏数组的转换和还原:</think>### 稀疏数组数据结构算法中的应用与实现 #### 一、基本概念 稀疏数组(Sparse Array)是一种针对特殊二维数组的高效存储结构。当一个二维数组中**大部分元素为0(或相同默认值)**时,稀疏数组通过仅存储非默认值元素的位置和值,实现数据压缩[^4]。其核心思想是: - 记录原始数组的行数、列数和非默认值总数 - 只存储非默认值元素的行号、列号和实际值 #### 二、应用场景 1. **棋盘类游戏** 如五子棋/围棋的棋盘状态存储(大部分位置为空)[^3][^4] 2. **图像处理** 存储二值图像或具有大面积纯色区域的图像[^5] 3. **科学计算** 处理大型稀疏矩阵(如有限元分析中的刚度矩阵)[^1] 4. **地图数据** 存储地表特征数据(大部分区域为默认地形)[^3] #### 三、Python实现步骤 **1. 原始数组稀疏数组** ```python def to_sparse_array(arr, default=0): rows = len(arr) cols = len(arr[0]) non_default = [] # 遍历记录非默认值 for i in range(rows): for j in range(cols): if arr[i][j] != default: non_default.append([i, j, arr[i][j]]) # 构建稀疏数组 [行数, 列数, 非默认值数] sparse = [[rows, cols, len(non_default)]] sparse.extend(non_default) return sparse ``` **2. 稀疏数组还原原始数组** ```python def from_sparse_array(sparse, default=0): rows, cols, count = sparse[0] arr = [[default] * cols for _ in range(rows)] # 填充非默认值 for item in sparse[1:]: i, j, val = item arr[i][j] = val return arr ``` **3. 使用示例** ```python # 原始棋盘数组(0表示空位) chessboard = [ [0, 0, 0, 1], [0, 2, 0, 0], [0, 0, 0, 0], [3, 0, 0, 4] ] # 转换为稀疏数组 sparse = to_sparse_array(chessboard) print("稀疏数组表示:") for row in sparse: print(row) # 还原原始数组 restored = from_sparse_array(sparse) print("\n还原后的数组:") for row in restored: print(row) ``` **输出结果:** ``` 稀疏数组表示: [4, 4, 4] # 原始4x4数组,4个非零值 [0, 3, 1] # 第0行第3列值为1 [1, 1, 2] # 第1行第1列值为2 [3, 0, 3] # 第3行第0列值为3 [3, 3, 4] # 第3行第3列值为4 还原后的数组: [0, 0, 0, 1] [0, 2, 0, 0] [0, 0, 0, 0] [3, 0, 0, 4] ``` #### 四、优势与局限 **优势:** - 存储空间优化:从$O(m \times n)$降至$O(3 \times k)$($k$为非默认值数量)[^4] - 减少无效计算:避免对默认值进行冗余操作[^1] - 加速IO操作:文件读写量显著降低[^3] **局限:** - 当非默认值超过总量$1/3$时,存储效率可能低于原始数组[^5] - 随机访问元素需要遍历查找(时间复杂度$O(k)$)[^2] #### 五、性能优化方向 1. **分块存储** 将大数组划分为子块,对稀疏块采用压缩存储[^3] 2. **字典优化** 使用`{(row, col): value}`字典结构替代二维列表[^2] 3. **压缩算法结合** 对稀疏数组进行二次压缩(如Run-Length Encoding)[^1] #### 六、与其他结构对比 | **特性** | 原始数组 | 稀疏数组 | 链表 | |------------------|-------------|-------------|-------------| | **存储空间** | $O(mn)$ | $O(3k)$ | $O(k)$ | | **随机访问** | $O(1)$ | $O(k)$ | $O(k)$ | | **插入/删除** | $O(mn)$ | $O(k)$ | $O(1)$ | | **适用场景** | 密集数据 | 稀疏数据 | 动态数据 | [^1]: 数据结构算法--稀疏数组 Python实现稀疏数组 [^3]: 数据结构算法Java版) | 稀疏数组的应用场景 [^4]: 【尚硅谷】Java数据结构算法笔记01 - 稀疏数组 [^5]: 数据结构简介(稀疏数组
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