经典算法教材,算法领域的“圣经”,系统覆盖排序、图算法、动态规划、线性规划等核心内容。虽为英文原版,但有高质量中译本,配套习题丰富,适合建立严谨算法思维体系。
Robert Sedgewick经典著作,以Java实现为主,但其算法思想与Python高度兼容。书内配视频课程与在线可视化演示,特别适合可视化学习者建立算法动态过程直觉。
将算法与Python语言深度结合的实战型教材。全书以Python 3.8+为实现语言,每章配完整可运行代码,强调算法在真实场景中的建模与优化,特别适合Python开发者快速迁移算法知识。
以图解方式讲解算法的入门佳作,语言通俗,插图清晰,特别适合算法零基础读者建立直观理解。书中算法均用Python代码实现,每章附带练习题与答案,学习门槛低、反馈快。
面向大厂面试的算法实战手册,精选50+高频面试题,按数据结构分类(数组、字符串、树、图等),每题提供多种解法对比与复杂度分析,Python实现简洁清晰,是算法面试必备手册。
Jon Bentley经典之作,强调算法设计中的工程思维。通过真实问题引出算法优化思路,涵盖位操作、排序优化、数据流处理等进阶技巧。Python实现注重简洁性与可读性,适合提升代码质量。
本阶段聚焦算法思维启蒙与基础语言能力,避免一上来就啃硬书导致挫败感。
系统构建算法知识体系,重点掌握经典算法范式与复杂数据结构。
根据兴趣方向深化特定领域算法能力,为竞赛或面试做准备。
将算法能力落地到真实项目中,解决实际问题。
完成LeetCode简单题100+,掌握Python基础数据结构操作
刷完中等题200+,能独立解决80%常见算法题,理解动态规划状态设计
在ACM/LeetCode周赛中稳定前20%,掌握字符串/数论等专项算法
将算法应用于实际项目,完成性能优化报告,建立个人算法工具库
| 数据结构 | Python实现 | 典型应用 | 复杂度 |
|---|---|---|---|
| 数组/列表 | list | 哈希表底层数组、动态规划状态表 | O(1)访问,O(n)插入 |
| 字典/哈希表 | dict | 词频统计、快速查找、LRU缓存 | O(1)平均查询 |
| 堆 | heapq | 优先队列、TopK问题、合并K个有序链表 | O(log n)插入/删除 |
| 树 | class Node | 文件系统、表达式求值、决策树 | O(h)操作(h为高度) |
| 图 | defaultdict(list) | 社交网络、路径规划、依赖分析 | 邻接表:O(V+E) |
| 范式 | 核心思想 | 适用场景 | Python示例 |
|---|---|---|---|
| 分治 | 分解→解决→合并 | 归并排序、快速排序、大整数乘法 | 递归函数+合并逻辑 |
| 贪心 | 局部最优→全局最优 | 活动选择、霍夫曼编码、最小生成树 | 循环+局部选择判断 |
| 动态规划 | 重叠子问题+最优子结构 | 背包问题、LCS、最短路径 | 状态数组+转移方程 |
| 回溯 | 深度优先+剪枝 | 全排列、N皇后、组合求和 | 递归+状态重置 |
| 领域 | 核心算法 | Python工具 | 典型问题 |
|---|---|---|---|
| 字符串 | KMP、Rabin-Karp、后缀数组 | re、string模块 | 模式匹配、重复子串 |
| 图论 | Dijkstra、Floyd、Kruskal | networkx | 最短路径、连通分量 |
| 数论 | 欧几里得、快速幂、扩展欧几里得 | 自定义函数 | 模运算、大数分解 |
| 计算几何 | 凸包(Graham)、线段相交 | scipy.spatial | 最近点对、区域覆盖 |
# 动态规划经典实现示例:背包问题
def knapsack(weights, values, capacity):
n = len(weights)
dp = [[0] * (capacity + 1) for _ in range(n + 1)]
for i in range(1, n + 1):
for w in range(capacity + 1):
if weights[i-1] <= w:
dp[i][w] = max(values[i-1] + dp[i-1][w - weights[i-1]],
dp[i-1][w])
else:
dp[i][w] = dp[i-1][w]
return dp[n][capacity]
# 示例:4件物品,容量10
weights = [2, 3, 4, 5]
values = [3, 4, 5, 6]
print(knapsack(weights, values, 10)) # 输出最大价值
可以,但需调整学习顺序。建议先掌握Python基础语法(变量、循环、函数、列表推导),再从《算法图解》入门。不要跳过基础直接刷难题,否则易产生挫败感。
Python在算法实现上确实不如C++高效,但:1)多数场景性能足够 2)可通过优化实现(如使用生成器、避免深层嵌套)3)关键路径可用C扩展或NumPy优化。重点在于理解算法思想,而非语言性能。
质量重于数量。建议:1)每类题型(数组、树、图)精刷20题,理解解法模式 2)建立错题本,分析错误原因 3)模拟面试环境限时完成。一般200+高质量题目可覆盖90%面试需求。
从微优化开始:1)用哈希表替代嵌套循环查重 2)用堆实现TopK功能 3)用BFS实现最短路径搜索。逐步将算法思维融入日常编码,而非等待“大项目”才用算法。