数据结构学习框架：从逻辑结构到物理结构，建立整体认知

1. 学数据结构之前，先搞清楚它到底在解决什么问题

很多人学数据结构学得痛苦，不是智商问题，也不是努力不够，而是把一门重度依赖"整体认知"的课，学成了"背知识点"。今天想聊的，就是这件事本身——在啃链表、二叉树、图之前，先建立对数据结构这门学科的框架思维。框架这东西，看不见摸不着，但有没有它，学习效率完全是两回事。

先回答那个最朴素的问题：数据结构到底是什么？

拆开看，就是"数据"和"结构"两个词。数据好理解，就是计算机里存的那些数字、字符、对象。结构呢？是组织方式。所以数据结构干的事情是：研究数据以什么样的方式组织起来，才能让"存""取""查""改"这些操作更快。

我特别喜欢用一个比喻来给不懂的人讲这件事——图书馆。假设一个图书馆的藏书完全没有分类，书随便往书架上放，那找一本书是什么复杂度？每一本都要翻一遍，运气好第一本就中，运气差最后一本才找到，平均下来是 n/2 次，这就是 O(n)。但如果你按照索书号分类排列，再做个索引，找一本书就变成了"走几个固定步骤"的事，效率就完全不同了。

计算机里也一样。同样是一堆学生信息，你随手往数组里塞，查找某个学号就得从头扫到尾；你要是按学号排好序再存，就能二分查找；你要是用散列表存，那就更直接——通过一个函数算出位置，一次定位。

这就是数据结构这门课真正在做的事情：给你一套工具箱，让你面对不同场景时，能选出最合适的组织方式。

那为什么这门课让人感觉难？我观察下来，很大原因在于教材的编排方式。几乎所有经典教材都是顺着讲：线性表、栈、队列、串、树、图、查找、排序……每一章之间看起来是并列关系，学完第3章忘了第1章，很正常，因为你看不到它们之间的递进逻辑。

但如果你站得更高一点看，会发现整门课的结构极其清晰，就四件事：

• 数据之间是一对一关系，那就归入线性结构（数组、链表、栈、队列）
• 数据之间是一对多关系，那就是树形结构（二叉树、堆、哈夫曼树）
• 数据之间是多对多关系，那就是图形结构（图、网）
• 数据之间没有逻辑关系，那就是集合结构（散列表）

所以你把整个学期的内容用一句话就能概括：研究不同逻辑关系的数据，在各式存储方式下，增删改查操作的时间和空间代价。这一句话，就是这门课最核心的框架。剩下的所有章节，都是这个框架下的一个个案例展开。

有了这个整体认知，再去看那些具体知识点，就不会觉得是零散的了。所以这篇文章，我想把这个框架彻底讲透，然后把"怎么用它来指导学习"的方法也一并讲清楚，适合所有正在学或准备学数据结构的人参考，不管你是期末复习、考研，还是在准备面试。

2. 数据结构唯一真正的骨架：逻辑结构与物理结构

如果说数据结构这门课有且只有一个最重要的概念，那就是逻辑结构和物理结构的区分。这个概念第一节课就会讲，但很多人没意识到它就是整门课的骨架，结果学到最后，各种结构混成一团。

2.1 逻辑结构：数据之间的关系，和电脑无关

逻辑结构描述的是数据元素之间存在什么关系，它属于"纯粹抽象的数学模型"，不关心你怎么存储。比如"这些数据一个挨一个排着队"，这就是线性关系；"这个数据下面挂着好几个子数据"，这就是树形关系。

逻辑结构一共就四类：

• 集合结构：元素之间没有逻辑关系，大家就是一个集体里的成员。现实中用得不多，散列表的数学基础可以理解为一种集合。
• 线性结构：元素之间存在一对一的关系。最典型的就是数组、链表，以及它们的"受限版本"——栈和队列。
• 树形结构：元素之间存在一对多的关系。最典型的就是二叉树，往下延伸还有堆、哈夫曼树、二叉搜索树等。
• 图形结构：元素之间存在多对多的关系。最典型的是图，城市间的交通网络就是典型的图。

判断一个结构属于哪一类非常容易，你就看它的关系是几对几。两个人排成一排是一对一；一个班主任管全班同学是一对多；班级之间的球赛对阵是多对多。整个数据结构课程的内容分布，其实就是按照这个分类展开的。线性结构相关的内容能占到课程的一半，剩下的树和图平分秋色。

2.2 物理结构：数据真实存在计算机里的样子

物理结构又叫存储结构，描述的是数据在计算机内存里实际怎么存放。再怎么抽象的逻辑结构，最终都要落实到内存里。内存只有一种最基本的组织方式——连续编号的字节，所以物理结构说白了就是在这块连续空间上变花样。

主流物理结构有四种：

• 顺序存储：把数据紧挨着放到一块连续的内存中，用元素下标的数学关系表达逻辑关系。数组就是最典型的顺序存储。优点是可以通过下标 O(1) 随机访问；缺点是插入和删除需要搬运大量元素，而且要求整块连续空间，空间利用率不灵活。
• 链式存储：数据元素本身可以散落在内存任意角落，每个元素存一个"指针"指向下一个元素。链表就是这么干的。优点是插入删除只需改指针，不需要搬元素；缺点是查找第 k 个元素要顺着指针一个个走，是 O(n)，而且每个元素还要额外存指针，多写空间。
• 索引存储：在存储数据的同时，额外建立一张索引表，索引表里存关键字和对应地址。就像书的目录一样。数据库的底层索引就是这个思路的复杂版本。
• 散列存储：根据数据元素的关键字，通过一个哈希函数直接计算出它应该存在哪个位置。这就是散列表（哈希表）的存储方式。定位时理论上 O(1)，但会有冲突问题要处理。

2.3 逻辑结构和物理结构能任意组合，这是理解力提升的关键

很多人的误区在于：把某个逻辑结构等同于某个物理结构。以为"栈"只能一种写法，"树"又是一种写法。实际上逻辑结构描述的是关系，物理结构描述的是落地方式，两者是正交的，可以自由组合。

举个例子。线性结构可以用顺序存储实现，这就是"顺序表"，底层是数组；也可以用链式存储实现，这就是"链表"。栈呢？既可以用数组实现，这就是"顺序栈"，也可以用链表实现，这就是"链栈"。队列同理。树也是，最常用的二叉树的链式存储是用三个指针（左孩子、右孩子、双亲）实现的，但堆排序里用数组存一颗完全二叉树，也是可以的，而且非常紧凑。

这个认知有多重要呢？它直接决定了你看代码的方式。当你看到一段用数组实现的树，你不会觉得陌生，因为你知道这只是物理结构换了一种，逻辑结构还是树。反过来，如果你能意识到一个逻辑结构在数组和链表两种物理结构下表现完全不同，你就能理解为什么教材要推出那么多"变种结构"了。

2.4 为什么严蔚敏的C语言版教材几十年不过时

这里顺手说一下热搜里高频出现的"数据结构c语言版严蔚敏电子书"。这本书被奉为经典不是没有道理的。它在讲任何一个结构时，都严格遵循"逻辑结构→存储结构→基本操作→算法实现"这条路线。这种写法本身就是一种框架思维：先把抽象定义给学生讲清楚，再讨论用数组还是链表实现，然后给出插入、删除、查找这些操作的具体实现，最后分析时间复杂度和空间复杂度。

因为它是用C语言写的，没有面向对象那一套封装，所有结构都是裸的数组和指针，存储细节暴露无遗。你看到的是一个结构最真实的样子。相比之下，如果你用Java或Python学，类封装会把很多存储细节藏住，新手容易"会用但不知其所以然"。这也是为什么很多考研和面试复习的人都回头看这本老书——它能帮你把地基打实。

我个人的建议是：不管你是不是要用C语言写代码，第一遍学数据结构，手里备一本严蔚敏的《数据结构（C语言版）》当参考书，绝对不亏。看不懂C代码没关系，文字讲解和你画图解的部分才是精华。

3. 一张图看懂数据结构的家族谱系：从线性到树再到图

有了逻辑结构和物理结构这两个概念当骨架，接下来就可以把整门课的知识点挂上去了。这一节相当于把整本书的目录"翻译"成一张有逻辑关系的知识地图。

3.1 线性结构家族：结构课的第一个重点，也是基础中的基础

线性结构是所有数据结构中最简单也最常用的一类，特点是数据元素之间是一对一的线性关系。这个家族有以下几个成员，每个成员都是在前一个的基础上做了一点变化。

线性表是所有线性结构的统称，也是一个最通用的容器。它支持的操作是最基本的：任意位置插入、删除、查找、修改。它的顺序存储实现叫"顺序表"（就是动态数组），链式存储实现叫"单链表"。单链表再变一变，首尾相接就成了"循环链表"，节点加一个前驱指针就成了"双向链表"。这些变种都是为了解决特定场景的问题：循环链表让你从任何一个节点出发能逛完整圈；双向链表让你既能往后走也能往前走。

从线性表延伸出去，就出现了两类"受限的线性表"——栈和队列。

栈的规则就一句话：后进先出（LIFO）。好比一摞盘子，你先放上去的只能在下面，要用只能从顶上拿。函数调用的递归过程就是靠系统栈实现的。括号匹配、表达式求值、浏览器的前进后退，全是栈的经典应用。

队列的规则也一句话：先进先出（FIFO）。就像食堂打饭排队，先排的先打。操作系统的进程调度、打印机任务队列、消息中间件，背后全是队列的思想。队列还能变化出"循环队列"——用数组实现时为了避免假溢出，脑子费点劲把数组头尾接起来；还有"双端队列"——两头都能进能出。

再往后是串，其实就是字符串，只不过单独列出来研究它的匹配算法。朴素匹配 O(n*m)，KMP算法能优化到 O(n+m)，考研和面试都喜欢考KMP的next数组怎么求。串学起来不算难，但KMP的推导对新手来说确实有点劝退，后面专门说这个坑。

这个家族中还有数组和广义表。数组本身是最基础的存储形式，但它的多维形式可以理解为"线性表的线性表"；广义表则是"线性表的推广"，元素本身可以再是一个表，严格来说它已经不能算纯粹的线性结构了，算是一个过渡——从线性到树形的桥梁。

3.2 树形结构家族：一对多的世界从这里开始

当你接受了"一个节点可以有两个孩子"，你就从线性世界进入树形世界了。树是"一对多"关系的代表，但课程里90%的内容都在研究一种特殊的树——二叉树。

为什么偏偏是二叉树？因为"二叉"是从数学和工程角度来说最恰到好处的形态：每个节点最多只有两个分支，逻辑清晰，存储简单（两个指针就够了），而且任何一棵普通的树都能通过"孩子兄弟表示法"转换成二叉树来处理。所以二叉树不是树的一个小分支，而是整个树形结构的核心。

二叉树往下是这么一串考点：

• 遍历：前序、中序、后序、层序，这是树的基础操作，后面很多算法都建立在遍历之上。前中后序遍历的递归写法几乎是送分题，但非递归写法才是区分水平的地方。
• 线索二叉树：把空指针利用起来，存前驱和后继，方便遍历时不借助栈。
• 二叉搜索树（BST）：左子树都比根小，右子树都比根大，所以查找效率高。但没有平衡保障的话，最坏退化成链表，O(n)。
• 平衡二叉树（AVL）：为了解决BST退化的问题，给每个节点加了"高度差不超过1"的约束，插入删除后通过旋转来恢复平衡，这样查找稳定在 O(log n)。
• 哈夫曼树：带权路径长度最短的树，用来做哈夫曼编码，是数据压缩的基础。
• 堆：一颗用数组存储的完全二叉树，大顶堆/小顶堆。堆排序的核心，也是优先队列的实现基础。

3.3 图形结构家族：多对多的复杂度巅峰

图是数据结构里最复杂的逻辑结构，难点在于它没有天然的"第一个节点"和"最后一个节点"的概念，遍历方式、存储方式都要重新设计。

图的存储有两种主流方案：邻接矩阵和邻接表。前者用一个二维数组把所有可能的边关系都记录下来，优点是判断两个顶点是否相连是 O(1)，缺点是稀疏图时浪费空间；后者只存实际存在的边，每个顶点一个链表，省空间，但判断相连要遍历链表。这两个方案的选择本身就是一道经典面试题。

图的核心算法也很集中：深度优先遍历（DFS）和广度优先遍历（BFS）是地基；最小生成树（Prim算法、Kruskal算法）解决"怎么用最少的边连通所有点"；最短路径（Dijkstra、Floyd）解决"从A到B怎么走最近"；拓扑排序解决"谁先谁后"的依赖问题。这一块是很多人学数据结构时"放弃治疗"的地方，但如果你有框架思维，会发现图的套路其实很固定——存储+遍历+几个经典算法。

3.4 查找与排序：把前面的结构串起来的"应用篇"

查找和排序在教材里经常是最后两章，但它们的地位非常特殊。它们不算新的数据结构，而是基于已有结构的"算法秀"。查找本质上是在不同存储结构（顺序表、二叉搜索树、散列表）上做"查"操作；排序则展示了同一组数据在数组、链表、树等不同结构上的操作技巧。

教材里这个章节编排是有深意的。你会发现学完查找和排序，前面那些结构才真正"活了"。比如快速排序基于数组的分治思想，堆排序基于堆这种树形结构，二叉搜索树的查找建立在树的概念之上，散列表查找就是散列存储能力的体现。查表和排序学完，数据结构这门课才真正闭合。

3.5 家族谱系总结表

这就是整门课的全貌。你把这四个家族的分界线记住，再往里面填细节，就不会迷路。

4. 框架思维真正落地：拿到任何一个数据结构都问这五个问题

前面说的都是"知识地图"，但光有地图还不够。框架思维的真正价值在于把它变成一套可操作的分析方法。我在实际学习和教学里总结了一套"五问法"，拿到任何一个数据结构，按顺序问自己这五个问题，就能把这个结构吃透。这个方法适用于所有结构，不管是数组、链表、栈、树还是图。

4.1 五个问题是什么

第一问：它的逻辑结构是什么？ 也就是说，元素之间是什么关系？一对一、一对多、还是多对多？这一问确定了它属于哪个家族。

第二问：它的物理结构（存储结构）怎么实现？ 用数组连续存储还是用链表指针存储？为什么要选这种存储而不是另一种？如果用另一种存储会有什么效果？

第三问：它支持哪些基本操作？每个操作的时间复杂度是多少？ 数据结构存在的意义就是支撑操作。最基本的操作就是增、删、查、改（还有遍历）。你要能说出每个操作的 O 是多少，并解释为什么是这个复杂度。

第四问：它跟类似的兄弟结构比，优缺点是什么？ 比如栈和队列都是受限线性表，有什么区别？数组和链表有什么取舍？BST和散列表都能做查找，为什么不用一个而用另一个？这一步是建立"对比思维"的关键。

第五问：它在现实或工程中解决什么问题？ 每个数据结构被发明出来，一定是因为某个场景有痛点。你要能说出来这个结构具体解决什么问题，最好能举一个真实的应用例子。

这五个问题过完一遍，一个结构在你脑子里就不是"一个名词"，而是"一个活生生的工具"。你知道它能干什么、不能干什么、什么时候用它最合适。

4.2 用五问法完整拆解一个案例：单向链表

拿单链表走一遍完整流程，你就明白怎么用了。

第一问：单链表的逻辑结构是线性结构，元素之间一对一，每个元素有且只有一个直接前驱和一个直接后继（首尾除外）。

第二问：物理结构是链式存储。每个节点由数据域和指针域组成，指针存下一个节点的地址。为什么用链式而不用顺序？因为链式存储让插入和删除只需要修改指针，不需要移动元素；代价是无法随机访问，查找必须从头遍历。用一个生活化的场景想：一群人围坐着，每个人只知道自己后面坐的是谁，你要找第 7 个人，只能从第 1 个人开始一个个人问过来。

第三问：查找第 k 个元素是 O(n)；在已知前驱节点的情况下，插入和删除节点是 O(1)；而不知道位置、直接删"某个值的节点"则需要先找，找是 O(n)，所以整体是 O(n)。遍历是 O(n)。空间复杂度：除了数据本身，每个节点还要额外存一个指针，空间开销比数组大。

第四问：对比数组。数组随机访问 O(1)、缓存友好、空间利用率高，但插入删除需要搬移元素、长度固定不灵活；单链表插入删除快、长度动态可扩展，但访问慢、有指针开销、对 CPU 缓存不友好。什么时候选谁？频繁随机访问、操作很少，选数组；频繁在中间插入删除、数据量不确定，选链表。

第五问：单链表的经典应用是内存池的空闲链表管理（操作系统里把空闲内存块用链表串起来）、LRU 缓存的淘汰实现（配合散列表，链表维护访问顺序）、多项式的表示（每一项是链表的一个节点）等。你在 Java 里用的 LinkedList，底层就是双向链表。

4.3 五问法怎么推广到树和图

用五问法把单链表过一遍，你觉得简单，是因为线性结构本来就简单。但当你拿着同一套方法去学树，效果就出来了。

学二叉树时，第一问：一对多，树形结构。第二问：常用链式存储（两个指针指向左右孩子），也可以用数组存完全二叉树（堆就是这么干的）。第三问：遍历有前序、中序、后序、层序四种方式，插入和删除要看具体是哪种树（BST 的插入是 O(log n)），查找在 BST 里是 O(log n)。第四问：BST、AVL、红黑树、B 树之间的对比，核心就是"查找效率、插入删除代价、实现复杂度"三者的权衡。第五问：编译器表达式树、数据库 B+ 树索引、文件系统的目录结构。

你看，同一个方法直接平移到树了。图也一样，只是操作的复杂度描述会更复杂一点，但问题框架一模一样。

4.4 为什么这套方法能解决"学了就忘"

很多人学数据结构最大的痛是"学了后面的忘了前面的"。根因在于你没有建立知识之间的"锚点"。五问法其实是在强制你给每个知识点打上标签：它属于哪个家族（逻辑结构）、它用什么落地（物理结构）、它能做什么（操作和复杂度）、它和谁对比（差异性）、它在哪用（应用场景）。

当一个新知识点能和旧知识点产生联系，你的记忆就不靠死记硬背，而是靠"类比"和"差异"。人的记忆天然是网络结构的，不是列表。你每学一个新结构，都主动和旧结构建立联系——"它和栈有什么区别""它和数组在查找上谁快"——这样每学一个结构，你就把整个知识网络加强了一遍。这就是框架思维带来的复利效应。

5. 以终为始：考研、期末、面试分别怎么用这套框架

框架搭好了，方法也有了，最后一个现实问题：具体到不同的学习目标，怎么用这套框架高效地复习和备考？同样的知识，考研、期末、面试三个场景的侧重点差别很大。想清楚"终点是什么"，再倒推学习重点，效率会高很多。

5.1 期末速成场景：抓主线，抓出题规律

期末复习的特点是时间紧、考点范围明确。多数学校期末考试的题型无非是：选择题（概念题）、填空题（复杂度、性质）、应用题（手算哈夫曼树、最小生成树、最短路径、各类排序过程）、算法设计题（一两个核心操作的代码）。用五问法来看，期末要抓的是第一问到第三问——定义、存储、操作。

具体做法：

• 把每一章的知识总结成笔记时，直接按四大家族归类，把每个结构的"逻辑结构、存储结构、核心操作复杂度"列成表格，背下来。
• 应用题一定要亲自动手算一遍。比如给你一串权值让你构建哈夫曼树、给一棵树让你写前中后序遍历、给一个图让你跑 Dijkstra 算法。这类题目是送分题的搬运工，练熟了就是稳拿。
• 算法设计题别怕，重点就那几个：单链表的逆置/排序、二叉树的前中后序遍历的递归和迭代写法、栈和队列模拟、快排/归并排序的代码。其他冷门代码可以战略放弃。

期末复习最容易犯的错误是"看会了"却"不会算"。手算题一定要动笔，不动的你考场上肯定卡壳。

5.2 考研场景：吃透概念细节，注重推导

考研数据结构又被称为"信息量最大的408科目之一"，重在基础概念的准确性和算法思想的透彻理解。王道的书、天勤的书、历年真题，都是围绕"你知不知道这个知识点背后的原理"来出题。

考研的重点在五问法里偏向前两问和复杂度分析，而且需要掌握得比期末深得多：

• 逻辑结构、物理结构的概念辨析，选择题最爱考。
• 复杂度的推导必须能自己算。比如递归算法的时间复杂度用主定理分析、快排最坏情况为什么是 O(n²)，这些都要讲得出理由。
• 存储结构的细节要抠到位：带头节点和不带头节点的单链表有什么区别；循环队列的队空队满判断为什么要牺牲一个存储空间；线索二叉树里"线索"存在哪个指针域里。这些细节不抠，选择题就会失分。
• 应用题里，图的算法（最小生成树、最短路径）一定要能手算全过程，而且不能只背结论。
• KMP 算法的 next 数组和 nextval 数组怎么求，这个每年都会有一大批人算崩。建议多找几道真题练。

考研复习资料的选择上，"王道数据结构"是考研圈的标配，搭配严蔚敏教材使用，效果比较好。王道书是按知识点模块化的，可以直接对着上面的框架图快速定位薄弱环节。

5.3 面试场景：面向场景，讲清取舍

技术面试和笔试完全不同。面试官问"讲讲数组和链表的区别"或者"给你一个场景，你选什么数据结构"，考察的是你能否在方案之间做出合理权衡。这正是五问法的第四问和第五问的用武之地。

面试准备建议：

• 每个结构都能说清楚优点和缺点，并且能举出真实的使用场景。例如"Redis 的字典底层是哈希表，但当哈希冲突多了以后会做扩容和 rehash"这种级别的举例，很能体现水平。
• 复杂度是面试硬通货，每一个操作的空间、时间复杂度都要脱口而出。建议自己画一个汇总表，反复看。
• 高频算法题要刷，但要带着结构思维去刷。看到一道题，先想：它需要快速查找？那用哈希表。需要维护顺序？那用链表。需要高频访问最高优先级？那用堆。这样刷题才是真正把数据结构用起来。
• 面试官特别喜欢追问"那如果数据量特别大怎么办"，你要能接住 B 树、B+ 树、跳表这类进阶结构，至少在概念层面了解它们解决什么问题。

5.4 一份可参考的三轮学习路线图

不管你是哪种目标，我都建议按"三轮推进"的方式来学数据结构，每一轮用不同的角度过一遍知识体系：

第一轮：建框架（约一周）。不深入细节，只把四大家族、逻辑结构 vs 物理结构、每个结构是干嘛的、互相之间的关系捋清楚，做到"提到任何一个结构，都知道它在整个知识地图的哪个位置"。这一轮以看书目录、画思维导图、看综述类视频为主。

第二轮：抠细节（课程核心阶段）。按章节精细学习，每个结构用五问法拆解一遍，手写代码，完成课后习题。这一轮的目标是把框架填满，把抽象概念变成可操作的代码和结论。

第三轮：综合实战（考前/面试前）。做综合性的题目。可以按场景总结：查找一个数据有哪几种结构可用？排序算法里哪些是稳定的？为什么 Redis 用跳表不用 AVL？这样的综合问题能把你脑子里的知识重新串联一遍。

三轮结束之后，即使你考的分数未必是最高的，你对数据结构本身的理解深度，一定会远超那些只靠突击背题的人。

5.5 踩坑提醒：给刚开始学的人四句掏心窝的话

学这门课最浪费时间的事情，我帮你提前避掉：

第一，别只看不写代码。数据结构是工科课，不是文科课。你看了十遍链表反转的题解，不如自己独立写一遍五分钟的代码。写不出来就照抄一遍，再盖住写一遍，直到能默写。所有数据结构核心算法的代码都要"手写肌肉记忆"。

第二，别盲目追求语言的特性。很多人纠结"我用 Python 学数据结构是不是不行"，只要有链表、树、图、排序这些基础概念和语法基础，都能学。重要的是逻辑和算法本身，不是语言的书袋。当然，如果你要考研或者参加某个特定方向的面试，那就按目标决定语言。

第三，别孤立地学。每学一个新结构，都拿它和已经学过的结构做对比。数组和链表，栈和队列，BST和散列表，堆和快速选择算法，这种对比是形成框架思维最有效的方式。

第四，别在KMP和AVL旋转上死磕太久。这两个知识点确实难，但考试和面试的权重并不值得你花整整三天死磕。卡住了先跳过，等知识体系完整了再回头，往往一下就通了。我自己当年就是这样，KMP的next数组算不明白，放在那里，学完串、树、图之后再回来看，突然就懂了。

最后讲一个我的切身体会。学完数据结构之后，很多看似不相关的东西都会被"框"住。比如你刷新闻看到推荐系统，脑子里自动就浮现出"散列表 + 堆"的组合；看到全文搜索引擎，就知道背后是"倒排索引 + 跳表"；看到文件系统的目录树，就知道是"多叉树 + 红黑树"。这个"看什么都能想到数据结构"的状态，就是框架思维真正内化之后的样子。而一旦到了那个状态，数据结构这门课，就算真正学透了。