南瓜丶奇迹师我带过的学生里，十个有九个在学数据结构第一周问过同一句话：“这课到底有什么用？” 等他们熬到树、图和排序的时候，又会跑回来说，原来前面那些“看不懂的抽象概念”不是没用，是当时没建立起整张地图。所以我今天把这篇东西命名为“数据结构序章”，就是为了在你看代码、刷题、背概念之前，先把一张完整的学习地图铺开。这篇不是某本教材的浓缩，而是一个过来人给你指路：数据结构是什么、先学什么、后学什么、哪些坑能绕开。
如果你是在校生准备期末，或者是考研党、软考选手、转行求职者，这篇文章都适合你。它不给你某个算法的完整源码，但会告诉你动手时该走哪几步，资料怎么选，实验报告怎么写，刷题从哪里开始。数据结构是一门需要手和脑一起动起来的课，单靠眼睛看永远学不会。先把序章读完，后面你真正翻开严蔚敏或者王道的时候，至少知道自己站在哪、要去哪。
1. 先把地图摊开：数据结构到底在学什么
1.1 程序、算法和数据结构的真实关系
“程序 = 数据结构 + 算法”这句话你可能听过无数遍，但真正消化它的人不多。我常用图书馆来类比：书架就是数据结构，找书的方法就是算法。如果你的书是一摞一摞堆在地上，就算你有再聪明的找书策略，也得先翻完每一堆才能确定想要的书在不在。反过来，如果你把所有书按编号排好，但没有找书规则，也没法快速定位。程序里的“书”就是数据，“书架”就是数据结构，“找书规则”就是算法。两者是配套的，谁也离不开谁。
很多初学者学编程时，满脑子是语法：if、for、while、函数、类。等开始写点真实程序，比如做一个学生成绩管理系统，就会发现问题不在语法，而在“怎么存这几十个学生信息”。用数组存？插入一个学生要移动后面所有人。用链表存？查询时又要挨个往后找。你觉得学数据结构没用，是因为你还没被数据量折磨过。真等你处理几千、几万个数据时，结构选没选对，程序性能会差出几个数量级。
所以数据结构课程第一个要建立的，不是背会某个结构的定义，而是形成一种“结构感”：看到问题先想，这些数据是什么关系、要支持哪些操作、哪一种组织方式最合适。有了这种意识，你才算真正踏进计算机核心领域的大门。
1.2 为什么把开端称为“序章”而不是“基础”
很多人把数据结构当成一门需要“背”的课，比如背链表定义、背二叉树性质。但我更愿意把它看成未来所有专业方向的“序章”。你以后学操作系统，里面的进程调度队列、文件系统目录树，本质都是数据结构；学数据库，索引用的 B+ 树是数据结构；学网络，路由表、滑动窗口是数据结构和算法。数据结构不是孤立的课程，它是你在计算机世界里描述问题、组织数据的通用语言。
我把这一篇定位成序章，还有一个原因：数据结构的每一个章节都有很强的延续性。线性表是栈和队列的基础，栈和队列又是树的遍历工具，树和图又要靠队列或栈来搜索，排序和查找则是前面所有结构的综合应用。如果你刚开局就直接去啃快速排序或者红黑树，大概率会被劝退。但如果你把序章里的“结构感”建立起来，后续所有内容都会变成同一个问题的不同变体：用什么结构组织数据，才能让想要的操作足够快。
看到这里，你可以先想一个问题：如果让你设计一个“先来先服务”的打印任务队列，但你只学过数组，你会怎么做？答案是数组每打印完一个任务，后面的元素都要往前挪。这样能用，但很低效。这个问题的背后，就是第三章要讲的“队列”。带着问题去学，比你两倍速看网课有用得多。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 正式出发前，请先解决三个认知问题
2.1 逻辑结构、存储结构和抽象数据类型：这些名词到底在说什么
严蔚敏那本《数据结构（C语言版）》一开篇就把“数据、数据元素、数据项、数据结构”放出来，很多人就是从这儿开始放弃的。说句公道话，这些概念在初学阶段不需要抠太细，但有几个必须分清，因为后面整门课都在用。
逻辑结构描述的是“数据元素之间存在什么关系”，它跟计算机怎么存没关系。常见逻辑结构有四种：集合、线性结构、树形结构、图状结构。线性结构表示元素之间是一对一的先后关系，比如排队打饭；树形结构是一对多的关系，比如公司组织架构；图状结构是多对多的关系，比如城市之间的交通网络。你以后学的顺序表、链表、栈、队列都算线性结构，二叉树算树形结构。
存储结构则是在内存里真正落地的方式，常见有顺序存储、链式存储、索引存储、散列存储。同样是一个“栈”的逻辑结构，你可以用数组顺序存储实现，也可以用链表链式存储实现，两种实现写出来的代码不同，但对外表现出的“后进先出”规则一样。理解这一点非常重要：逻辑结构解决“数据关系怎么描述”，存储结构解决“怎么在内存里摆得方便、省空间”。很多同学搞不懂“栈到底是顺序的还是链式的”，其实是把两层问题混在一起了。
抽象数据类型（ADT）是另一个容易懵的概念。说白了，它只关心“能做什么操作”，不管“内部怎么做”。比如你用栈，只关心 push、pop、isEmpty 这些操作；至于脑子里是数组还是链表，是你的自由。这种“接口与实现分离”的思路在工程里特别常见，初学阶段不用深究，但知道它是怎么回事，对后面看教材里的 ADT 定义有很大帮助。
2.2 算法复杂度：为什么程序员的“快”不是秒表说了算
学数据结构一定会碰到时间复杂度、空间复杂度，这也是考研和面试里跑不掉的问题。很多初学同学问：“这个算法到底有多快？” 我通常会反问：你的数据量是 10 条还是 1000 万条？复杂度衡量的不是绝对时间，而是算法运行时间随数据规模增长的“趋势”。复杂度越低，扛数据量增长的能力越强。
大 O 记号是描述这种趋势的标准语言。O(1) 表示无论数据多大，操作时间基本恒定，比如数组按下标访问；O(n) 表示时间随数据规模线性增长，比如在链表中从头找某个值；O(n^2) 表示数据翻一倍，时间会变成原来的四倍，比如最简单冒泡排序；O(log n) 则是对数增长，比如二分查找，数据翻一倍，时间只多一次比较。对初学者，可以先记住这个直观感觉：O(1) < O(log n) < O(n) < O(n log n) < O(n^2) < O(2^n)。