通用数据结构
可以简单的按照速度将通用数据结构划分为：数组和链表（最慢），树（较快），哈希表（最快）。增、删、改、查是四大常见操作，不过其实可以浓缩为两个操作：增和查。删除操作和和修改操作都是建立在查找操作上的，所以完美的数据结构应该是具有较高的插入效率和查找效率。
通用数据结构关系
可以根据下图选择合适的通用数据结构：
数组
使用场景
数组在以下三个情形下很有用：
1）数据量较小。
2）数据规模已知。
3）随机访问，修改元素值。
如果插入速度很重要，选择无序数组。如果查找速度很重要，选择有序数组，并使用二分查找。
缺点
1）需要预先知道数据规模
2）插入效率低，因为需要移动大量元素。
链表
解决的问题
链表的出现解决了数组的两个问题：
1）需要预先知道数据规模
2）插入效率低
使用场景
1）数据量较小
2）不需要预先知道数据规模
3）适应于频繁的插入操作
缺点
1）有序数组可以通过二分查找方法具有很高的查找效率(O(log n))，而链表只能使用顺序查找，效率低下(O(n))。
二叉查找树
解决的问题
1）有序数组具有较高的查找效率(O(log n))，而链表具有较高的插入效率（头插法，O(1)），结合这两种数据结构，创建一种貌似完美的数据结构，也就是二叉查找树。
使用场景
1）数据是随机分布的
2）数据量较大
3）频繁的查找和插入操作（可以提供O(log n)级的查找、插入和删除操作）
缺点
1）如果处理的数据是有序的（升序/降序），那么构造的二叉查找树就会只有左子树（或右子树），也就是退化为链表，查找效率低下(O(log n))。
平衡树
解决的问题
1）针对二叉查找树可能会退化为链表的情况，提出了平衡树，平衡树要求任意节点的左右两个子树的高度差不超过1，避免退化为链表的情况。
使用场景
1）无论数据分布是否随机都可以提供O(log n)级别的查找、插入和删除效率
2）数据量较大
缺点
1）平衡树的实现过于复杂。
哈希表
解决的问题
同平衡树一样，哈希表也不要求数据分布是否随机，不过哈希表的实现比平衡树要简单得多。
使用场景
1）不需要对最大最小值存取。
2）无论数据分布是否随机，理想情况下（无冲突）可以提供O(1)级别的插入、查找和删除效率。
3）数据量较大
缺点
1）由于是基于数组的，数组（哈希表）创建后难以扩展，使用开放地址法的哈希表在基本被填满时，性能下降的非常严重。
2）不能对最大最小值存取。
通用数据存储结构
专用数据结构
栈
顺序栈
优点
1）在输入数据量可预知的情形下，可以使用数组实现栈，并且数组实现的栈效率更高，出栈和入栈操作都在数组末尾完成。
缺点
1)如果对数组大小创建不当，可能会产生栈溢出的情况
链栈
优点
1）不会发生栈溢出的情况
2）输入数据量未知时，使用链栈。通过头插法实现入栈操作，头删法实现出栈操作。出栈和入栈均是O(1)。
缺点
1）由于入栈时，首先要创建插入的节点，要向操作系统申请内存，所以链栈没有顺序栈效率高。
队列
如果数据量已知就使用数组实现队列，未知的话就使用链表实现队列。出队和入队均是O(1)。
| 数据结构 | 优点 | 缺点 | |
| 数组 | 插入快 | 查找慢、删除慢、大小固定 | |
| 有序数组 | 查找快 | 插入慢、删除慢、大小固定 | |
| 栈 | 后进先出 | 存取其他项很慢 | |
| 队列 | 先进先出 | 存取其他项很慢 | |
| 链表 | 插入、删除快 | 查找慢 | |
| 二叉树 | 查找、插入、删除快 | 算法复杂（删除算法） | |
| 红黑树 | 查找、插入、删除快 | 算法复杂 | |
| hash表 | 存取极快（已知关键字）、插入快 | 删除慢、不知关键字时存取很慢、对存储空间使用不充分 | |
| 堆 | 插入快、删除快、对大数据项存取快 | 对其他数据项存取慢 | |
| 图 | 依据现实世界建模 | 算法有些复杂 | |
| AVL树 | 查找、插入、删除快 | 算法复杂 |