समस्येसाठी योग्य डेटा संरचना कसे निवडायचे?

Question

Accepted Answer

असा संरचना निवडा ज्याची **सर्वाधिक वारंवार ऑपरेशन सर्वस्ता सस्ती** असते तुमच्या प्रवेश पद्धतीसाठी. तुम्ही कोणत्या ऑपरेशन्स करणार अहोत हे सूचीबद्ध करून सुरु करा, त्यांची वारंवारता अंदाजे लावा, नंतर संरचनाच्या शक्तींशी जुळवा.

## निर्णय तपासणी सूची

```text
1. How do you access data?  by index -> array
                            by key   -> hash map
                            by order -> tree / heap
2. Need ordering?           sorted   -> balanced BST / sorted array
                            FIFO     -> queue
                            LIFO     -> stack
3. Frequent middle inserts? -> linked list
4. Need fast "seen it?"     -> set / hash map
5. Need "best/min/max next" -> heap (priority queue)
```

## ऑपरेशन्सला जटिलता जुळवा

| आवश्यकता | सर्वोत्तम संरचना | मुख्य ऑप खर्च |
|---|---|---|
| अनुक्रमणिका द्वारे यादृच्छिक प्रवेश | गतिशील अरे | O(1) |
| कुंजी द्वारे शोध | hash map | O(1) सरासरी |
| क्रमबद्ध + श्रेणी प्रश्न | संतुलित BST | O(log n) |
| Min/max वारंवार | heap | O(log n) pop |
| FIFO / LIFO | queue / stack | O(1) |
| उपसर्ग शोध | trie | O(L) |

## उदाहरण तर्क

```text
"Find the 10 most frequent words in a huge file."
 - count frequencies  -> hash map (O(1) updates)
 - keep top 10        -> min-heap of size 10 (O(log 10) per word)
```

## हे महत्वाचे का आहे

चांगल्या पद्धतीने निवडणे सहसा O(n) आणि O(n²) सोल्यूशन्समधील फरक आहे — कर्मक्षमतेवरील सर्वात मोठा लीव्हर.

मुलाखतीकार्‍यांना हेच तर्क तपासायचे आहे: तुम्ही गरजा ऑपरेशन खर्चांसह कसे जुळवता हे पहायचे आहे, संरचना लक्षात ठेवायचे नाही.

अनुक्रमणिका द्वारे यादृच्छिक प्रवेश	गतिशील अरे	O(1)
कुंजी द्वारे शोध	hash map	O(1) सरासरी
क्रमबद्ध + श्रेणी प्रश्न	संतुलित BST	O(log n)
Min/max वारंवार	heap	O(log n) pop
FIFO / LIFO	queue / stack	O(1)
उपसर्ग शोध	trie	O(L)