对于下面的内容，大家着重观察和理解图即可，可以直接绕过一些文字性的概念，对图有一个大概的认识。
图
- 简单认识图
- 图的定义
- 有向图和无向图
- 完全图
- 无向完全图
- 有向完全图
- 图的基本存储结构
- 邻接矩阵存储
- 邻接矩阵的优点
- 网络的邻接矩阵
- 邻接表
- 无向图的邻接表
- 有向图的邻接表
- 关于顶点的度、出度与入度
简单认识图
图，是一种比树更为复杂的数据结构。树的节点之间是一对多的关系，并且存在父与子的层级划分；而图的顶点（注意，这里不叫节点）之间是多对多的关系，并且所有顶点都是平等的，无所谓谁是父谁是子。
图的定义
图 是由一个非空的顶点集合和一个描述顶点之间多对多关系的边（或弧）集合组成的一种数据结构，它可以形式化地表示为： 图＝（V，E
其中V={x|x∈某个数据对象集}，它是顶点的有穷非空集合；E={（x，y）|x，y∈V}或E={<x，y>|x，y∈V且P（x，y）}，它是顶点之间关系的有穷集合，也叫做边集合，P（x，y）表示从x到y的一条单向通路。
有向图和无向图
若图G中的每条边都是有方向的，则称G为有向图。在有向图中，一条有向边是由两个顶点组成的有序对，有序对通常用尖括号表示。例如，有序对<vi，vj>表示一条由vi到vj的有向边。有向边又称为弧，弧的始点称为弧尾，弧的终点称为弧头。若图G中的每条边都是没有方向的，则称G为无向图。无向图中的边均是顶点的无序对，无序对通常用圆括号表示。
下面我们举例说明：
①如下图所示，顶点集合V(G1)={ V 0 , V 1 , V 2 , V 3 , V 4 V_0,V_1,V_2,V_3,V_4 V0,V1,V2,V3,V4}
边集合为E(G1)={ ( V 0 , V 1 ) , ( V 0 , V 3 ) , ( V 1 , V 2 ) , ( V 1 , V 4 ) , ( V 2 , V 3 ) , ( V 2 , V 4 ) (V_0,V_1),(V_0,V_3),(V_1,V_2),(V_1,V_4),(V_2,V_3),(V_2,V_4) (V0,V1),(V0,V3),(V1,V2),(V1,V4),(V2,V3),(V2,V4)} 
②如下图所示，顶点集合V(G2)={ V 0 , V 1 , V 2 , V 3 V_0,V_1,V_2,V_3 V0,V1,V2,V3}
边集合为E(G2)={ < V 0 , V 1 > , < V 0 , V 2 > , < V 2 , V 3 > , < V 3 , V 0 > <V_0,V_1>,<V_0,V_2>,<V_2,V_3>,<V_3,V_0> <V0,V1>,<V0,V2>,<V2,V3>,<V3,V0>}
完全图
简单来说，完全图具有最多的边数，任意一对顶点间均有边相连。
无向完全图
对于具有n个顶点的完全图，如果每两个顶点之间都有相连，也就是边数为
e= ( n − 1 ) + ( n − 2 ) + . . . + 1 (n-1)+(n-2)+...+1 (n−1)+(n−2)+...+1= n ( n − 1 ) 2 \frac{n(n-1)}{2} 2n(n−1)，就是完全图，否则，就是不完全图。
如下图所示，即为无向完全图。
有向完全图
对于具有n个顶点的完全图，如果每两个顶点之间都有相连，也就是边数为n(n-1),那么即为有向完全图。
如下图所示，即为有向完全图。
图的基本存储结构
图的存储结构至少要保存两类信息：
1)顶点的数据
2)顶点间的关系
邻接矩阵存储
给定图G=（V，E），其中V（G）={v0，…，vi，…，vn-1}，G的邻接矩阵（Adacency Matrix）是具有如下性质的n阶方阵：
下面，我们举例说明：
写出如下两个图的邻接矩阵。
所以它的邻接矩阵为：
我们可以观察得知，无向图的邻接矩阵是对称的，有向图的邻接矩阵可能是不对称的。
所以它的邻接矩阵为：
邻接矩阵的优点
邻接矩阵的优点在于用邻接矩阵表示图，很容易判定任意两个顶点之间是否有边相连，并求得各个顶点的度数。
对于无向图，顶点vi的度数是邻接矩阵中第i行或第i列值为1的元素个数。
对于有向图，邻接矩阵中第i行值为1的元素个数为顶点vi的出度，第i列值为1的元素的个数为顶点vi的入度。
网络的邻接矩阵
当G=（V，E）是一个网络时，G的邻接矩阵是具有如下性质的n阶方阵：
其中Wij表示边上的权值；∞表示一个计算机允许的、大于所有边上权值的数。
下面我们举例说明：
①对于如下这个无向图，求邻接矩阵
它的邻接矩阵为：
②对于如下这个有向图，求邻接矩阵
它的邻接矩阵为：
邻接表
如上可以知道，邻接矩阵可以直观地看出一个顶点和另一个顶点之间的关联关系。
但是，邻接矩阵的缺点时什么呢？就是占用太多空间了。
举个例子来说，如果有100个顶点，这100个顶点之间只有10个顶点之间有关联关系，那么就需要建立一个100×100的矩阵，在这个邻接矩阵中，就只有10或20个1，其余都是0，这样的矩阵也叫做 稀疏矩阵，太浪费存储空间了。
所以，为了解决邻接矩阵占用空间的问题，人们想到了另一中种图的表示方法：邻接表。
无向图的邻接表
对于图G中的每个顶点vi，该方法把所有邻接于vi的顶点vj链成一个带头结点的单链表，这个单链表就称为顶点vi的邻接表。
单链表中的每个结点至少包含两个域，一个为邻接点域（adjvex），它指示与顶点vi邻接的顶点在图中的位序，另一个为链域（next），它指示与顶点vi邻接的下一个结点。
如下图所示：
简单理解单链表的组成：
其实，可以将图的单链表理解成由一个又一个“带头结点的单链表”组成的。
当然，严谨来说，肯定不是单链表。这是因为它的表头结点结构和边表结点的结构不同。
它的邻接表为：
有向图的邻接表
对于有向图来说，如果每一顶点vi的邻接表中每个表结点都存储以vi的为始点射出的一条边，则称这种表为有向图的出边表（有向图的邻接表），反之，若每一顶点vi的邻接表中每个表结点都对应于以vi为终点的边（即射入vi的边），则称这种表为有向图的入边表（又称逆邻接表）。
举例如下图所示：
它的出边表：
关于顶点的度、出度与入度
在无向图的邻接表中，顶点vi的度为第i个链表中结点的个数；而在有向图的出边表中，第i个链表中的结点个数是顶点vi的出度；为了求入度，必须对整个邻接表扫描一遍，所有链表中其邻接点域的值为i的结点的个数是顶点vi的入度。
若如下图所示已知该图是无向图，则可知，改图种V0的度为3.
若如下图所示，已知改图是有向图，则可知 V0的出度为1，V0的入度为2。
