ساختارهای داده پایتون: لیست های پیوندی

مدرس Erin Allard

انتشار 2019/04/23

به‌روز‌رسانی 2022/12/13

مدت زمان 1h 29m

سطح پیشرفته

فایل تمرینی دارد

آموزش Python Data Structures: Power of Linked Lists for Technical Interviews

مصاحبه فنی بعدی خود را با استفاده از پایتون برای کدنویسی برخی از رایج‌ترین ساختارهای داده خطی: لیست‌های منفرد و دوتایی مرتبط کنید. در این دوره، مدرس ارین آلارد موضوع فهرست‌های پیوندی را بررسی می‌کند و آنچه را که باید بدانید برای انتقال درک خود از این ساختار داده به مصاحبه‌گر به اشتراک می‌گذارد. ارین به انواع داده های انتزاعی می پردازد و به شما کمک می کند تا گره ها را در لیست های پیوندی مفهوم سازی کنید. او همچنین در مورد چگونگی ایجاد هر دو لیست لیست پیوندی و کلاس های لیست پیوندی مضاعف بحث می کند و به نحوه پیاده سازی روش های کلیدی می پردازد. در طول دوره، او نه تنها نحوه کدنویسی کلاس و متدهای هر ساختار داده را نشان می‌دهد، بلکه توضیح می‌دهد که چرا هر روش مورد نیاز است.

Data Structures Python (Programming Language)

Introduction

Understanding linked list data structures in Python ()

What you should know ()

1. The Linked List Abstract Data Type

The linked list abstract data type: Nodes ()

Abstract data types ()

The built-in list data type in Python ()

The linked list abstract data type: Operations ()

2. The Node Class for Singly Linked Lists

Defining the singly linked list node class ()

Coding the singly linked list node class ()

3. The Node Class for Doubly Linked Lists

get_previous() and set_previous() ()

4. The SinglyLinkedList Class

Creating the SinglyLinkedList class and its methods ()

is_empty() ()

add_front() ()

size() ()

search() ()

Visualizing remove() ()

Coding remove() ()

Testing remove() ()

5. The DoublyLinkedList Class

Creating the DoublyLinkedList class and its methods ()

size() and search() ()

Coding add_front() ()

Testing add_front() ()

Visualizing remove() ()

Coding remove() ()

Testing remove() ()

Conclusion

Next steps ()

Ex_Files_Python_Data_Structures_Linked_Lists_2022.zip (33 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش ساختارهای داده پایتون: لیست های پیوندی

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Python Data Structures: Power of Linked Lists for Technical Interviews در 2 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

پایتون به سرعت به زبان برنامه نویسی پیشرو برای کسانی که در بخش علم داده و تجزیه و تحلیل هستند تبدیل شده است. مهارت‌های پایتون قابل سرمایه‌گذاری هستند و این مسیر یادگیری به شما کمک می‌کند به مجموعه مهارت‌ها و رزومه خود ارزش بیافزایید.

آموزش ساختارهای داده پایتون: لیست های پیوندی ، ایستگاه شماره 6 در مسیر یادگیری استاد پایتون برای علم داده ، است.

مسیر یادگیری استاد پایتون برای علم داده

درک خود را از Python عمیق تر کنید و حرفه خود را به سطح بعدی ببرید! در این مسیر یادگیری، به جنبه‌های پیچیده‌تر پایتون بپردازید و یاد بگیرید که چگونه این مهارت‌های جدید را در پروژه‌های خود به کار ببرید.

آموزش ساختارهای داده پایتون: لیست های پیوندی ، ایستگاه شماره 4 در مسیر یادگیری به مهارت های پایتون خود مسلط شوید ، است.