本章内容：学习使用新的数据结构图来建立网络模型
学习广度优先搜索
学习有向图和无向图
学习拓扑排序，这种排序算法指出了节点之间的依赖关系
广度优先算法是一种图算法，能让你找出两样东西之间的最短距离。解决最短路径问题的算法被称为广度优先搜索。
6.2图是什么
图用于模拟不同的东西是如何相连的。
6.3广度优先搜索
6.3.1查找最短路径
广度优先搜索可回答两种问题
第一类问题：从节点A出发，有前往节点B的路径吗？
第二类问题：从节点A出发，前往节点B的最短路径是哪条？
一度关系通常胜过二度关系，二度关系胜过三度关系，以此类推。因此，因先在一度关系中搜索，确定没有想要的值后，才在二度关系里面搜索。这就是广度优先搜索的工作原理。在广度优先搜索的执行过程中，搜索范围从起点开始逐渐向外延伸。
广度优先搜索不仅查找从A到B的路径，而且找到的是最短的路径。不过只有按照添加顺序进行查找时，才能实现这种目的，可以使用队列这种数据结构。
6.3.2队列
队列只支持两种操作：入队和出队。
队列是一种先进先出FIFO的数据结构，而栈是一种后进后出LIFO的数据结构。
6.4实现图
graph = {}
graph['you'] = ['alice', 'bob', 'claire']
graph['bob'] = ['anuj', 'peggy']
graph['alice'] = ['peggy']
graph['claire'] = ['thoh', 'jonny']
graph['anuj'] = []
graph['peggy'] = []
graph['jonny'] = []
graph['thoh'] = []
关系单项的称为有向图，无向图没有箭头，直接相连的节点互为邻居。
6.5实现算法
#-*- coding:utf-8 -*-
from collections import deque
graph = {}
graph["you"] = ["alice", "bob", "claire"]
graph["bob"] = ["anuj", "peggy"]
graph["alice"] = ["peggy"]
graph["claire"] = ["thom", "jonny"]
graph["anuj"] = []
graph["peggy"] = []
graph["thom"] = []
graph["jonny"] = []
def person_is_seller(name):#判断是否是个芒果商，用名字的m判断，是为了实现代码
return name[-1] == 'm'
def search(name):
search_queue = deque()
search_queue += graph[name]
searched = []
while search_queue:#列表不为空
person = search_queue.popleft()#popleft返回队列左边的第一个
if person_is_seller(person):#进行判断，用定义的函数
print(person + " is a mango seller!")
else:
search_queue += graph[person]#不是的话继续递归
searched.append(person)
if __name__ == '__main__':
search('you')
检查完一个人后，应将其标为已检查，且不再检查他，以免进入无限循环。
运行时间
如果在整个人际关系网中搜索，就意味着将沿每条边前行，因此运行时间至少O(边数).
有关运行时间：因为要搜索每一个人，因此每条边都要走过即O（边数），同时，还要对于每一个人要检查，将这个人添加到队列需要时间O（1），因为要对每一个人则是O（人数）。
所以，广度优先搜索的运行时间为O(人数 + 边数)，这通常写作O(V + E)，其中V为顶点（vertice）数，E为边数。
6.6小结
广度优先搜索指出是否有从A到B的路径。
如果有，广度优先搜索将找出最短路径。
面临类似于寻找最短路径的问题时，可尝试使用图来建立模型，再使用广度优先搜索来解决问题。
有向图中的边为箭头，箭头的方向指定了关系的方向。
无向图中的边不带箭头，其中关系是双向的。
队列是先进先出的。
栈是先进后出的。
你需要按加入顺序检查搜索列表的人，否则找到的就不是最短路径，因此搜索队列必须是队列。
对于检查过的人，务必不要再去检查，否则可能导致无限循环。