其主要表现为将多个元素 element 置于一个单元中，用于对这些元素进行快速、便捷的存储 store 、检索 retrieve 、管理 manipulate ，即平时我们俗称的增删查改 crud 。
类和接口总览：
1.2 容器涉及的数据结构collection：是一个接口，包含了大部分容器常用的一些方法
list：是一个接口，规范了arraylist 和 linkedlist中要实现的方法
arraylist：实现了list接口，底层为动态类型顺序表
linkedlist：实现了list接口，底层为双向链表
stack：底层是栈，栈是一种特殊的顺序表
queue：底层是队列，队列是一种特殊的顺序表
deque：是一个接口
set：集合，是一个接口，里面放置的是k模型
hashset：底层为哈希桶，查询的时间复杂度为o(1)
treeset：底层为红黑树，查询的时间复杂度为o( ),关于key有序的
map：映射，里面存储的是k-v模型的键值对
hashmap：底层为哈希桶，查询时间复杂度为o(1)
treemap：底层为红黑树，查询的时间复杂度为o( )，关于key有序
2 算法2.1 算法概念算法(algorithm):就是定义良好的计算过程，他取一个或一组的值为输入，并产生出一个或一组值作为输出。算法是由一系列计算步骤组成的，其目的在于将输入数据转化为输出结果。
2.2 算法效率算法效率分析分为两种：第一种是时间效率，第二种是空间效率。时间效率被称为时间复杂度，而空间效率被称作空间复杂度。 时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间，在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。随着计算机行业的急速发展，计算机的存储容量已经达到了相当高的水平。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
3 时间复杂度3.1 时间复杂度概念时间复杂度是计算机科学中的一个数学函数，表示算法的运行时间，其定量描述了算法的时间效率。在理论上无法计算一个算法的执行时间，只有在将程序实际运行在计算机上之后才能得知其耗时。尽管每个算法都可以进行上机测试，但这样很繁琐，因此才有了通过时间复杂度进行分析的方式。算法的时间复杂度是基于其中语句执行次数的花费时间成正比例，时间复杂度取决于算法中基本操作的执行次数。
3.2 大o的渐进表示法// 请计算一下func1基本操作执行了多少次？void func1(int n){ int count = 0; for (int i = 0; i < n ; i++) { for (int j = 0; j < n ; j++) { count++; } } for (int k = 0; k < 2 * n ; k++) { count++; } int m = 10; while ((m--) > 0) { count++; } system.out.println(count);}
func1 执行的基本操作次数 ：f(n)=n^2+2*n+10
n = 10 f(n) = 130
n = 100 f(n) = 10210
n = 1000 f(n) = 1002010
实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这里我们使用大o的渐进表示法。
大o符号（big o notation）：是用于描述函数渐进行为的数学符号
3.3 推导大o阶方法用常数1取代运行时间中的所有加法常数。
在修改后的运行次数函数中，只保留最高阶项。
如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大o阶。
使用大o的渐进表示法以后，func1的时间复杂度为：o(n^2)
n = 10 f(n) = 100
n = 100 f(n) = 10000
n = 1000 f(n) = 1000000
通过上述内容，我们可以看出大o渐进表示法排除了在结果上影响不大的项，从而简洁明确地表示了执行次数。另外有些算法的时间复杂度存在最好、平均和最坏情况：
最坏情况：任意输入规模的最大运行次数(上界)
平均情况：任意输入规模的期望运行次数
最好情况：任意输入规模的最小运行次数(下界)
例如：在一个长度为n数组中搜索一个数据x
最好情况：1次找到
最坏情况：n次找到
平均情况：n/2次找到
在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为o(n)
4 空间复杂度对于一个算法而言，空间复杂度表示它在执行期间所需的临时存储空间大小。空间复杂度的计算方式并非程序所占用的字节数量，因为这并没有太大的意义；实际上，空间复杂度的计算基于变量的数量。大o渐进表示法通常用来计算空间复杂度，其计算规则类似于实践复杂度的计算规则。
实例1:
// 计算bubblesort的空间复杂度？void bubblesort(int[] array) { for (int end = array.length; end > 0; end--) { boolean sorted = true; for (int i = 1; i < end; i++) { if (array[i - 1] > array[i]) { swap(array, i - 1, i); sorted = false; } } if(sorted == true) { break; } }}
实例2:
// 计算fibonacci的空间复杂度？int[] fibonacci(int n) { long[] fibarray = new long[n + 1]; fibarray[0] = 0; fibarray[1] = 1; for (int i = 2; i <= n ; i++) { fibarray[i] = fibarray[i - 1] + fibarray [i - 2]; } return fibarray;}
实例3:
// 计算阶乘递归factorial的空间复杂度？long factorial(int n) { return n < 2 ? n : factorial(n-1)*n;}
实例1使用了常数个额外空间，所以空间复杂度为 o(1)
实例2动态开辟了n个空间，空间复杂度为 o(n)
实例3递归调用了n次，开辟了n个栈帧，每个栈帧使用了常数个空间。空间复杂度为o(n)
以上就是java数据结构之集合框架与常用算法有哪些的详细内容。