周围有一些数据结构非常有用，但大多数程序员都不知道。他们是哪一个？
每个人都知道链表、二叉树和散列，但比如Skip列表和Bloom过滤器。我想知道更多不太常见但值得了解的数据结构，因为它们依赖于伟大的想法，丰富了程序员的工具箱。
PS：我还对舞蹈链接等技术感兴趣，这些技术巧妙地利用了通用数据结构的财产。
编辑：请尝试包含更详细描述数据结构的页面链接。此外，试着补充几句关于数据结构为什么很酷的话（正如乔纳斯·Kölker已经指出的那样）。此外，尝试为每个答案提供一个数据结构。这将允许更好的数据结构仅根据其投票结果浮到顶部。
当前回答
成对堆是一种堆数据结构，具有相对简单的实现和出色的实际摊余性能。
其他回答
空间索引，特别是R-树和KD树，有效地存储空间数据。它们适用于地理地图坐标数据和VLSI位置和路线算法，有时也适用于最近邻搜索。
位阵列紧凑地存储单个位，并允许快速位操作。
芬威克树。这是一种数据结构，用于计算向量中两个给定的子索引i和j之间的所有元素的总和。简单的解决方案是，从开始时就预先计算总和，不允许更新项目（必须做O（n）工作才能跟上）。
Fenwick Trees允许您在O（logn）中更新和查询，它的工作方式非常简单。芬威克的原始论文对这一点做了很好的解释，可以在这里免费获得：
http://www.cs.ubc.ca/local/reading/proceedings/spe91-95/spe/vol24/issue3/spe884.pdf
它的父亲RQM树也很酷：它允许您保存关于向量的两个索引之间的最小元素的信息，它还可以在O（logn）更新和查询中工作。我喜欢先教RQM，然后教芬威克树。
以下是一些：
后缀尝试。适用于几乎所有类型的字符串搜索(http://en.wikipedia.org/wiki/Suffix_trie#Functionality). 另请参见后缀数组；它们没有后缀树那么快，但要小得多。飞溅的树木（如上所述）。它们很酷的原因有三个：它们很小：您只需要像在任何二叉树中那样的左右指针（不需要存储节点颜色或大小信息）它们（相对而言）很容易实施它们为一整套“测量标准”提供了最优的摊余复杂度（log n查找时间是每个人都知道的时间）。看见http://en.wikipedia.org/wiki/Splay_tree#Performance_theorems堆排序的搜索树：在树中存储一堆（key，prio）对，这样它就是一个关于关键字的搜索树，并根据优先级进行堆排序。人们可以看到这样一棵树有一个独特的形状（它并不总是完全堆积在左边）。使用随机优先级，它可以为您提供预期的O（log n）搜索时间，IIRC。一个小生境是具有O（1）邻居查询的无向平面图的邻接列表。与其说这是一种数据结构，不如说是一种组织现有数据结构的特定方式。这是如何做到的：每个平面图都有一个节点，其阶数最多为6。选择这样一个节点，将其邻居放在其邻居列表中，将其从图中删除，然后递归直到图为空。当给定一对（u，v）时，在v的邻居列表中查找u，在u的邻居列表上查找v。两者的大小都最多为6，因此这是O（1）。
根据上面的算法，如果u和v是邻居，那么v的列表中不会同时有u和v。如果需要，只需将每个节点缺失的邻居添加到该节点的邻居列表中，但要存储快速查找所需的邻居列表的数量。
看看手指树，特别是如果你是前面提到的纯函数数据结构的粉丝。它们是持久序列的功能表示，支持以摊销的恒定时间访问末端，以及以较小片段的大小按时间对数连接和拆分。
根据原文：
我们的函数2-3指树是Okasaki（1998）介绍的一种通用设计技术的一个实例，称为隐式递归减速。我们已经注意到，这些树是他的隐式deque结构的扩展，用2-3个节点替换对，以提供高效连接和拆分所需的灵活性。
手指树可以用幺半群参数化，使用不同的幺半群将导致树的不同行为。这使手指树可以模拟其他数据结构。
Splay Trees很酷。它们以将最常查询的元素移到更靠近根的方式重新排序。
