Tip
「缓存局部性（Cache locality）」涉及到了计算机操作系统，在本书不做展开介绍，建议有兴趣的同学 Google / Baidu 一下。
缓存局部性的简单解释
在计算机中，数据读写速度排序是“硬盘 < 内存 < CPU 缓存”。当我们访问数组元素时，计算机不仅会加载它，还会缓存其周围的其它数据，从而借助高速缓存来提升后续操作的执行速度。链表则不然，计算机只能挨个地缓存各个结点，这样的多次“搬运”降低了整体效率。
使用邻接矩阵表示图时，我们可以直接通过访问矩阵元素来获取边，因此增删查操作的效率很高，时间复杂度均为 \(O(1)\) 。然而，矩阵的空间复杂度为 \(O(n^2)\) ，内存占用较大。
「邻接表 Adjacency List」使用 \(n\) 个链表来表示图，链表结点表示顶点。第 \(i\) 条链表对应顶点 \(i\) ，其中存储了所有与该顶点相连的顶点。
「邻接表 Adjacency List」使用 \(n\) 个链表来表示图，链表结点表示顶点。第 \(i\) 条链表对应顶点 \(i\) ，其中存储了该顶点的所有邻接顶点（即与该顶点相连的顶点）。
Fig. 图的邻接表表示
邻接表仅存储存在的边，而边的总数往往远小于 \(n^2\) ，因此更加节省空间。但是，因为在邻接表中需要通过遍历链表来查找边，所以其时间效率不如邻接矩阵。
观察上图发现，邻接表结构与哈希表「链地址法」非常相似，因此我们也可以用类似方法来优化效率。比如，当链表较长时，可以把链表转化为「AVL 树」，从而将时间效率从 \(O(n)\) 优化至 \(O(\log n)\) ，还可以通过中序遍历获取有序序列；还可以将链表转化为 HashSet（即哈希表），将时间复杂度降低至 \(O(1)\) 。
观察上图发现，邻接表结构与哈希表「链地址法」非常相似，因此我们也可以用类似方法来优化效率。比如，当链表较长时，可以把链表转化为 AVL 树或红黑树，从而将时间效率从 \(O(n)\) 优化至 \(O(\log n)\) ，还可以通过中序遍历获取有序序列；还可以将链表转化为哈希表，将时间复杂度降低至 \(O(1)\) 。
现实中的许多系统都可以使用图来建模，对应的待求解问题也可以被约化为图计算问题。