Arrays e Listas

Espaço contíguo na memória

A definição de dicionário diz que um array é "uma coleção de elementos do mesmo tipo". Está correta e não explica nada. O que faz o array ser o que é não é a coleção, é onde ela mora: em posições contíguas de memória.

Quando você declara um array de 5 inteiros, o programa não pede 5 espaços quaisquer. Ele pede ao sistema operacional um bloco de 20 bytes seguidos, porque um int costuma ocupar 32 bits, ou seja, 4 bytes. Ou existe esse bloco colado em algum lugar, ou a alocação falha. Se você tentar criar um array de 1 bilhão de inteiros e não houver 4 GB contíguos disponíveis, você não recebe um array pela metade: você recebe um erro de memória.

Essa exigência chata paga um prêmio enorme. Se todos os elementos têm o mesmo tamanho e estão colados, o endereço de qualquer um deles vira uma conta:

endereco(nums[i]) = endereco_base + i * tamanho_do_elemento

Uma multiplicação e uma soma. E aqui está o ponto que resolve o tópico inteiro: essas duas operações são exatamente as mesmas para i = 0 e para i = 999.999. Não existe percorrer, não existe procurar. Por isso nums[i] é O(1), e por isso o array é a única estrutura em que "pegar o milionésimo elemento" custa igual a "pegar o primeiro".

Clique em qualquer célula e olhe a linha de endereço embaixo dela: com int, ela anda exatamente 4 bytes por índice. Agora troque o tamanho do elemento para 8 bytes e repare que o passo dobra, mas a fórmula não muda, continua sendo a mesma multiplicação e a mesma soma. Por último, compare os dois primeiros números do painel: "saltos até nums[i]" é sempre 1, enquanto "numa lista encadeada" cresce junto com o índice, porque lá o único jeito de chegar no quarto nó é passar pelo primeiro, pelo segundo e pelo terceiro.

Por que o processador gosta de memória contígua

A memória contígua não paga só a fórmula do endereço. Ela ganha um segundo prêmio, este de graça, e que quase não aparece na teoria de complexidade.

O processador não busca 1 valor na RAM quando você pede 1 valor. Ele busca uma linha de cache inteira, tipicamente 64 bytes, e guarda no L1. Com inteiros de 4 bytes, isso quer dizer que ler nums[3] já deixa nums[0] até nums[15] prontos dentro do processador. As 15 leituras seguintes não tocam na RAM.

No visualizador acima, clique em 20 inteiros, que já liga o modo Linha de cache. Aparece um mapa embaixo das células: o array de 20 posições ocupa duas linhas de cache, os índices 0 a 15 numa e os índices 16 a 19 na outra, e a que está destacada é a que a leitura atual trouxe para o L1. Percorrer o array inteiro na ordem custa duas idas à memória, não vinte.

Clique na célula 3 e depois na célula 17 e repare no mapa trocando de linha. As duas leituras custam a mesma conta de endereço e as duas são O(1), mas quem varre de 0 a 15 acha tudo dentro do processador e só volta à memória ao chegar no índice 16. É a diferença entre complexidade e custo real, e ela não aparece em lugar nenhum do Big O.

Isso explica uma frase que aparece muito e costuma passar batido: as outras estruturas usam array por baixo dos panos justamente para herdar esse comportamento. A heap binária é conceitualmente uma árvore, mas na memória é um array com uma fórmula de índices. Um dicionário guarda seus buckets num array. E a list do Python, segundo a própria documentação do CPython, é um array contíguo de referências, não uma lista ligada.

O preço de mexer no meio

Se o array é uma sequência colada, ele tem uma consequência inevitável: array não tem buraco. A posição 3 é vizinha da 2 e da 4, e isso é o que sustenta a fórmula do endereço. Tirar um elemento do meio e deixar um vazio ali quebraria o acesso O(1) de todo mundo depois dele.

Então, para inserir na posição k, alguém tem que abrir espaço: cada elemento de k até o fim anda um passo para a direita. Para remover a posição k, o processo é o inverso: cada elemento depois de k anda um passo para a esquerda, fechando o buraco.

Rode a operação padrão, inserir na posição 2 do array de 6 itens, e acompanhe o contador de deslocamentos: são 4, exatamente n - k = 6 - 2. Agora clique nos atalhos de baixo e compare, sempre no mesmo array:

• inserir no começo (k = 0): 6 deslocamentos, o pior caso possível
• inserir no meio (k = 3): 3 deslocamentos
• inserir no fim: 0 deslocamentos, uma escrita e acabou
• remover o primeiro (k = 0): 5 deslocamentos

A mesma estrutura, a mesma quantidade de dados, e o custo indo de 1 operação a n operações só por causa de onde você mexeu. Nas duas pontas do array não existe cascata; em qualquer outro lugar, ela existe inteira.

A linha de baixo, Casos de borda, tem os três cenários em que a intuição erra por excesso de cuidado: com um elemento só, remover a posição 0 custa zero; inserir em k = n custa zero; remover a última posição custa zero. Em todos, o laço simplesmente não roda nenhuma vez. Vale rodar os três e ler o passo 2, que é onde o visualizador mostra os limites do laço com os números daquela entrada. O botão Sortear troca o array inteiro se você quiser conferir a fórmula n - k com outros tamanhos.

Repare também na direção dos laços no painel de código, porque essa é a parte que erra quem implementa na mão:

# inserir: do FIM para o meio, senão você sobrescreve o vizinho
for i in range(n - 1, k - 1, -1):
    nums[i + 1] = nums[i]
nums[k] = valor

# remover: do meio para o FIM, puxando cada um para trás
for i in range(k, n - 1):
    nums[i] = nums[i + 1]

Se você inserir varrendo do começo para o fim, o primeiro nums[i + 1] = nums[i] já destrói o valor que você ainda precisava copiar, e o array vira uma fileira do mesmo número repetido.

O antídoto: o ponteiro de escrita

Remover um elemento custa n - 1 - k deslocamentos. Remover vários dentro de um laço custa isso a cada remoção, e é assim que um problema de uma passada vira O(n²) sem ninguém perceber. O jeito certo é não remover nada: percorrer uma vez só, com dois índices caminhando no mesmo array, um que lê tudo e outro que só anda quando encontra algo que fica.

def remover_duplicatas(nums):        # LeetCode 26, array já ordenado
    if not nums:
        return 0
    escrita = 1                      # nums[0] sempre fica
    for leitura in range(1, len(nums)):
        if nums[leitura] != nums[escrita - 1]:
            nums[escrita] = nums[leitura]
            escrita += 1
    return escrita                   # o novo tamanho lógico

Rode com [1, 1, 2, 2, 3]: leitura passa pelas 5 posições, escrita para em 3, e o array vira [1, 2, 3, 2, 3]. As duas últimas posições continuam com lixo, exatamente como no remover do visualizador acima, e é o valor retornado que diz até onde vale a pena olhar. Uma passada, O(n) de tempo, O(1) de espaço extra, zero deslocamento em cascata.

O mesmo esqueleto resolve Remove Element (a condição vira nums[leitura] != val) e Move Zeroes (copia os não zeros e depois preenche o resto com zero). Sempre que o enunciado disser "modifique o array no lugar e devolva o novo tamanho", é este padrão que ele está pedindo.

Quando o certo é preencher de trás para frente

A direção do laço não é detalhe de implementação, é a diferença entre funcionar e corromper o array. Merge Sorted Array é o caso canônico: nums1 tem m valores e mais n vagas no fim, e você precisa fundir nums2 dentro dele sem array auxiliar.

Começando da esquerda, cada valor de nums2 que entra sobrescreve um valor de nums1 que ainda não foi comparado. Começando da direita, você escreve sempre numa posição que já estava livre:

def merge(nums1, m, nums2, n):       # LeetCode 88
    i, j, escrita = m - 1, n - 1, m + n - 1
    while j >= 0:                    # basta esgotar nums2
        if i >= 0 and nums1[i] > nums2[j]:
            nums1[escrita] = nums1[i]
            i -= 1
        else:
            nums1[escrita] = nums2[j]
            j -= 1
        escrita -= 1

É o mesmo raciocínio do laço de inserção da seção anterior, com um detalhe a mais: o while só precisa esvaziar nums2. Quando j chega a -1, o que sobrou de nums1 já está no lugar certo, porque nunca saiu de lá.

Girar o array sem pagar n × k

Rotate Array é o deslocamento em cascata virando enunciado. A solução ingênua move o array inteiro uma casa e repete k vezes: O(n × k), que com n = 100.000 e k = 100.000 dá 10 bilhões de operações e estoura o limite de tempo com folga.

A saída não é mexer no meio, é inverter pedaços. Girar k posições à direita é o mesmo que inverter tudo e depois desinverter as duas partes:

def rotate(nums, k):                 # LeetCode 189
    n = len(nums)
    k %= n                           # k pode ser maior que n
    inverter(nums, 0, n - 1)
    inverter(nums, 0, k - 1)
    inverter(nums, k, n - 1)

def inverter(nums, i, j):
    while i < j:
        nums[i], nums[j] = nums[j], nums[i]
        i += 1
        j -= 1

Com [1, 2, 3, 4, 5, 6, 7] e k = 3: inverter tudo dá [7, 6, 5, 4, 3, 2, 1], inverter os 3 primeiros dá [5, 6, 7, 4, 3, 2, 1], inverter o resto dá [5, 6, 7, 1, 2, 3, 4]. Três passadas, O(n) de tempo, O(1) de espaço extra.

O k %= n da segunda linha não é frescura. Com k = 10 e n = 7 a rotação efetiva é 3, e sem o módulo o segundo inverter já começa lendo nums[9], que não existe: índice fora dos limites antes de qualquer resultado errado. Esse é o caso de borda k > n, e é ele que reprova a submissão.

A tabela de custos, operação por operação

Esta é a tabela que vale colar na parede. A coluna do meio é o array cru de tamanho fixo; a da direita é o array dinâmico (a list do Python, List<T> do C#, ArrayList do Java, vector do C++), que a próxima seção explica.

Duas leituras que valem mais que a tabela em si.

A busca é O(n) e isso é uma escolha de estrutura, não um detalhe. Perguntar "esse valor existe aqui?" para um array significa olhar posição por posição. Um set ou um dicionário respondem a mesma pergunta em O(1) médio, porque a hash calcula onde o valor estaria. O erro clássico de produção é um if x in lista dentro de um laço que também percorre a lista: são dois O(n) multiplicados, um O(n²) escondido em duas linhas inocentes. Jogar a lista num set antes do laço resolve.

Complexidade igual não é performance igual. Inserir no meio é O(n) tanto num array quanto numa lista encadeada, mas o O(n) da lista encadeada é só a caminhada até o ponto certo: chegando lá, ligar o novo nó são duas atribuições de ponteiro. No array, além de chegar lá, você ainda move fisicamente todo o resto. Mesma família de crescimento, custo real bem diferente. Se isso soou estranho, vale revisitar Big O: a notação classifica o formato da curva, não mede o relógio.

Quando o próprio array é a tabela hash

A tabela acima diz que "esse valor existe?" custa O(n) num array e O(1) médio numa hash, e isso vale quando as chaves podem ser qualquer coisa. Só que boa parte dos problemas garante o contrário no enunciado: só letras minúsculas de a a z, só dígitos, só valores entre 1 e n. Nesse caso não precisa de hash nenhuma, porque a chave já é um índice.

def frequencias(s):                  # só 'a' a 'z'
    contagem = [0] * 26
    for c in s:
        contagem[ord(c) - ord("a")] += 1
    return contagem

Um array de 26 posições responde "quantas vezes apareceu?" em O(1) verdadeiro: sem calcular hash, sem tratar colisão, sem alocar nó, e com os 26 contadores inteiros cabendo em duas linhas de cache. Para esse recorte é a estrutura mais rápida que existe, e ela é literalmente um array cru.

A regra de decisão é curta: se o universo de chaves é pequeno, conhecido e denso, o array ganha da hash. Se as chaves são esparsas (IDs de usuário, strings arbitrárias, números até 1 bilhão), o array vira desperdício de memória e a tabela hash volta a ser a resposta. É o mesmo raciocínio que vale para Prefix Sum: trocar busca por indexação sempre que o índice puder ser calculado.

Array dinâmico: a lista que cresce sozinha

O array cru tem um problema óbvio: o tamanho é decidido no nascimento. Não existe "só mais um item". Para crescer, você aloca um bloco maior, copia tudo e joga o antigo fora, o que custa O(n) por item acrescentado.

O array dinâmico é a estrutura que faz isso por você, com uma sacada: em vez de crescer de 1 em 1, ele cresce em saltos grandes. Ele mantém dois números, o tamanho (quantos itens existem) e a capacidade (quantas vagas foram alocadas), e só reage quando o tamanho encosta na capacidade.

Rode a configuração padrão, dobrar (×2) com 20 appends e capacidade inicial 4. Assista às realocações: elas acontecem nos appends 5, 9 e 17, e só. No fim são 3 realocações, 28 cópias, 48 operações no total, o que dá uma média de 2,4 operações por append.

Agora troque para uma vaga por vez (+1), o jeito ingênuo, que é o que sai quando alguém implementa isso na mão sem pensar. Mesmos 20 appends: 16 realocações, 184 cópias, 204 operações, média de 10,2 por append. E o número feio piora rápido com a escala: com 1.000 appends, dobrar custa 1.020 cópias no total, enquanto o "+1" custa 499.494.

Esse é o argumento inteiro do custo amortizado. As realocações não somem, elas ficam cada vez mais raras, porque cada uma dobra a distância até a próxima. O total de cópias para n appends fica sempre abaixo de 2n, então a média por append não cresce com n:

É por isso que se diz que o append é O(1) amortizado, com asterisco: um append específico pode custar O(n), mas uma sequência de n appends custa O(n) no total. O asterisco não é enfeite, é a diferença entre "sempre barato" e "barato na média".

Vale saber também que a cópia, apesar de ser O(n), não é um laço for comum. As bibliotecas usam rotinas de baixo nível de cópia de bloco de memória (System.arraycopy na JVM, memmove no mundo C), que movem muitos bytes por instrução. Continua O(n), continua sendo trabalho, mas é bem mais rápido do que a mesma cópia escrita na mão.

Capacidade não é tamanho

Os dois números do array dinâmico confundem porque só um deles aparece no dia a dia. Vale separar bem, porque quase todo comportamento estranho de lista vem daqui.

Três consequências práticas que quase ninguém conta:

Remover do fim não apaga nada. Quando você tira o último item, a lista só recua o tamanho em 1. O valor continua gravado exatamente onde estava, virou lixo inacessível, e vai ser sobrescrito no próximo append. É por isso que remover do fim é O(1): não tem cópia, tem uma subtração.

A capacidade não encolhe sozinha. Se a sua lista chegou a 1 milhão de itens e depois voltou a 10, a capacidade continua em 1 milhão. A biblioteca assume que, se você precisou daquele espaço uma vez, é provável que precise de novo, e prefere segurar a memória a pagar realocação outra vez. Quem quiser devolver esse espaço precisa pedir explicitamente, ou construir uma lista nova.

Reservar a capacidade certa é a otimização mais barata que existe. Se você já sabe que vai receber 3.000 itens, criar a lista informando isso elimina todas as realocações de uma vez. No visualizador, o preset capacidade reservada mostra o extremo: 20 appends, 0 cópias, média de 1 operação por append. É uma linha de código, e é a diferença entre um trabalho amortizado e nenhum trabalho.

Matriz ou array de arrays

Quando o dado tem duas dimensões, aparecem duas estruturas que se parecem e não são a mesma coisa. Compare as duas colunas abaixo olhando para uma coisa só: a forma das linhas. À esquerda, as três linhas têm quatro colunas e não têm como não ter. À direita, os comprimentos são 4, 2, 5 e a quarta linha simplesmente não existe ainda.

int[,] grid = new int[3, 4];   // C#
grid[2, 3] = 13;

int[][] linhas = new int[4][];  // C#
linhas[0] = new int[4];
linhas[3][0] = 1;               // estoura: linha 3 é null

A regra de bolso é curta: se o seu dado é um retângulo, diga isso ao compilador. Tabuleiro de jogo, imagem, grid de células, tabela de valores, tudo isso tem linhas do mesmo tamanho, e o array multidimensional garante essa forma de graça, numa única alocação contígua. Se as linhas têm tamanhos diferentes, ou se você nem sabe quantas colunas cada uma vai ter, o jagged é a estrutura honesta: lista de adjacência de grafo, agrupamentos, coleções de coleções.

Na prática, boa parte do código de matriz que você lê por aí é jagged, inclusive nas soluções de problema de entrevista, porque em Java e em Python as duas coisas se escrevem quase igual e ninguém precisa escolher. A escolha só aparece de verdade em linguagens que separam as duas sintaxes, como C#, e a diferença que importa é esta: o multidimensional é uma alocação com forma travada, o jagged é 1 + n alocações com forma livre e com o risco de uma linha continuar nula.

O que custa percorrer duas dimensões

Uma matriz não é "um array maior", e a conta de complexidade muda junto. Dois laços aninhados sobre uma grade de n linhas por m colunas fazem n × m visitas, e a resposta certa é O(n × m), não O(n²).

def existe(grid, alvo):
    for i in range(len(grid)):          # n linhas
        for j in range(len(grid[i])):   # m colunas de ESTA linha
            if grid[i][j] == alvo:
                return True             # melhor caso: acha na primeira célula
    return False                        # pior caso: visita as n × m células

Só escreva O(n²) quando a matriz for quadrada e você disser isso em voz alta. Quando as duas dimensões são independentes, cada uma ganha a sua letra, exatamente como duas entradas separadas em Big O. Uma grade de 3 por 10.000 e uma de 10.000 por 3 custam a mesma coisa, e nenhuma das duas é "n² com n = 10.000".

Repare também no len(grid[i]) do laço de dentro: ele é relido a cada linha de propósito. Num jagged as linhas têm comprimentos diferentes, e guardar len(grid[0]) numa variável antes do laço é a forma mais comum de sair dos limites.

Quando a matriz tem estrutura, dá para fazer melhor que varrer tudo:

A última linha é Search a 2D Matrix, e ela só funciona por causa do primeiro parágrafo deste artigo: se as n × m células estão em sequência, um índice linear de 0 a n × m - 1 vira linha e coluna com duas contas.

linha, coluna = idx // m, idx % m       # idx de 0 a n * m - 1

Essa é exatamente a conta que um array multidimensional de verdade faz por baixo: o [i, j] vira i * m + j antes de entrar na fórmula do endereço da primeira seção, e o acesso continua sendo uma multiplicação e uma soma. O jagged não tem essa conta, ele tem um ponteiro por linha, e é por isso que as n × m células do multidimensional formam uma fila só, enquanto as do jagged são n blocos espalhados pela memória.

As armadilhas que pegam todo mundo

Sair dos limites. É o bug número um de array, e a matriz irregular é o campo minado favorito dele: cada linha tem um comprimento diferente, então checar só i não basta.

def dentro(grid, i, j):
    return 0 <= i < len(grid) and 0 <= j < len(grid[i])

Sempre que você faz busca em grid, recursão em matriz ou vizinhança de célula, essa checagem vem antes de qualquer acesso, não depois.

Remover enquanto percorre. Essa é filha direta do deslocamento. Quando você remove o índice i, todo mundo depois dele anda uma casa para trás, então o elemento que era i + 1 passa a ser i, e o for que já incrementou o índice pula esse elemento. Percorra de trás para frente, ou construa uma lista nova com o que fica.

Usar contains dentro de um laço. Já apareceu na tabela de custos e vale repetir, porque é o O(n²) mais comum de código de produção. Se a pergunta é "existe?", a estrutura é hash, não array.

Usar lista para tudo, no automático. A lista é o canivete suíço: adiciona, remove, busca, ordena, tudo com uma linha. O preço é não olhar quais operações o seu código realmente faz. Se são milhões de checagens de existência, era um set. Se são 10 posições fixas acessadas por índice, era um array cru. Se a inserção é sempre no meio, talvez fosse outra estrutura inteira.

Achar que complexidade igual significa custo igual. Dois O(n) podem ter constantes muito diferentes, e o array é o exemplo perfeito: mover 1 milhão de bytes contíguos com uma instrução de bloco não é o mesmo trabalho que seguir 1 milhão de ponteiros espalhados, mesmo que os dois sejam O(n).

Como praticar

Antes de sair para os problemas, volte nos visualizadores e preveja o número antes de rodar. Se o seu palpite bater, o modelo mental está certo:

• No visualizador de operações, clique em n = 1, remover o único. Quantos deslocamentos? (Zero: não existe ninguém depois dele, e o laço não roda nenhuma vez.)
• Ainda nele, clique em k = n, inserir logo após o último. Quantos deslocamentos? (Zero também: inserir na primeira vaga livre é inserir no fim.)
• Agora Sortear e prever antes de rodar: com o array que apareceu, quantos deslocamentos custa inserir na posição 1? (n - 1, um a menos que o pior caso.)
• No visualizador de crescimento, coloque capacidade inicial 1 e estratégia dobrar com 20 appends. Quantas realocações? (Cinco: 1, 2, 4, 8, 16, e a capacidade termina em 32.)
• No visualizador de memória, clique em 20 inteiros e depois troque o elemento para 8 bytes. Quantas linhas de cache o array passa a ocupar? (Três, contra duas: com 8 bytes cabem 8 elementos por linha em vez de 16.)

Os casos de borda que derrubam a submissão

Quase todo "Wrong Answer" de problema de array cai em uma destas seis entradas, e nenhuma delas aparece no exemplo do enunciado. Rode as seis na cabeça antes de submeter:

Os problemas da lista abaixo foram escolhidos nessa ordem de propósito, e os três primeiros já estão resolvidos no meio do artigo: Remove Duplicates from Sorted Array é o ponteiro de escrita, Merge Sorted Array é o preenchimento de trás para frente, e Rotate Array é o giro por inversão com k %= n. Não copie os trechos, feche a página e escreva de novo, porque o que fixa é reconstruir a direção do laço sozinho.

Os dois últimos abrem portas novas. Product of Array Except Self é a entrada para Prefix Sum: a mesma ideia de pré-processar o array numa passada para responder muitas perguntas depois, só que com produto no lugar de soma, e com o truque de usar o próprio array de saída como acumulador para ficar em O(1) de espaço extra. E Spiral Matrix é a checagem de limites levada a sério: quatro fronteiras (topo, base, esquerda, direita) que encolhem a cada volta, com o cuidado extra de não repetir a linha ou a coluna do meio quando a matriz não é quadrada.

Daqui, os caminhos naturais são as técnicas que vivem em cima de array: Two Pointers para varrer das duas pontas, Sliding Window para janelas que andam sem recalcular tudo, e Busca Binária para quando o array está ordenado. Se você quer o contraste que fecha o assunto, o próximo é Listas Encadeadas: a mesma sequência de dados guardada do jeito exatamente oposto, e todos os custos deste artigo invertidos.

Vídeo da aula

Direto do canal da comunidade Craft & Code Club · 2:15:08.

▶

Problemas para praticar

Na ordem em que recomendamos resolver. Marque os que você já fez, fica salvo aqui.

Referências

Artigos e materiais externos para se aprofundar.

Este tópico também tem página própria, fora deste roadmap: Arrays e Listas.