在数据结构中，图（Graph）是由节点（Vertex）和连接节点的边（Edge）组成的一种非线性数据结构。图可以用来表示各种实际问题中的关系和连接，如社交网络、道路网络、电路等。
图由两个主要部分组成：节点和边。节点表示实体或对象，而边表示节点之间的连接关系。图可以分为有向图（Directed Graph）和无向图（Undirected Graph）两种类型。在有向图中，边有方向，表示从一个节点到另一个节点的单向关系；而在无向图中，边没有方向，表示节点之间的双向关系。
图的常用代码实现方式有两种：邻接矩阵（Adjacency Matrix）和邻接表（Adjacency List）。
1. 邻接矩阵：
邻接矩阵是一个二维数组，用于表示图中节点之间的连接关系。如果图有 \(n\) 个节点，那么邻接矩阵就是一个大小为 \(n \times n\) 的矩阵。对于无向图，邻接矩阵是对称的；对于有向图，邻接矩阵可能不对称。邻接矩阵中的元素表示节点之间是否存在边，可以用 0 和 1 表示，或者用其他值表示边的权重。
例如，以下是一个无向图的邻接矩阵表示：
0 1 1 0
1 0 1 1
1 1 0 0
0 1 0 0
在邻接矩阵中，行号和列号对应于节点的标识符，矩阵中的元素表示对应节点之间是否存在边。
2. 邻接表：
邻接表是一种更紧凑的图表示方法，它使用一个数组和一组链表来表示图中的节点和边。数组的每个元素对应一个节点，而链表中的每个节点表示与该节点相邻的节点。
例如，以下是一个无向图的邻接表表示：
0 : [1, 2]
1 : [0, 2, 3]
2 : [0, 1]
3 : [1]
在邻接表中，数组的索引表示节点的标识符，链表中的元素表示与该节点相邻的节点。
这些是图的常用代码表示方法，选择哪种方法取决于具体的应用场景和操作需求。
当涉及到图的遍历时，常用的算法是深度优先搜索（Depth-First Search，DFS）和广度优先搜索（Breadth-First Search，BFS）。下面是它们的代码实现：
深度优先搜索（Depth-First Search，DFS）：
def dfs(graph, start):
visited = set() # 用集合来存储已访问的节点
stack = [start] # 用栈来实现深度优先搜索
while stack:
vertex = stack.pop() # 从栈中弹出一个节点
if vertex not in visited:
print(vertex) # 访问该节点
visited.add(vertex) # 将节点标记为已访问
# 将该节点的邻接节点按逆序推入栈中
for neighbor in reversed(graph[vertex]):
if neighbor not in visited:
stack.append(neighbor)
广度优先搜索（Breadth-First Search，BFS）：
from collections import deque
def bfs(graph, start):
visited = set() # 用集合来存储已访问的节点
queue = deque([start]) # 用队列来实现广度优先搜索
while queue:
vertex = queue.popleft() # 从队列左侧弹出一个节点
if vertex not in visited:
print(vertex) # 访问该节点
visited.add(vertex) # 将节点标记为已访问
# 将该节点的邻接节点推入队列中
for neighbor in graph[vertex]:
if neighbor not in visited:
queue.append(neighbor)
