Puedes aprender React, Django, Kubernetes y todas las tecnologías de moda. Pero si no dominas la lógica de programación y las estructuras de datos, siempre vas a tener un techo invisible que te impide crecer. Es como querer construir un rascacielos sin entender los cimientos. He visto desarrolladores con años de experiencia que no pueden resolver un problema básico de algoritmos en una entrevista. También he visto juniors que, con fundamentos sólidos, superan a seniors en resolución de problemas. La diferencia no está en cuántos frameworks conoces, sino en qué tan bien piensas. Este artículo es la guía que me hubiera gustado tener cuando empecé. Vamos desde cero hasta estructuras avanzadas, con ejercicios prácticos y una ruta clara. --- ## Por qué esto importa más que cualquier framework Déjame ser directo: las tecnologías cambian, los fundamentos no. React podría ser reemplazado en 5 años. Python podría dejar de ser el favorito. Pero los árboles binarios, la recursión y la complejidad algorítmica van a seguir siendo relevantes en 50 años. Son el lenguaje universal de la programación. ### Beneficios concretos de dominar estos fundamentos 1. **Entrevistas técnicas:** La mayoría de empresas top (y cada vez más empresas medianas) evalúan estructuras de datos y algoritmos. No importa si aplicas para frontend, backend o DevOps. 2. **Resolución de problemas:** Cuando enfrentas un bug complejo o diseñas un sistema, tu capacidad de descomponer problemas y elegir la estructura correcta marca la diferencia. 3. **Código eficiente:** Entender Big O te permite escribir código que escala. La diferencia entre O(n) y O(n²) puede ser la diferencia entre una app que funciona y una que colapsa. 4. **Comunicación técnica:** Poder hablar de trade-offs entre estructuras te posiciona como alguien senior, aunque tengas poca experiencia. 5. **Aprender nuevos lenguajes:** Cuando entiendes la lógica subyacente, aprender un nuevo lenguaje es solo cuestión de sintaxis. --- ## Parte 1: Lógica de Programación Antes de estructuras de datos, necesitas pensar como programador. Esto significa descomponer problemas en pasos, entender flujos de control y desarrollar el "músculo" del pensamiento lógico. ### 1.1 Pensamiento Algorítmico Un algoritmo es simplemente una secuencia de pasos para resolver un problema. Antes de escribir código, deberías poder explicar la solución en español. **Ejercicio mental:** Antes de codificar cualquier problema, escríbelo en pseudocódigo o en tu idioma natural. Si no puedes explicarlo en palabras, no podrás explicárselo a la computadora. #### Los 4 pasos del pensamiento algorítmico 1. **Entender el problema:** ¿Cuál es el input? ¿Cuál es el output esperado? ¿Cuáles son las restricciones? 2. **Descomponer:** Divide el problema grande en subproblemas más pequeños 3. **Encontrar patrones:** ¿He visto algo similar antes? ¿Hay repetición? 4. **Abstraer:** ¿Puedo generalizar la solución para casos similares? **Ejemplo práctico:** *Problema:* Determinar si un año es bisiesto. *Paso 1 - Entender:* - Input: Un número entero (año) - Output: Verdadero o falso - Reglas: Es bisiesto si es divisible por 4, EXCEPTO los divisibles por 100, A MENOS que también sean divisibles por 400 *Paso 2 - Descomponer:* - Verificar divisibilidad por 400 - Verificar divisibilidad por 100 - Verificar divisibilidad por 4 - Combinar las condiciones *Paso 3 - Patrón:* - Es un problema de condiciones anidadas - Hay excepciones a las reglas *Paso 4 - Pseudocódigo:* ``` SI año es divisible por 400: RETORNAR verdadero SI año es divisible por 100: RETORNAR falso SI año es divisible por 4: RETORNAR verdadero RETORNAR falso ``` ### 1.2 Variables y Tipos de Datos Las variables son cajas donde guardas información. Los tipos de datos definen qué tipo de información puede ir en cada caja. #### Tipos primitivos fundamentales | Tipo | Descripción | Ejemplo | |------|-------------|---------| | **Entero (int)** | Números sin decimales | 42, -17, 0 | | **Flotante (float)** | Números con decimales | 3.14, -0.001 | | **Cadena (string)** | Texto | "Hola mundo" | | **Booleano (bool)** | Verdadero o falso | true, false | | **Nulo (null/None)** | Ausencia de valor | null, None | #### Buenas prácticas con variables 1. **Nombres descriptivos:** `precioTotal` es mejor que `pt` o `x` 2. **CamelCase o snake_case:** Sé consistente (`precioTotal` o `precio_total`) 3. **Constantes en MAYÚSCULAS:** `MAX_INTENTOS = 3` 4. **Evita números mágicos:** En vez de `if intentos > 3`, usa `if intentos > MAX_INTENTOS` ### 1.3 Operadores Los operadores manipulan datos. Dominarlos es esencial. #### Operadores aritméticos ``` + Suma - Resta * Multiplicación / División % Módulo (resto de división) ** Potencia // División entera (en Python) ``` #### Operadores de comparación ``` == Igual a != Diferente de > Mayor que < Menor que >= Mayor o igual <= Menor o igual ``` #### Operadores lógicos ``` AND (&&) - Verdadero si AMBOS son verdaderos OR (||) - Verdadero si AL MENOS UNO es verdadero NOT (!) - Invierte el valor booleano ``` **Tabla de verdad importante:** | A | B | A AND B | A OR B | NOT A | |---|---|---------|--------|-------| | V | V | V | V | F | | V | F | F | V | F | | F | V | F | V | V | | F | F | F | F | V | ### 1.4 Estructuras de Control #### Condicionales (if/else) Los condicionales permiten que tu programa tome decisiones. ```python # Estructura básica if condicion: # código si es verdadero elif otra_condicion: # código si la primera es falsa pero esta es verdadera else: # código si todas son falsas ``` **Ejemplo completo - Sistema de calificaciones:** ```python def obtener_calificacion(nota): if nota >= 90: return "A - Excelente" elif nota >= 80: return "B - Muy bien" elif nota >= 70: return "C - Bien" elif nota >= 60: return "D - Suficiente" else: return "F - Reprobado" # Pruebas print(obtener_calificacion(95)) # A - Excelente print(obtener_calificacion(73)) # C - Bien print(obtener_calificacion(45)) # F - Reprobado ``` #### Bucles (loops) Los bucles repiten código hasta que una condición se cumple (o deja de cumplirse). **Bucle for** - Cuando sabes cuántas veces iterar: ```python # Iterar sobre un rango for i in range(5): print(i) # 0, 1, 2, 3, 4 # Iterar sobre una lista frutas = ["manzana", "banana", "naranja"] for fruta in frutas: print(fruta) # Con índice for indice, fruta in enumerate(frutas): print(f"{indice}: {fruta}") ``` **Bucle while** - Cuando no sabes cuántas iteraciones necesitas: ```python # Ejemplo: encontrar el primer número divisible por 7 mayor a 100 numero = 101 while numero % 7 != 0: numero += 1 print(f"Encontrado: {numero}") # 105 ``` **Controles de bucle:** ```python # break - Sale del bucle completamente for i in range(100): if i == 5: break print(i) # 0, 1, 2, 3, 4 # continue - Salta a la siguiente iteración for i in range(5): if i == 2: continue print(i) # 0, 1, 3, 4 ``` ### 1.5 Funciones Las funciones encapsulan lógica reutilizable. Son fundamentales para escribir código limpio. #### Anatomía de una función ```python def nombre_funcion(parametro1, parametro2="valor_default"): """ Docstring: describe qué hace la función Args: parametro1: descripción parametro2: descripción (opcional) Returns: descripción de lo que retorna """ # Cuerpo de la función resultado = parametro1 + parametro2 return resultado ``` #### Principios para buenas funciones 1. **Una función, una responsabilidad:** Si tu función hace muchas cosas, divídela 2. **Nombres verbales:** `calcular_impuesto()`, `validar_email()`, `obtener_usuario()` 3. **Parámetros limitados:** Más de 3-4 parámetros es señal de que algo está mal 4. **Evita efectos secundarios:** Una función idealmente recibe inputs y retorna outputs, sin modificar estado externo 5. **Retorna temprano:** Valida al inicio y retorna errores pronto **Ejemplo - Función bien diseñada:** ```python def calcular_descuento(precio, porcentaje_descuento, es_cliente_premium=False): """ Calcula el precio final después de aplicar descuento. Args: precio: Precio original del producto porcentaje_descuento: Descuento a aplicar (0-100) es_cliente_premium: Si es premium, obtiene 5% adicional Returns: Precio final con descuento aplicado """ # Validaciones tempranas if precio < 0: raise ValueError("El precio no puede ser negativo") if not 0 <= porcentaje_descuento <= 100: raise ValueError("El descuento debe estar entre 0 y 100") # Cálculo descuento_total = porcentaje_descuento if es_cliente_premium: descuento_total += 5 descuento_total = min(descuento_total, 100) # Máximo 100% precio_final = precio * (1 - descuento_total / 100) return round(precio_final, 2) ``` ### 1.6 Recursión La recursión es cuando una función se llama a sí misma. Es elegante para ciertos problemas, pero requiere cuidado. #### Componentes de toda función recursiva 1. **Caso base:** Condición que detiene la recursión 2. **Caso recursivo:** La función se llama con un problema más pequeño 3. **Progreso hacia el caso base:** Cada llamada debe acercarse al caso base **Ejemplo clásico - Factorial:** ```python def factorial(n): # Caso base if n <= 1: return 1 # Caso recursivo return n * factorial(n - 1) # factorial(5) = 5 * factorial(4) # = 5 * 4 * factorial(3) # = 5 * 4 * 3 * factorial(2) # = 5 * 4 * 3 * 2 * factorial(1) # = 5 * 4 * 3 * 2 * 1 # = 120 ``` **Ejemplo - Fibonacci:** ```python # Versión recursiva simple (ineficiente) def fibonacci_recursivo(n): if n <= 1: return n return fibonacci_recursivo(n - 1) + fibonacci_recursivo(n - 2) # Versión con memoización (eficiente) def fibonacci_memo(n, memo={}): if n in memo: return memo[n] if n <= 1: return n memo[n] = fibonacci_memo(n - 1, memo) + fibonacci_memo(n - 2, memo) return memo[n] ``` #### Cuándo usar recursión ✅ **Úsala cuando:** - El problema tiene estructura recursiva natural (árboles, grafos) - La solución iterativa sería muy compleja - Estás dividiendo un problema en subproblemas idénticos más pequeños ❌ **Evítala cuando:** - Una solución iterativa simple existe - La profundidad de recursión puede ser muy grande (stack overflow) - El rendimiento es crítico y no puedes memoizar --- ## Parte 2: Estructuras de Datos Fundamentales Ahora que piensas como programador, necesitas saber dónde y cómo guardar tus datos. La estructura correcta puede hacer tu código 1000x más rápido. ### 2.1 Arrays (Arreglos/Listas) El array es la estructura más básica y más usada. Es una colección ordenada de elementos. #### Características - **Acceso por índice:** O(1) - instantáneo - **Búsqueda:** O(n) - hay que recorrer todo en el peor caso - **Inserción al final:** O(1) amortizado - **Inserción al inicio/medio:** O(n) - hay que mover elementos #### Operaciones comunes ```python # Creación lista = [1, 2, 3, 4, 5] lista_vacia = [] # Acceso primer_elemento = lista[0] # 1 ultimo_elemento = lista[-1] # 5 sublista = lista[1:3] # [2, 3] # Modificación lista[0] = 10 # [10, 2, 3, 4, 5] lista.append(6) # [10, 2, 3, 4, 5, 6] lista.insert(0, 0) # [0, 10, 2, 3, 4, 5, 6] lista.extend([7, 8]) # [0, 10, 2, 3, 4, 5, 6, 7, 8] # Eliminación lista.pop() # Elimina y retorna el último lista.pop(0) # Elimina y retorna el primero lista.remove(10) # Elimina la primera ocurrencia de 10 # Búsqueda if 3 in lista: indice = lista.index(3) # Ordenamiento lista.sort() # Ordena in-place lista_ordenada = sorted(lista) # Retorna nueva lista ordenada # Longitud tamaño = len(lista) ``` #### Técnicas importantes con arrays **Two Pointers (Dos punteros):** Útil para problemas que involucran pares o búsqueda en arrays ordenados. ```python def dos_suma_ordenada(nums, target): """ Encuentra dos números que sumen target en array ordenado. """ izquierda = 0 derecha = len(nums) - 1 while izquierda < derecha: suma_actual = nums[izquierda] + nums[derecha] if suma_actual == target: return [izquierda, derecha] elif suma_actual < target: izquierda += 1 else: derecha -= 1 return None ``` **Sliding Window (Ventana deslizante):** Para problemas de subarrays contiguos. ```python def max_suma_subarray(nums, k): """ Encuentra la suma máxima de un subarray de tamaño k. """ if len(nums) < k: return None # Suma de la primera ventana suma_ventana = sum(nums[:k]) max_suma = suma_ventana # Deslizar la ventana for i in range(k, len(nums)): suma_ventana += nums[i] - nums[i - k] max_suma = max(max_suma, suma_ventana) return max_suma ``` ### 2.2 Strings (Cadenas) Los strings son arrays de caracteres con operaciones especiales. #### Operaciones esenciales ```python texto = "Hola Mundo" # Acceso print(texto[0]) # 'H' print(texto[-1]) # 'o' print(texto[0:4]) # 'Hola' # Inmutabilidad - los strings no se modifican in-place # texto[0] = 'h' # ¡Error! texto = 'h' + texto[1:] # Crear nuevo string # Métodos útiles texto.lower() # 'hola mundo' texto.upper() # 'HOLA MUNDO' texto.strip() # Elimina espacios al inicio/fin texto.split(' ') # ['Hola', 'Mundo'] ' '.join(['Hola', 'Mundo']) # 'Hola Mundo' texto.replace('Mundo', 'Python') # 'Hola Python' texto.find('Mundo') # 5 (índice donde empieza) texto.count('o') # 2 # Verificaciones texto.startswith('Hola') # True texto.endswith('Mundo') # True texto.isalpha() # False (tiene espacio) texto.isdigit() # False 'mundo' in texto.lower() # True ``` #### Problema clásico - Palíndromo ```python def es_palindromo(texto): """ Verifica si un texto es palíndromo (ignora espacios y mayúsculas). """ # Limpiar texto limpio = ''.join(c.lower() for c in texto if c.isalnum()) # Comparar con su reverso return limpio == limpio[::-1] # Alternativa con dos punteros def es_palindromo_punteros(texto): limpio = ''.join(c.lower() for c in texto if c.isalnum()) izq, der = 0, len(limpio) - 1 while izq < der: if limpio[izq] != limpio[der]: return False izq += 1 der -= 1 return True ``` ### 2.3 Hash Tables (Diccionarios/Mapas) La estructura más versátil. Almacena pares clave-valor con acceso O(1). #### Características - **Acceso por clave:** O(1) promedio - **Inserción:** O(1) promedio - **Eliminación:** O(1) promedio - **No ordenado:** Las claves no tienen orden garantizado #### Operaciones fundamentales ```python # Creación diccionario = {} diccionario = {'nombre': 'Juan', 'edad': 25} diccionario = dict(nombre='Juan', edad=25) # Acceso nombre = diccionario['nombre'] # 'Juan' nombre = diccionario.get('nombre') # 'Juan' nombre = diccionario.get('apellido', 'No existe') # 'No existe' # Modificación diccionario['edad'] = 26 # Actualiza diccionario['ciudad'] = 'Madrid' # Agrega nuevo # Eliminación del diccionario['ciudad'] valor = diccionario.pop('edad') # Elimina y retorna # Verificación if 'nombre' in diccionario: print("Existe") # Iteración for clave in diccionario: print(clave) for clave, valor in diccionario.items(): print(f"{clave}: {valor}") for valor in diccionario.values(): print(valor) # Métodos útiles claves = list(diccionario.keys()) valores = list(diccionario.values()) items = list(diccionario.items()) ``` #### Aplicaciones comunes **Contar frecuencias:** ```python def contar_caracteres(texto): frecuencias = {} for char in texto: frecuencias[char] = frecuencias.get(char, 0) + 1 return frecuencias # Con Counter (más pythónico) from collections import Counter frecuencias = Counter("hola mundo") # {'o': 2, 'h': 1, ...} ``` **Two Sum (problema clásico de entrevistas):** ```python def two_sum(nums, target): """ Encuentra dos índices cuya suma sea target. """ vistos = {} # valor -> índice for i, num in enumerate(nums): complemento = target - num if complemento in vistos: return [vistos[complemento], i] vistos[num] = i return None ``` **Agrupar anagramas:** ```python def agrupar_anagramas(palabras): """ Agrupa palabras que son anagramas entre sí. """ grupos = {} for palabra in palabras: clave = ''.join(sorted(palabra)) if clave not in grupos: grupos[clave] = [] grupos[clave].append(palabra) return list(grupos.values()) # Ejemplo palabras = ["eat", "tea", "tan", "ate", "nat", "bat"] print(agrupar_anagramas(palabras)) # [['eat', 'tea', 'ate'], ['tan', 'nat'], ['bat']] ``` ### 2.4 Sets (Conjuntos) Un set es como un diccionario pero solo con claves (sin valores). Elementos únicos, sin orden. #### Características - **Elementos únicos:** No hay duplicados - **Verificación de pertenencia:** O(1) - **Inserción/Eliminación:** O(1) promedio - **Sin índices:** No puedes acceder por posición #### Operaciones ```python # Creación conjunto = {1, 2, 3} conjunto = set([1, 2, 2, 3]) # {1, 2, 3} - duplicados eliminados conjunto_vacio = set() # {} crea diccionario, no set # Modificación conjunto.add(4) conjunto.remove(4) # Error si no existe conjunto.discard(4) # No error si no existe conjunto.pop() # Elimina elemento aleatorio # Verificación if 2 in conjunto: print("Existe") # Operaciones de conjuntos a = {1, 2, 3} b = {2, 3, 4} union = a | b # {1, 2, 3, 4} interseccion = a & b # {2, 3} diferencia = a - b # {1} dif_simetrica = a ^ b # {1, 4} # Verificaciones a.issubset(b) # ¿a es subconjunto de b? a.issuperset(b) # ¿a es superconjunto de b? a.isdisjoint(b) # ¿No tienen elementos en común? ``` #### Aplicación - Encontrar duplicados ```python def tiene_duplicados(lista): return len(lista) != len(set(lista)) def encontrar_duplicados(lista): vistos = set() duplicados = set() for elemento in lista: if elemento in vistos: duplicados.add(elemento) vistos.add(elemento) return list(duplicados) ``` ### 2.5 Stacks (Pilas) LIFO: Last In, First Out. El último que entra es el primero que sale. #### Operaciones fundamentales ```python # En Python, usamos lista como stack stack = [] # Push - agregar al tope stack.append(1) stack.append(2) stack.append(3) # Pop - remover del tope elemento = stack.pop() # 3 # Peek - ver el tope sin remover tope = stack[-1] # 2 # Verificar si está vacío esta_vacio = len(stack) == 0 ``` #### Aplicaciones clásicas **Verificar paréntesis balanceados:** ```python def parentesis_validos(s): """ Verifica si los paréntesis/brackets están balanceados. """ stack = [] pares = {')': '(', ']': '[', '}': '{'} for char in s: if char in '([{': stack.append(char) elif char in ')]}': if not stack or stack[-1] != pares[char]: return False stack.pop() return len(stack) == 0 # Ejemplos print(parentesis_validos("()[]{}")) # True print(parentesis_validos("([)]")) # False print(parentesis_validos("{[]}")) # True ``` **Evaluar notación polaca inversa:** ```python def evaluar_rpn(tokens): """ Evalúa expresión en notación polaca inversa. Ejemplo: ["2", "1", "+", "3", "*"] = (2 + 1) * 3 = 9 """ stack = [] operadores = { '+': lambda a, b: a + b, '-': lambda a, b: a - b, '*': lambda a, b: a * b, '/': lambda a, b: int(a / b) # División entera hacia cero } for token in tokens: if token in operadores: b = stack.pop() a = stack.pop() resultado = operadores[token](a, b) stack.append(resultado) else: stack.append(int(token)) return stack[0] ``` ### 2.6 Queues (Colas) FIFO: First In, First Out. El primero que entra es el primero que sale. #### Implementación ```python from collections import deque # Crear cola cola = deque() # Enqueue - agregar al final cola.append(1) cola.append(2) cola.append(3) # Dequeue - remover del frente elemento = cola.popleft() # 1 # Peek - ver el frente sin remover frente = cola[0] # 2 # Verificar si está vacía esta_vacia = len(cola) == 0 ``` #### Aplicación - BFS (Búsqueda en anchura) ```python def bfs_matriz(matriz, inicio, fin): """ Encuentra el camino más corto en una matriz. """ filas, cols = len(matriz), len(matriz[0]) cola = deque([(inicio, 0)]) # (posición, distancia) visitados = {inicio} direcciones = [(0, 1), (0, -1), (1, 0), (-1, 0)] while cola: (fila, col), distancia = cola.popleft() if (fila, col) == fin: return distancia for df, dc in direcciones: nf, nc = fila + df, col + dc if (0 <= nf < filas and 0 <= nc < cols and (nf, nc) not in visitados and matriz[nf][nc] != 1): # 1 = obstáculo visitados.add((nf, nc)) cola.append(((nf, nc), distancia + 1)) return -1 # No hay camino ``` ### 2.7 Linked Lists (Listas Enlazadas) Una secuencia de nodos donde cada nodo apunta al siguiente. #### Implementación básica ```python class Nodo: def __init__(self, valor): self.valor = valor self.siguiente = None class ListaEnlazada: def __init__(self): self.cabeza = None def agregar_al_final(self, valor): nuevo = Nodo(valor) if not self.cabeza: self.cabeza = nuevo return actual = self.cabeza while actual.siguiente: actual = actual.siguiente actual.siguiente = nuevo def agregar_al_inicio(self, valor): nuevo = Nodo(valor) nuevo.siguiente = self.cabeza self.cabeza = nuevo def eliminar(self, valor): if not self.cabeza: return if self.cabeza.valor == valor: self.cabeza = self.cabeza.siguiente return actual = self.cabeza while actual.siguiente: if actual.siguiente.valor == valor: actual.siguiente = actual.siguiente.siguiente return actual = actual.siguiente def buscar(self, valor): actual = self.cabeza while actual: if actual.valor == valor: return True actual = actual.siguiente return False def imprimir(self): actual = self.cabeza elementos = [] while actual: elementos.append(str(actual.valor)) actual = actual.siguiente print(" -> ".join(elementos)) ``` #### Problema clásico - Detectar ciclo ```python def tiene_ciclo(cabeza): """ Detecta si una lista enlazada tiene ciclo usando Floyd's algorithm. """ if not cabeza or not cabeza.siguiente: return False lento = cabeza rapido = cabeza while rapido and rapido.siguiente: lento = lento.siguiente rapido = rapido.siguiente.siguiente if lento == rapido: return True return False ``` **Invertir lista enlazada:** ```python def invertir_lista(cabeza): """ Invierte una lista enlazada in-place. """ previo = None actual = cabeza while actual: siguiente = actual.siguiente actual.siguiente = previo previo = actual actual = siguiente return previo ``` --- ## Parte 3: Estructuras de Datos Avanzadas Estas estructuras son menos comunes en código del día a día, pero esenciales para resolver problemas complejos y entrevistas en empresas top. ### 3.1 Árboles Binarios Estructura jerárquica donde cada nodo tiene máximo dos hijos. #### Implementación ```python class NodoArbol: def __init__(self, valor): self.valor = valor self.izquierdo = None self.derecho = None class ArbolBinario: def __init__(self): self.raiz = None def insertar(self, valor): if not self.raiz: self.raiz = NodoArbol(valor) else: self._insertar_recursivo(self.raiz, valor) def _insertar_recursivo(self, nodo, valor): if valor < nodo.valor: if nodo.izquierdo: self._insertar_recursivo(nodo.izquierdo, valor) else: nodo.izquierdo = NodoArbol(valor) else: if nodo.derecho: self._insertar_recursivo(nodo.derecho, valor) else: nodo.derecho = NodoArbol(valor) ``` #### Recorridos fundamentales ```python def inorder(nodo, resultado=None): """Izquierdo -> Raíz -> Derecho""" if resultado is None: resultado = [] if nodo: inorder(nodo.izquierdo, resultado) resultado.append(nodo.valor) inorder(nodo.derecho, resultado) return resultado def preorder(nodo, resultado=None): """Raíz -> Izquierdo -> Derecho""" if resultado is None: resultado = [] if nodo: resultado.append(nodo.valor) preorder(nodo.izquierdo, resultado) preorder(nodo.derecho, resultado) return resultado def postorder(nodo, resultado=None): """Izquierdo -> Derecho -> Raíz""" if resultado is None: resultado = [] if nodo: postorder(nodo.izquierdo, resultado) postorder(nodo.derecho, resultado) resultado.append(nodo.valor) return resultado def level_order(raiz): """Recorrido por niveles (BFS)""" if not raiz: return [] resultado = [] cola = deque([raiz]) while cola: nivel = [] for _ in range(len(cola)): nodo = cola.popleft() nivel.append(nodo.valor) if nodo.izquierdo: cola.append(nodo.izquierdo) if nodo.derecho: cola.append(nodo.derecho) resultado.append(nivel) return resultado ``` #### Problemas comunes de árboles **Altura del árbol:** ```python def altura(nodo): if not nodo: return 0 return 1 + max(altura(nodo.izquierdo), altura(nodo.derecho)) ``` **Verificar si es BST válido:** ```python def es_bst_valido(nodo, minimo=float('-inf'), maximo=float('inf')): if not nodo: return True if nodo.valor <= minimo or nodo.valor >= maximo: return False return (es_bst_valido(nodo.izquierdo, minimo, nodo.valor) and es_bst_valido(nodo.derecho, nodo.valor, maximo)) ``` **Ancestro común más bajo (LCA):** ```python def lca(raiz, p, q): """ Encuentra el ancestro común más bajo de dos nodos. """ if not raiz or raiz == p or raiz == q: return raiz izq = lca(raiz.izquierdo, p, q) der = lca(raiz.derecho, p, q) if izq and der: return raiz return izq or der ``` ### 3.2 Heaps (Montículos) Árbol binario especial que mantiene el mínimo (o máximo) siempre en la raíz. #### Uso en Python ```python import heapq # Min heap (por defecto en Python) heap = [] heapq.heappush(heap, 3) heapq.heappush(heap, 1) heapq.heappush(heap, 4) minimo = heapq.heappop(heap) # 1 # Ver mínimo sin remover minimo = heap[0] # Crear heap desde lista numeros = [3, 1, 4, 1, 5, 9, 2, 6] heapq.heapify(numeros) # O(n) # Max heap (truco: negar valores) max_heap = [] heapq.heappush(max_heap, -3) heapq.heappush(max_heap, -1) maximo = -heapq.heappop(max_heap) # 3 # K elementos más grandes k_mayores = heapq.nlargest(3, numeros) k_menores = heapq.nsmallest(3, numeros) ``` #### Aplicación - Mediana de stream de datos ```python class MedianFinder: def __init__(self): self.pequeños = [] # Max heap (mitad menor) self.grandes = [] # Min heap (mitad mayor) def agregar(self, num): # Agregar a max heap (negamos para simular) heapq.heappush(self.pequeños, -num) # Mover el mayor de pequeños a grandes heapq.heappush(self.grandes, -heapq.heappop(self.pequeños)) # Balancear: pequeños puede tener 1 más que grandes if len(self.grandes) > len(self.pequeños): heapq.heappush(self.pequeños, -heapq.heappop(self.grandes)) def mediana(self): if len(self.pequeños) > len(self.grandes): return -self.pequeños[0] return (-self.pequeños[0] + self.grandes[0]) / 2 ``` ### 3.3 Grafos Conjunto de nodos conectados por aristas. Pueden ser dirigidos o no dirigidos. #### Representaciones ```python # Lista de adyacencia (más común y eficiente) grafo = { 'A': ['B', 'C'], 'B': ['A', 'D', 'E'], 'C': ['A', 'F'], 'D': ['B'], 'E': ['B', 'F'], 'F': ['C', 'E'] } # Con pesos grafo_pesos = { 'A': [('B', 4), ('C', 2)], 'B': [('A', 4), ('D', 3)], 'C': [('A', 2), ('D', 1)], 'D': [('B', 3), ('C', 1)] } # Matriz de adyacencia (útil para grafos densos) # A B C D # A [[0, 1, 1, 0], # B [1, 0, 0, 1], # C [1, 0, 0, 1], # D [0, 1, 1, 0]] ``` #### Algoritmos fundamentales **DFS (Búsqueda en profundidad):** ```python def dfs(grafo, inicio, visitados=None): if visitados is None: visitados = set() visitados.add(inicio) print(inicio) # Procesar nodo for vecino in grafo[inicio]: if vecino not in visitados: dfs(grafo, vecino, visitados) return visitados # Versión iterativa con stack def dfs_iterativo(grafo, inicio): visitados = set() stack = [inicio] while stack: nodo = stack.pop() if nodo not in visitados: visitados.add(nodo) print(nodo) for vecino in grafo[nodo]: if vecino not in visitados: stack.append(vecino) return visitados ``` **BFS (Búsqueda en anchura):** ```python def bfs(grafo, inicio): visitados = set([inicio]) cola = deque([inicio]) while cola: nodo = cola.popleft() print(nodo) for vecino in grafo[nodo]: if vecino not in visitados: visitados.add(vecino) cola.append(vecino) return visitados ``` **Dijkstra (camino más corto):** ```python def dijkstra(grafo, inicio): """ Encuentra el camino más corto desde inicio a todos los nodos. grafo: diccionario con listas de tuplas (vecino, peso) """ distancias = {nodo: float('inf') for nodo in grafo} distancias[inicio] = 0 heap = [(0, inicio)] # (distancia, nodo) visitados = set() while heap: dist_actual, nodo = heapq.heappop(heap) if nodo in visitados: continue visitados.add(nodo) for vecino, peso in grafo[nodo]: if vecino not in visitados: nueva_dist = dist_actual + peso if nueva_dist < distancias[vecino]: distancias[vecino] = nueva_dist heapq.heappush(heap, (nueva_dist, vecino)) return distancias ``` **Detectar ciclo en grafo dirigido:** ```python def tiene_ciclo_dirigido(grafo): """ Detecta ciclo usando coloración: 0 = blanco (no visitado), 1 = gris (en proceso), 2 = negro (terminado) """ colores = {nodo: 0 for nodo in grafo} def dfs(nodo): colores[nodo] = 1 # Gris for vecino in grafo.get(nodo, []): if colores[vecino] == 1: # Encontramos un gris -> ciclo return True if colores[vecino] == 0 and dfs(vecino): return True colores[nodo] = 2 # Negro return False for nodo in grafo: if colores[nodo] == 0: if dfs(nodo): return True return False ``` ### 3.4 Tries (Árboles de Prefijos) Estructura optimizada para almacenar y buscar strings por prefijos. ```python class TrieNode: def __init__(self): self.hijos = {} self.es_fin_palabra = False class Trie: def __init__(self): self.raiz = TrieNode() def insertar(self, palabra): nodo = self.raiz for char in palabra: if char not in nodo.hijos: nodo.hijos[char] = TrieNode() nodo = nodo.hijos[char] nodo.es_fin_palabra = True def buscar(self, palabra): nodo = self._buscar_prefijo(palabra) return nodo is not None and nodo.es_fin_palabra def empieza_con(self, prefijo): return self._buscar_prefijo(prefijo) is not None def _buscar_prefijo(self, prefijo): nodo = self.raiz for char in prefijo: if char not in nodo.hijos: return None nodo = nodo.hijos[char] return nodo def autocomplete(self, prefijo): """Retorna todas las palabras que empiezan con el prefijo.""" nodo = self._buscar_prefijo(prefijo) if not nodo: return [] resultados = [] self._dfs_palabras(nodo, prefijo, resultados) return resultados def _dfs_palabras(self, nodo, prefijo_actual, resultados): if nodo.es_fin_palabra: resultados.append(prefijo_actual) for char, hijo in nodo.hijos.items(): self._dfs_palabras(hijo, prefijo_actual + char, resultados) ``` --- ## Parte 4: Complejidad Algorítmica (Big O) Entender Big O es lo que separa a alguien que "hace código" de alguien que entiende lo que hace. ### 4.1 ¿Qué es Big O? Big O describe cómo escala un algoritmo cuando el input crece. No mide tiempo exacto, sino **cómo crece** el tiempo/espacio con inputs más grandes. ### 4.2 Complejidades comunes | Notación | Nombre | Ejemplo | |----------|--------|---------| | O(1) | Constante | Acceso a array por índice | | O(log n) | Logarítmica | Búsqueda binaria | | O(n) | Lineal | Recorrer array | | O(n log n) | Linearítmica | Merge sort, quick sort | | O(n²) | Cuadrática | Dos loops anidados | | O(2ⁿ) | Exponencial | Fibonacci recursivo sin memo | | O(n!) | Factorial | Permutaciones | ### 4.3 Cómo calcular Big O **Reglas básicas:** 1. **Ignora constantes:** O(2n) = O(n) 2. **Ignora términos menores:** O(n² + n) = O(n²) 3. **Loops anidados multiplican:** Loop dentro de loop = O(n × m) 4. **Loops secuenciales suman:** Loop seguido de loop = O(n + m) = O(n) **Ejemplos prácticos:** ```python # O(1) - Constante def obtener_primero(lista): return lista[0] # O(n) - Lineal def sumar_todos(lista): total = 0 for num in lista: # n iteraciones total += num # O(1) por iteración return total # O(n²) - Cuadrática def encontrar_pares(lista): pares = [] for i in range(len(lista)): # n iteraciones for j in range(len(lista)): # n iteraciones por cada i pares.append((lista[i], lista[j])) return pares # O(log n) - Logarítmica def busqueda_binaria(lista, objetivo): izq, der = 0, len(lista) - 1 while izq <= der: # Se divide a la mitad cada vez mid = (izq + der) // 2 if lista[mid] == objetivo: return mid elif lista[mid] < objetivo: izq = mid + 1 else: der = mid - 1 return -1 # O(n log n) - Linearítmica def merge_sort(lista): if len(lista) <= 1: return lista mid = len(lista) // 2 izq = merge_sort(lista[:mid]) # log n niveles de recursión der = merge_sort(lista[mid:]) return merge(izq, der) # O(n) por nivel def merge(izq, der): resultado = [] i = j = 0 while i < len(izq) and j < len(der): if izq[i] <= der[j]: resultado.append(izq[i]) i += 1 else: resultado.append(der[j]) j += 1 resultado.extend(izq[i:]) resultado.extend(der[j:]) return resultado ``` ### 4.4 Complejidad espacial No solo importa el tiempo, también la memoria. ```python # O(1) espacio - Solo variables simples def suma(a, b): return a + b # O(n) espacio - Lista que crece con input def duplicar_lista(lista): return [x * 2 for x in lista] # O(n) espacio por recursión (stack) def factorial(n): if n <= 1: return 1 return n * factorial(n - 1) # n llamadas en el stack ``` --- ## Parte 5: Plan de Estudio Recomendado ### Semanas 1-2: Fundamentos de lógica - Variables, tipos, operadores - Condicionales y bucles - Funciones - **Práctica:** 30 problemas fáciles en LeetCode ### Semanas 3-4: Arrays y Strings - Operaciones básicas - Two pointers - Sliding window - **Práctica:** 40 problemas de arrays/strings ### Semanas 5-6: Hash Tables y Sets - Cuando usar cada uno - Patrones de frecuencia - **Práctica:** 30 problemas con hashmaps ### Semanas 7-8: Stacks, Queues, Linked Lists - Implementaciones desde cero - Problemas clásicos - **Práctica:** 30 problemas ### Semanas 9-10: Recursión y árboles - Pensamiento recursivo - Árboles binarios y BST - Recorridos - **Práctica:** 40 problemas de árboles ### Semanas 11-12: Grafos y algoritmos avanzados - DFS, BFS - Dijkstra básico - Detección de ciclos - **Práctica:** 30 problemas de grafos ### Continuo: Mantenimiento - 1-2 problemas diarios - Participar en contests - Revisar soluciones de otros --- ## Recursos Recomendados ### Plataformas de práctica 1. **LeetCode** - El estándar para entrevistas 2. **HackerRank** - Buenos tutoriales iniciales 3. **Codewars** - Katas divertidas 4. **NeetCode** - Problemas organizados por patrón ### Libros 1. "Grokking Algorithms" - Perfecto para principiantes 2. "Cracking the Coding Interview" - El clásico para entrevistas 3. "Introduction to Algorithms" (CLRS) - La biblia académica ### Videos 1. NeetCode en YouTube - Explicaciones claras 2. CS Dojo - Fundamentos bien explicados 3. MIT OpenCourseWare - Si quieres profundizar --- ## Errores comunes a evitar 1. **Saltarte los fundamentos:** No vayas a grafos sin dominar arrays 2. **Memorizar sin entender:** Entiende el porqué, no solo el código 3. **No practicar suficiente:** La teoría sin práctica no sirve 4. **Rendirse muy pronto:** Los primeros problemas son frustrantes, es normal 5. **Compararte con otros:** Tu ritmo es válido 6. **No implementar desde cero:** Usa las estructuras built-in después de implementarlas tú --- ## Preguntas Frecuentes **¿Necesito saber matemáticas avanzadas para esto?** No. Necesitas pensamiento lógico, no cálculo avanzado. Big O usa algo de notación, pero el 90% es razonar sobre cómo se comporta tu código, no resolver integrales. **¿En qué lenguaje practico la lógica y las estructuras de datos?** En el que quieras: los conceptos son universales. Aquí usamos Python por su legibilidad; si no lo conoces, empieza por mi [tutorial de Python para principiantes](/blog/tutorial-python-principiantes-proyecto-basico) y luego vuelve a esta guía. **¿Esto me sirve para entrevistas técnicas?** Muchísimo. La mayoría de entrevistas técnicas evalúan exactamente esto. Y si dudas qué stack acompañar, mira los [lenguajes](/blog/lenguajes-de-programacion-2026-y-proyectos-para-empezar) y [frameworks](/blog/frameworks-mas-usados-2026-learning-path) con más demanda en 2026. ## Conclusión Dominar lógica de programación y estructuras de datos no es algo que pasa en una semana. Es un proceso que requiere consistencia y práctica deliberada. Pero es la inversión más rentable que puedes hacer en tu carrera como desarrollador. No necesitas ser un genio de las matemáticas ni haber estudiado computer science. Necesitas curiosidad, persistencia y un plan claro. Este artículo te da el plan, el resto depende de ti. Empieza hoy. Un problema a la vez. En 3 meses te sorprenderá cuánto has avanzado. Y recuerda: cada senior que admiras pasó por exactamente el mismo proceso. La diferencia es que ellos empezaron antes. Tu momento de empezar es ahora.

Etiqueta: Algoritmos

Guía Completa para Aprender Lógica de Programación y Estructuras de Datos