用邻接表作为图的存储结构建立一个图，并对此图分别进行深度优先搜索和广度优先搜索遍历。

好的，我可以给您讲解一下如何用邻接表作为图的存储结构，并对图进行深度优先搜索和广度优先搜索的遍历。

邻接表是一种常用的图的存储结构，它通过一个数组和链表来表示图中的各个节点和边。具体来说，数组中的每个元素对应图中的一个节点，而该元素的值是一个链表，链表中存储了该节点所连接的其他节点。下面是一个用邻接表表示的无向图的示例：

graph = {
    'A': ['B', 'C'],
    'B': ['A', 'D', 'E'],
    'C': ['A', 'F'],
    'D': ['B'],
    'E': ['B', 'F'],
    'F': ['C', 'E']
}

在这个邻接表中，字母表示节点，字母对应的列表表示与该节点相连的其他节点。例如，节点 A 与节点 B 和节点 C 相连。

现在，我们来分别用深度优先搜索和广度优先搜索遍历这个图。

### 深度优先搜索

深度优先搜索（Depth First Search，DFS）是一种用于遍历或搜索树或图的算法。它从一个根节点开始，沿着一条路径一直走到底，然后返回到上一个节点，在继续搜索下一条路径。具体来说，深度优先搜索的过程如下：

1. 从起始节点开始遍历。
2. 如果当前节点未被访问过，将其标记为已访问。
3. 对当前节点的所有未访问过的邻居节点进行深度优先搜索。
4. 重复步骤 3，直到当前节点的所有邻居节点都已被访问过。
5. 回溯到上一个节点，重复步骤 3 和 4，直到所有节点都被访问过。

下面是用 Python 实现深度优先搜索的代码：

def dfs(graph, start):
    visited = set()  # 用集合记录已经访问过的节点
    stack = [start]  # 用栈来存储要访问的节点

    while stack:
        vertex = stack.pop()  # 取出栈顶节点
        if vertex not in visited:
            visited.add(vertex)  # 标记为已访问
            stack.extend(graph[vertex] - visited)  # 将未访问过的邻居节点入栈

    return visited

其中，`graph` 是一个邻接表表示的图，`start` 是起始节点。这个函数返回的是一个集合，表示遍历过的节点。

我们可以用上面那个示例图来测试一下这个函数：

>>> dfs(graph, 'A')
{'E', 'D', 'F', 'A', 'C', 'B'}

从节点 A 开始，深度优先搜索遍历了整个图，返回的集合中包含了所有的节点。

### 广度优先搜索

广度优先搜索（Breadth First Search，BFS）是一种用于遍历或搜索树或图的算法。它从一个根节点开始，先访问当前节点的所有邻居节点，然后按照宽度优先的顺序遍历下一层节点。具体来说，广度优先搜索的过程如下：

1. 从起始节点开始遍历。
2. 如果当前节点未被访问过，将其标记为已访问，并将其加入队列。
3. 从队列中取出一个节点。
4. 对这个节点的所有未访问过的邻居节点进行访问，并将它们加入队列。
5. 重复步骤 3 和 4，直到队列为空。

下面是用 Python 实现广度优先搜索的代码：

from collections import deque

def bfs(graph, start):
    visited = set()  # 用集合记录已经访问过的节点
    queue = deque([start])  # 用队列来存储要访问的节点

    while queue:
        vertex = queue.popleft()  # 取出队首节点
        if vertex not in visited:
            visited.add(vertex)  # 标记为已访问
            queue.extend(graph[vertex] - visited)  # 将未访问过的邻居节点入队

    return visited

其中，`deque` 是 Python 内置的双端队列类型，它提供了 O(1) 时间复杂度的队首和队尾操作。`graph` 和 `start` 的含义与上面相同。

我们可以用上面那个示例图来测试一下这个函数：

>>> bfs(graph, 'A')
{'B', 'C', 'A', 'E', 'F', 'D'}

从节点 A 开始，广度优先搜索遍历了整个图，返回的集合中包含了所有的节点。