【学习笔记】数据结构与算法05：树、层序遍历、深度优先搜索、二叉搜索树

知识出处：Hello算法：https://www.hello-algo.com/

文章目录

[2.4 树](#2.4 树)

[2.4.1 「二叉树 binary tree」](#2.4.1 「二叉树 binary tree」)

[2.4.1.1 二叉树基本操作](#2.4.1.1 二叉树基本操作)

[2.4.1.2 二叉树的常见类型](#2.4.1.2 二叉树的常见类型)

[「完美二叉树 perfect binary tree」](#「完美二叉树 perfect binary tree」)

[「完全二叉树 complete binary tree」](#「完全二叉树 complete binary tree」)

[「完满二叉树 full binary tree」](#「完满二叉树 full binary tree」)

[「平衡二叉树 balanced binary tree」](#「平衡二叉树 balanced binary tree」)

[2.4.1.3 二叉树的退化&进化](#2.4.1.3 二叉树的退化&进化)

[2.4.2 二叉树遍历](#2.4.2 二叉树遍历)

[2.4.2.1 层序遍历 level-order traversal](#2.4.2.1 层序遍历 level-order traversal)

代码

复杂度分析

[2.4.2.2 前序、中序和后序遍历（DFS）](#2.4.2.2 前序、中序和后序遍历（DFS）)

深度优先搜索通常基于递归实现。

深度优先遍历基于迭代的方式实现

[2.4.3 二叉树数组表示](#2.4.3 二叉树数组表示)

[2.4.3.1 数组表示完美二叉树](#2.4.3.1 数组表示完美二叉树)

[2.4.3.2 数组表示任意二叉树](#2.4.3.2 数组表示任意二叉树)

[2.4.3.3 优点与局限性](#2.4.3.3 优点与局限性)

[2.4.4 二叉搜索树](#2.4.4 二叉搜索树)

[2.4.4.1 二叉搜索树的搜索操作](#2.4.4.1 二叉搜索树的搜索操作)

查询

插入节点

中序遍历

[2.4.4.2 搜索二叉树的效率](#2.4.4.2 搜索二叉树的效率)

[2.4.4.3 二叉搜索树常见应用](#2.4.4.3 二叉搜索树常见应用)

2.4 树

2.4.1 「二叉树 binary tree」

二叉树 binary tree是一种非线性数据结构，代表"祖先"与"后代"之间的派生关系，体现了"一分为二"的分治逻辑。与链表类似，二叉树的基本单元是节点，每个节点包含值、左子节点引用和右子节点引用。

java 复制代码

/* 二叉树节点类 */
class TreeNode {
    int val;         // 节点值
    TreeNode left;   // 左子节点引用
    TreeNode right;  // 右子节点引用
    TreeNode(int x) { val = x; }
}

每个节点都有两个引用（指针），分别指向「左子节点 left-child node」和「右子节点 right-child node」
该节点自身被称为这两个子节点的「父节点 parent node」.
当给定一个二叉树的节点时，我们将该节点的左子节点及其以下节点形成的树称为该节点的「左子树 left subtree」，同理可得「右子树 right subtree」。
在二叉树中，除叶节点外，其他所有节点都包含子节点和非空子树。也就是说，不包含子节点的节点就被称为「叶节点 leaf node」

二叉树的常用术语如图所示。

「根节点 root node」：位于二叉树顶层的节点，没有父节点。
「叶节点 leaf node」：没有子节点的节点，其两个指针均指向 None 。
「边 edge」：连接两个节点的线段，即节点引用（指针）。
节点所在的「层 level」：从顶至底递增，根节点所在层为 1 。
节点的「度 degree」：节点的子节点的数量。在二叉树中，度的取值范围是 0、1、2 。
二叉树的「高度 height」：从根节点到最远叶节点 所经过的边的数量。
节点的「深度 depth」：从根节点到该节点所经过的边的数量。
节点的「高度 height」：从距离该节点最远的叶节点 到该节点所经过的边的数量。

Tip:

请注意，我们通常将"高度"和"深度"定义为"经过的边的数量"，但有些题目或教材可能会将其定义为"经过的节点的数量"。在这种情况下，高度和深度都需要加 1 。

如何理解深度和高度？

深度是根部到该节点的举例，高度是该节点到叶节点的距离

深度可以表示找到这个节点需要花费的时间，深度越深，找到这个节点就经过更多边，也需要更多时间。可以用于判断"查询"操作所需的时间

高度可以表示从这个节点到最外层需要花费的时间，高度越高，找到叶节点的时间就需要花费更多时间。可以用于判断遍历"该子树所有节点"所需的时间。

另外，深度只能描述某个节点的深度，而高度既可以直接表示树，也可以描述某个节点。

2.4.1.1 二叉树基本操作

初始化

与链表类似，首先初始化节点，然后构建引用（指针）。

插入与删除节点

与链表类似，在二叉树中插入与删除节点可以通过修改指针来实现

注意：

插入节点可能会改变二叉树的原有逻辑结构，而删除节点通常意味着删除该节点及其所有子树。因此，在二叉树中，插入与删除通常是由一套操作配合完成的，以实现有实际意义的操作。

2.4.1.2 二叉树的常见类型

「完美二叉树 perfect binary tree」

完美二叉树（又称"满二叉树"）是所有层的节点都被完全填满的二叉树，具有以下特点：

所有叶节点的度都为0，且其余所有节点都为0；
若树的高度为h，则节点总数为 2^h+1^−1 。呈指数级关系，反应了自然界中的细胞分裂现象。

「完全二叉树 complete binary tree」

只有最底层的节点未被填满，且最底层节点尽量靠左填充。

之前被忽略的类型，实际上这样的二叉树可以直接使用数组进行表示，需要有将一维序列转换换位二维序列的思维能力。

「完满二叉树 full binary tree」

除了叶节点之外，其余所有节点都有两个子节点。

「平衡二叉树 balanced binary tree」

任意节点的左子树和右子树的高度之差的绝对值不超过 1 。

2.4.1.3 二叉树的退化&进化

当二叉树的每层节点都被填满时，达到"完美二叉树"；而当所有节点都偏向一侧时，二叉树退化为"链表"。

在最佳结构和最差结构下，二叉树的叶节点数量、节点总数、高度等达到极大值或极小值。

关于二叉树演变的个人理解

链表可以看成"所有节点的度都为1的二叉树"，是一种特化的二叉树，理论上适用于二叉树的计算公式，也适用于链表。反过来，链表拥有的部分特点在会在二叉树上实现。
二叉树的几种常用类型也有自身的演化过程：
1. 平衡二叉树（左子树和右子树相差不大即可
2. 圆满二叉树（非叶节点都有两个子节点）
3. 完全二叉树（在圆满二叉树的基础上，要求节点都靠左）
4. 完美二叉树（在完全二叉树的基础上，要求叶节点这层的节点都必须被填满）

2.4.2 二叉树遍历

链表的遍历方式是通过指针逐个访问节点。然而，从物理结构的角度来看，树是一种基于链表的非线性数据结构，这使得遍历树比遍历链表更加复杂，需要借助搜索算法来实现。

二叉树常见的遍历方式包括层序遍历、前序遍历、中序遍历和后序遍历等。(手敲代码帮助理解)

2.4.2.1 层序遍历 level-order traversal

从顶部到底部逐层遍历二叉树，并在每一层按照从左到右的顺序访问节点。

层序遍历本质上属于**「广度优先遍历 breadth-first traversal」，也称「广度优先搜索 breadth-first search, BFS」**，它体现了一种"一圈一圈向外扩展"的逐层遍历方式。

代码

广度优先遍历通常借助"队列"来实现。

实现思路如下：

给出一个队列，先存入根节点；给出一个列表，用于存储结果
遍历该队列
- 节点出队
- 像列表，存入数值
- 将出队的节点对应的节点（如有）入队
- 以此循环

java 复制代码

// 层序遍历
Queue<TreeNode> treeNodeQueue = new ArrayDeque<>();
treeNodeQueue.add(n1);
List<Integer> resList = new ArrayList<>();
while (!treeNodeQueue.isEmpty()){
    TreeNode node = treeNodeQueue.poll();
    resList.add(node.val);
    if (node.left != null){
        treeNodeQueue.add(node.left);
    }
    if (node.right != null){
        treeNodeQueue.add(node.right);
    }
}

复杂度分析

时间复杂度为 O(n) ：所有节点被访问一次，使用 O(n) 时间，其中 n 为节点数量。
空间复杂度为 O(n) ：在最差情况下，即满二叉树时，遍历到最底层之前，队列中最多同时存在 (n+1)/2 个节点，占用 O(n) 空间。

2.4.2.2 前序、中序和后序遍历（DFS）

相应地，前序、中序和后序遍历都属于**「深度优先遍历 depth-first traversal**」，也称「深度优先搜索 depth-first search, DFS」，它体现了一种"先走到尽头，再回溯继续"的遍历方式。

深度优先遍历就像是绕着整棵二叉树的外围"走"一圈，在每个节点都会遇到三个位置，分别对应前序遍历、中序遍历和后序遍历，

深度优先搜索通常基于递归实现。

递归过程，可分为"递"和"归"两个逆向的部分。

"递"表示开启新方法，程序在此过程中访问下一个节点。
"归"表示函数返回，代表当前节点已经访问完毕。

java 复制代码

public static void main(String[] args) {
    /* 初始化二叉树 */
    // 初始化节点
    TreeNode n1 = new TreeNode(1);
    TreeNode n2 = new TreeNode(2);
    TreeNode n3 = new TreeNode(3);
    TreeNode n4 = new TreeNode(4);
    TreeNode n5 = new TreeNode(5);
    TreeNode n6 = new TreeNode(6);
    TreeNode n7 = new TreeNode(7);
    // 构建节点之间的引用（指针）
    n1.left = n2;
    n1.right = n3;
    n2.left = n4;
    n2.right = n5;
    n3.left = n6;
    n3.right = n7;
    System.out.println("\n初始化二叉树\n");
    PrintUtil.printTree(n1);


    resList.clear();
    preOrder(n1, resList);
    System.out.println(resList);

    resList.clear();
    midOrder(n1, resList);
    System.out.println(resList);
    resList.clear();
    afterOrder(n1, resList);
    System.out.println(resList);
}

/**
     * 前序遍历
     */
static void preOrder(TreeNode node, List<Integer> res) {
    if (node == null) {
        return;
    }
    // 遍历节点本身
    res.add(node.val);
    // 遍历左节点
    preOrder(node.left, res);
    // 遍历右节点
    preOrder(node.right, res);
}

static void midOrder(TreeNode node, List<Integer> res) {
    if (node == null) {
        return;
    }
    // 遍历左节点
    preOrder(node.left, res);
    // 遍历节点本身
    res.add(node.val);
    // 遍历右节点
    preOrder(node.right, res);
}

static void afterOrder(TreeNode node, List<Integer> res) {
    if (node == null) {
        return;
    }
    // 遍历左节点
    preOrder(node.right, res);
    // 遍历右节点
    preOrder(node.left, res);
    // 遍历节点本身
    res.add(node.val);
}

深度优先遍历基于迭代的方式实现

力扣找到的解法：解答思路

我们也可以用迭代的方式实现方法一的递归函数，两种方式是等价的，区别在于递归的时候隐式地维护了一个栈 ，而我们在迭代的时候需要显式地将这个栈模拟出来，其余的实现与细节都相同，具体可以参考下面的代码。

java 复制代码

Stack<TreeNode> stack = new Stack<>();
TreeNode node = n1;
List<Integer> res = new ArrayList<Integer>();
while (!stack.isEmpty() || node != null) {
    while (node != null) {
        res.add(node.val);
        stack.push(node);
        node = node.left;
    }
    node = stack.pop();
    node = node.right;
}

2.4.3 二叉树数组表示

2.4.3.1 数组表示完美二叉树

原文中给出的图非常直观的展示了数组如何表示二叉树

2.4.3.2 数组表示任意二叉树

在上面的基础上，显式地写出所有 None

综上不难发现，，完全二叉树非常适合使用数组来表示 。回顾完全二叉树的定义，None 只出现在最底层且靠右的位置，因此所有 None 一定出现在层序遍历序列的末尾。

代码实现

尝试用List<Integer>来表示的二叉树，实现以下操作：

给定某节点，获取它的值、左（右）子节点、父节点。
获取前序遍历、中序遍历、后序遍历、层序遍历序列。

2.4.3.3 优点与局限性

二叉树的数组表示主要有以下优点。

数组存储在连续的内存空间中，对缓存友好，访问与遍历速度较快。
不需要存储指针，比较节省空间。
允许随机访问节点。

然而，数组表示也存在一些局限性。

数组存储需要连续内存空间，因此不适合存储数据量过大的树。
增删节点需要通过数组插入与删除操作实现，效率较低。
当二叉树中存在大量 None 时，数组中包含的节点数据比重较低，空间利用率较低。

2.4.4 二叉搜索树

「二叉搜索树 binary search tree」满足以下条件。

对于根节点，左子树中所有节点的值 < 根节点的值 < 右子树中所有节点的值。
任意节点的左、右子树也是二叉搜索树，即同样满足条件 1. 。

和"堆"的概念近似，也要做出区分。

「小顶堆 min heap」：任意节点的值 ≤ 其子节点的值。

「大顶堆 max heap」：任意节点的值 ≥ 其子节点的值。

个人理解：

二叉搜索树体现了二分算法的思想

2.4.4.1 二叉搜索树的搜索操作

查询

给定目标节点值 num ，可以根据二叉搜索树的性质来查找。如图 7-17 所示，我们声明一个节点 cur ，从二叉树的根节点 root 出发，循环比较节点值 cur.val 和 num 之间的大小关系。

若 cur.val < num ，说明目标节点在 cur 的右子树中，因此执行 cur = cur.right 。
若 cur.val > num ，说明目标节点在 cur 的左子树中，因此执行 cur = cur.left 。
若 cur.val = num ，说明找到目标节点，跳出循环并返回该节点。

插入节点

插入节点时需要注意保持二叉搜索树"左子树 < 根节点 < 右子树"的性质

需要查询插入位置：和查询操作类似，从根节点触发，直到叶节点（遍历至 None ）时跳出循环。
在该位置插入节点 ：初始化节点 num ，将该节点置于 None 的位置。

插入时需要注意：

二叉搜索树不允许存在重复节点，否则将违反其定义。因此，若待插入节点在树中已存在，则不执行插入，直接返回。

删除节点

删除节点需要区分三种情况，分别是节点的度为0/1/2时，进行的操作是不同的

度为0时，节点是叶节点，直接删除
度为1时，该节点只有一个叶节点（高度为1），将待删除节点 替换为其子节点即可。
当待删除节点的度为 2 时，我们无法直接删除它，而需要使用一个节点替换该节点。由于要保持二叉搜索树"左子树 < 根节点 < 右子树"的性质，因此这个节点可以是右子树的最小节点或左子树的最大节点。

中序遍历

由于二叉搜索树的特性，中序遍历遵循"左 → 根 → 右"的遍历顺序，而二叉搜索树满足"左子节点 < 根节点 < 右子节点"的大小关系。从而得出一个重要性质：二叉搜索树的中序遍历序列是升序的。

利用中序遍历升序的性质，我们在二叉搜索树中获取有序数据仅需 O(n) 时间，无须进行额外的排序操作，非常高效。

2.4.4.2 搜索二叉树的效率

对比无序数组和二叉搜索树。

	无序数组	二叉搜索树
查找元素	O(n)	O(log⁡n)
插入元素	O(1)	O(log⁡n)
删除元素	O(n)	O(log⁡n)

二叉搜索树的各项操作的时间复杂度都是对数阶，具有稳定且高效的性能。可以得出二叉搜索树是"平衡"的（理想状态下
比较之下，二叉搜索树在查询和删除元素时有较大优势。
只有在高频添加、低频查找删除数据的场景下，数组比二叉搜索树的效率更高。.
如果我们在二叉搜索树中不断地插入和删除节点，各种操作的时间复杂度也会退化为 O(n) 。

2.4.4.3 二叉搜索树常见应用

用作系统中的多级索引，实现高效的查找、插入、删除操作。
作为某些搜索算法的底层数据结构。
用于存储数据流，以保持其有序状态。

由于劣化的现象存在，所以在实际业务场景中是比较少见的。

为了解决二叉搜索树会劣化的问题，后续基于二叉搜索树给出了更优的算法

比如平衡二叉树（AVL树），通过一系列操作，确保在持续添加和删除节点后，AVL 树不会退化。AVL 树¶

还有非常出名的红黑树------自平衡的二叉查找树 具体可以看看文章

2.5 堆