【数据结构与算法-Day 20】从零到一掌握二叉树：定义、性质、特殊形态与存储结构全解析

Langchain系列文章目录

01-玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南
 02-玩转 LangChain Memory 模块：四种记忆类型详解及应用场景全覆盖
 03-全面掌握 LangChain：从核心链条构建到动态任务分配的实战指南
 04-玩转 LangChain：从文档加载到高效问答系统构建的全程实战
 05-玩转 LangChain：深度评估问答系统的三种高效方法（示例生成、手动评估与LLM辅助评估）
06-从 0 到 1 掌握 LangChain Agents：自定义工具 + LLM 打造智能工作流！
07-【深度解析】从GPT-1到GPT-4：ChatGPT背后的核心原理全揭秘
 08-【万字长文】MCP深度解析：打通AI与世界的"USB-C"，模型上下文协议原理、实践与未来

数据结构与算法系列文章目录

20-【数据结构与算法-Day 20】从零到一掌握二叉树：定义、性质、特殊形态与存储结构全解析

文章目录

Langchain系列文章目录
Python系列文章目录
PyTorch系列文章目录
机器学习系列文章目录
深度学习系列文章目录
Java系列文章目录
JavaScript系列文章目录
Python系列文章目录
Go语言系列文章目录
Docker系列文章目录
数据结构与算法系列文章目录
摘要
一、告别线性，拥抱层级：再识树结构
- [1.1 为什么需要树？](#1.1 为什么需要树？)
- [1.2 树的核心术语回顾](#1.2 树的核心术语回顾)
二、二叉树：结构最简、应用最广的树
- [2.1 什么是二叉树？](#2.1 什么是二叉树？)
- - [2.1.1 严格定义](#2.1.1 严格定义)
  - [2.1.2 "左右"之分的重要性](#2.1.2 “左右”之分的重要性)
- [2.2 二叉树的三大基本性质](#2.2 二叉树的三大基本性质)
- - [2.2.1 性质 1：层级与节点数上限](#2.2.1 性质 1：层级与节点数上限)
  - [2.2.2 性质 2：深度与总节点数上限](#2.2.2 性质 2：深度与总节点数上限)
  - [2.2.3 性质 3：叶子节点与度为2节点的关系](#2.2.3 性质 3：叶子节点与度为2节点的关系)
- [2.3 二叉树 vs 普通树](#2.3 二叉树 vs 普通树)
三、二叉树的特殊形态：满二叉树与完全二叉树
- [3.1 完美主义者：满二叉树](#3.1 完美主义者：满二叉树)
- - [3.1.1 定义与图示](#3.1.1 定义与图示)
- [3.2 实用主义者：完全二叉树](#3.2 实用主义者：完全二叉树)
- - [3.2.1 定义与图示](#3.2.1 定义与图示)
  - [3.2.2 完全二叉树的重要性质](#3.2.2 完全二叉树的重要性质)
  - [3.2.3 为何完全二叉树如此重要？](#3.2.3 为何完全二叉树如此重要？)
- [3.3 辨析：满二叉树 vs 完全二叉树](#3.3 辨析：满二叉树 vs 完全二叉树)
四、二叉树的存储结构
- [4.1 链式存储法 (Linked Representation)](#4.1 链式存储法 (Linked Representation))
- - [4.1.1 节点结构定义](#4.1.1 节点结构定义)
  - [4.1.2 图解链式结构](#4.1.2 图解链式结构)
  - [4.1.3 优缺点分析](#4.1.3 优缺点分析)
- [4.2 顺序存储法（数组表示法）](#4.2 顺序存储法（数组表示法）)
- - [4.2.1 实现原理](#4.2.1 实现原理)
  - [4.2.2 图解数组存储](#4.2.2 图解数组存储)
  - [4.2.3 适用场景与优缺点](#4.2.3 适用场景与优缺点)
- [4.3 存储方式的选择](#4.3 存储方式的选择)
五、总结

摘要

在数据结构的宏伟蓝图中，如果说数组和链表是构建线性世界的基石，那么"树"则是开启非线性、层级化世界大门的钥匙。而在形态各异的树结构家族中，二叉树（Binary Tree） 无疑是血统最纯正、应用最广泛的"王者"。它以其简洁的定义、优美的性质和高效的实现，成为了无数复杂数据结构（如二叉搜索树、堆、红黑树）的根基。本文将带领您从零开始，系统地学习二叉树的定义、核心性质、两种重要的特殊形态（满二叉树与完全二叉树），并深入探讨其在计算机中的两种主流存储方式。掌握二叉树，是您从线性思维迈向非线性思维的关键一步。

一、告别线性，拥抱层级：再识树结构

在进入二叉树的世界之前，让我们简要回顾为何需要树这种结构。

1.1 为什么需要树？

我们已经熟悉的数组和链表，都属于线性数据结构 。它们擅长表示前后相继、一一对应的关系，就像排队的人群。然而，现实世界充满了更复杂的层级关系，例如：

公司的组织架构（董事长 -> CEO -> 部门总监 -> 员工）
计算机的文件系统（根目录 -> 子目录 -> 文件）
书籍的章节目录

用线性结构来描述这些关系会非常笨拙和低效。为此，树（Tree） 这种非线性数据结构应运而生，它能完美地模拟这种"一对多"的层级关系。

1.2 树的核心术语回顾

在上一篇文章中，我们介绍了树的基本概念。这里我们用一张图快速回顾一下：
Legend 节点 Node 边 Edge 根 Root: A 父 Parent: B是E的父子 Child: E是B的子兄弟 Sibling: B,C,D 叶子 Leaf: E,F,G,D 度 Degree: A的度为3 高度 Height: 3 根节点 A 子节点 B 子节点 C 子节点 D 叶子节点 E 叶子节点 F 叶子节点 G

有了这些基础，我们就可以正式请出今天的主角------二叉树。

二、二叉树：结构最简、应用最广的树

2.1 什么是二叉树？

2.1.1 严格定义

二叉树（Binary Tree） 是一个有限的节点集合，这个集合或者为空，或者由一个根节点和两棵互不相交的、分别称为根节点的**左子树（Left Subtree）和右子树（Right Subtree）**的二叉树组成。

从定义中，我们可以提炼出几个关键点：

可以为空：一棵二叉树可以没有任何节点。
最多两个孩子：每个节点最多只能有两个子节点，即节点的度（Degree）不能超过 2。
有序性：子树是分左右的，次序不能颠倒。一个节点的左子树和右子树是不同的概念，即使它们结构完全一样。

2.1.2 "左右"之分的重要性

"有序性"是二叉树与普通树一个非常关键的区别。在普通树中，一个节点的子节点之间没有固定的顺序。但在二叉树中，左右位置是固定的。
情况二：只有右孩子情况一：只有左孩子 C A B A

上图中的两棵树，在普通树的视角下可能被视为相同（A有一个孩子），但在二叉树中，它们是完全不同的两棵树。

2.2 二叉树的三大基本性质

任何一棵二叉树，无论其形态如何，都满足以下几个基本性质，这些性质在算法分析中非常有用。

2.2.1 性质 1：层级与节点数上限

性质 1 ：在二叉树的第 i i i 层上，至多有 2 i − 1 2^{i-1} 2i−1 个节点（ i ≥ 1 i \ge 1 i≥1）。

理解：第 1 层是根节点，最多 1 个 ( 2 1 − 1 = 1 2^{1-1}=1 21−1=1)；第 2 层是根的孩子，最多 2 个 ( 2 2 − 1 = 2 2^{2-1}=2 22−1=2)；第 3 层的节点是第 2 层节点的孩子，最多 4 个 ( 2 3 − 1 = 4 2^{3-1}=4 23−1=4)，以此类推。

2.2.2 性质 2：深度与总节点数上限

性质 2 ：深度为 k k k 的二叉树，至多有 2 k − 1 2^k - 1 2k−1 个节点（ k ≥ 1 k \ge 1 k≥1）。

理解：这是性质 1 的推论。将每一层的最大节点数相加，构成一个等比数列求和： 2 0 + 2 1 + 2 2 + . . . + 2 k − 1 = 1 ( 2 k − 1 ) 2 − 1 = 2 k − 1 2^0 + 2^1 + 2^2 + ... + 2^{k-1} = \frac{1(2^k-1)}{2-1} = 2^k - 1 20+21+22+...+2k−1=2−11(2k−1)=2k−1。

2.2.3 性质 3：叶子节点与度为2节点的关系

性质 3 ：对任何一棵二叉树，如果其叶子节点（度为0的节点）数为 n 0 n_0 n0，度为2的节点数为 n 2 n_2 n2，则 n 0 = n 2 + 1 n_0 = n_2 + 1 n0=n2+1。

理解：这是一个非常有趣的结论。我们可以从"边"的数量来思考。
- 设树的总节点数为 N N N，度为1的节点数为 n 1 n_1 n1。则 N = n 0 + n 1 + n 2 N = n_0 + n_1 + n_2 N=n0+n1+n2。
- 树中总边数 E E E 等于除了根节点外，每个节点都有一个指向它的入边，所以 E = N − 1 E = N - 1 E=N−1。
- 从另一个角度看，总边数等于所有节点的度之和。 E = ( 0 × n 0 ) + ( 1 × n 1 ) + ( 2 × n 2 ) = n 1 + 2 n 2 E = (0 \times n_0) + (1 \times n_1) + (2 \times n_2) = n_1 + 2n_2 E=(0×n0)+(1×n1)+(2×n2)=n1+2n2。
- 联立两个方程： N − 1 = n 1 + 2 n 2 N - 1 = n_1 + 2n_2 N−1=n1+2n2。
- 将 N = n 0 + n 1 + n 2 N = n_0 + n_1 + n_2 N=n0+n1+n2 代入，得到 ( n 0 + n 1 + n 2 ) − 1 = n 1 + 2 n 2 (n_0 + n_1 + n_2) - 1 = n_1 + 2n_2 (n0+n1+n2)−1=n1+2n2。
- 化简后即可得到： n 0 = n 2 + 1 n_0 = n_2 + 1 n0=n2+1。

2.3 二叉树 vs 普通树

为了加深理解，我们用一个表格来对比二叉树和我们一般意义上说的"树"。

特性	普通树 (General Tree)	二叉树 (Binary Tree)
节点度	任意，可以大于 2	最大为 2
子节点顺序	无序，不区分孩子们的次序	有序，严格区分左、右子树
基本单位	节点	节点（包含左、右指针域）
核心关注点	节点的父子关系	节点的左右子树结构

三、二叉树的特殊形态：满二叉树与完全二叉树

在二叉树家族中，有两个"模范生"因其规整的结构而备受关注。

3.1 完美主义者：满二叉树

3.1.1 定义与图示

满二叉树（Full Binary Tree） ：一棵深度为 k k k 且有 2 k − 1 2^k - 1 2k−1 个节点的二叉树。

通俗地讲，一棵满二叉树的每一层都"塞满"了节点，所有叶子节点都必须在最下层，且所有非叶子节点的度都为2。它像一个完美的等边三角形。
一棵深度为3的满二叉树 3 1 2 4 5 6 7

3.2 实用主义者：完全二叉树

满二叉树的条件过于苛刻，现实中很少见。相比之下，完全二叉树则更为常见和实用。

3.2.1 定义与图示

完全二叉树（Complete Binary Tree） ：设一棵深度为 k k k 的二叉树，其从第 1 层到第 k − 1 k-1 k−1 层都是满的，第 k k k 层的节点从左到右是连续的。

可以想象成给满二叉树的节点从上到下、从左到右依次编号，完全二叉树就是编号从 1 到 n 连续的那些节点构成的树。
❌ 不是完全二叉树 ✅ 是完全二叉树 2 1 3 4 6 7 节点5的位置空缺了 2 1 3 4 5 6

3.2.2 完全二叉树的重要性质

完全二叉树的规整性带来了两条至关重要的性质，这两条性质是**堆（Heap）**这种数据结构能够用数组高效实现的基础。

性质 4 ：具有 n n n 个节点的完全二叉树的深度为 ⌊ log ⁡ 2 n ⌋ + 1 \lfloor \log_2 n \rfloor + 1 ⌊log2n⌋+1。

理解：这是节点数和深度之间最紧凑的关系，因为节点都是挨着排列的。

性质 5 ：如果对一棵有 n n n 个节点的完全二叉树按层序编号（从1开始），则对任一节点 i i i（ 1 ≤ i ≤ n 1 \le i \le n 1≤i≤n）有：

若 i > 1 i > 1 i>1，其父节点（Parent）的编号为 ⌊ i / 2 ⌋ \lfloor i/2 \rfloor ⌊i/2⌋。

若 2 i ≤ n 2i \le n 2i≤n，其左孩子（Left Child）的编号为 2 i 2i 2i；否则无左孩子。

若 2 i + 1 ≤ n 2i+1 \le n 2i+1≤n，其右孩子（Right Child）的编号为 2 i + 1 2i+1 2i+1；否则无右孩子。

3.2.3 为何完全二叉树如此重要？

答案是：性质 5 ！这个性质揭示了在完全二叉树中，节点的物理存储位置（数组下标）与其在逻辑树结构中的父子关系之间存在着简单的数学换算。这意味着，我们不需要使用指针，仅通过数组下标的计算就能找到任意节点的父、子节点。这使得用数组来存储完全二叉树变得异常高效，我们将在下一节详细探讨。

3.3 辨析：满二叉树 vs 完全二叉树

关系：满二叉树是一种特殊的、更完美的完全二叉树。
区别：完全二叉树不要求所有叶子节点都在同一层，最后一层可以不满，但节点必须靠左排列。

四、二叉树的存储结构

理论讲完，我们来看看在代码中如何表示一棵二叉树。

4.1 链式存储法 (Linked Representation)

这是最直观、最常用的方法，类似于链表的实现方式。

4.1.1 节点结构定义

我们定义一个节点类（或结构体），它包含三部分：数据域、指向左孩子的指针和指向右孩子的指针。

java 复制代码

// Java 代码示例：定义二叉树节点
public class TreeNode {
    public int value;          // 节点存储的数据
    public TreeNode left;      // 指向左子树的引用
    public TreeNode right;     // 指向右子树的引用

    public TreeNode(int value) {
        this.value = value;
        this.left = null;
        this.right = null;
    }
}

4.1.2 图解链式结构

一棵逻辑上的二叉树，在内存中通过引用（指针）连接起来，形成如下结构：
value: 10
left: B
right: C value: 5
left: null
right: D value: 15
left: null
right: null value: 7
left: null
right: null

图示：节点 A 的 left 字段存储了节点 B 的内存地址，right 字段存储了节点 C 的内存地址。

4.1.3 优缺点分析

优点：
- 灵活：可以表示任意形状的二叉树。
- 按需分配：内存空间仅与节点数量成正比，不会浪费。
缺点：
- 空间开销：每个节点都需要额外的空间存储两个指针。
- 查找父节点困难：从一个子节点出发，无法直接找到其父节点，除非在节点定义中增加一个父指针。

4.2 顺序存储法（数组表示法）

这种方法主要利用了前面提到的完全二叉树的性质 5。

4.2.1 实现原理

将二叉树的节点按照层序遍历 的顺序存入一个数组中。根节点存放在索引 0 或 1 的位置（以索引 0 为例，父子关系变为：parent = (i-1)/2, left = 2i+1, right = 2i+2）。如果某个位置的节点不存在，则在数组中用一个特殊值（如 null 或 -1）来表示。

4.2.2 图解数组存储

对于下面这棵完全二叉树：
A B C D E F

它的数组表示为：

索引	0	1	2	3	4	5
值	A	B	C	D	E	F

如果树不是完全二叉树，比如缺少了节点 E：
A B C D F

其数组表示将出现"空洞"：

索引	0	1	2	3	4	5
值	A	B	C	D	null	F

4.2.3 适用场景与优缺点

优点：
- 高效寻址：通过下标计算即可快速定位父子节点，无需指针。
- 节省空间（对完全二叉树而言）：无需存储指针，结构紧凑。
缺点：
- 空间浪费：对于非完全二叉树，特别是"倾斜"的树（Skewed Tree），会浪费大量数组空间。例如，一个只有右孩子的链状树，会造成指数级的空间浪费。
- 不灵活：数组大小固定，插入和删除节点可能涉及大量元素移动。

4.3 存储方式的选择

对比维度	链式存储 (Linked)	顺序存储 (Array)
适用树形	任意形状的二叉树	完全二叉树或接近完全二叉树
内存使用	节点数 * (数据大小 + 2*指针大小)	严重依赖树的形态，最坏情况可能极大
查找父节点	困难（O(n)），除非加父指针	极快（O(1)），通过下标计算
查找子节点	极快（O(1)），通过指针访问	极快（O(1)），通过下标计算
插入/删除	相对容易，修改指针即可	困难，可能涉及数组扩容和元素移动

核心思想 ：当你的应用场景能保证树的形态始终是完全二叉树 时（如堆），顺序存储是最佳选择。在其他大多数情况下，链式存储是更通用、更安全的选择。

五、总结

今天我们系统地学习了二叉树这一至关重要的数据结构，现在我们来梳理一下核心要点：

二叉树的核心定义 ：它是一个递归定义的、每个节点最多有两个有序子节点（左、右）的树结构。这个"有序"是其区别于普通树的关键。
三大基本性质：我们掌握了关于节点数、深度、叶子节点之间关系的三个基本性质，它们是进行算法分析的理论基础。
两种特殊形态 ：我们辨析了满二叉树 （完美形态）和完全二叉树 （实用形态）。尤其是完全二叉树，它的节点编号与父子关系间的数学规律，是理解堆和数组存储的关键。
两种存储结构 ：我们探讨了链式存储 和顺序（数组）存储。链式存储灵活通用，适用于任何二叉树；顺序存储则在处理完全二叉树时，凭借其高效的寻址能力和空间效率大放异彩。

二叉树的大门已经向您敞开。然而，仅仅定义和存储它还不够，如何有效地访问和操作树中的每一个节点，即"遍历"，才是发挥其威力的下一步。在下一篇文章**【数据结构与算法-Day 21】中，我们将深入探索二叉树的深度优先搜索（DFS）**，学习经典的前序、中序、后序三种遍历方式。敬请期待！