0. 前言
在前面我们系统掌握了线性结构、树形结构、哈希结构等主流数据结构，能够解决遍历、查找、排序、去重、映射等绝大多数基础问题。但在算法刷题、图论工程场景中，还有一类高频且专属的经典问题：动态连通性问题。
例如：判断两点是否连通、合并两个集合、统计连通块数量、判断是否成环、最小生成树构建等。这类问题如果用DFS、BFS暴力遍历，不仅代码繁琐、逻辑复杂，且时间复杂度极高，大数据场景极易超时。
为此，数据结构专门设计了一种极简、高效、专门处理集合合并与查询 的结构------并查集（DSU，Disjoint Set Union）。
并查集是一种树型集合管理结构，核心只有两个操作：合并、查询。配合路径压缩、按秩合并两大优化，时间复杂度无限接近O(1)，是图论基础、LeetCode刷题、面试手撕、最小生成树算法的核心前置知识。
很多学习者只会写朴素版并查集，不懂优化原理、分不清秩与高度、不会统计连通块、无法解决判环问题、不理解Kruskal算法底层依托。
今天我们从零吃透并查集全套体系，从朴素原理、两大核心优化、万能代码模板、经典刷题模型、工程图论应用到面试满分问答，一次性彻底掌握并查集所有考点。
1. 并查集核心本质
1.1 核心作用
并查集专门用于管理不相交的集合，高效解决两大核心问题：
-
查询：判断两个元素是否属于同一个集合（是否连通）；
-
合并：将两个独立的集合合并为一个集合。
全程无需遍历、无需递归，通过数组映射树形关系，实现极致高效的集合管理。
1.2 底层结构
并查集底层依托数组 实现，不依赖复杂容器。定义 parent\[\] 数组：parentx 代表元素 x 的父节点。
核心规则：
-
若 parentx == x，说明 x 是当前集合的根节点；
-
所有元素最终都会指向唯一根节点，同根即为同集合、连通；
-
不同根节点代表属于不同独立集合。
2. 朴素版并查集（无优化）
朴素版并查集包含初始化、查找、合并三个基础函数，逻辑简单，但存在树形退化问题，大数据场景效率低下。
2.1 初始化
每个元素初始独立成集合，自己是自己的父节点。
cpp
const int N = 100010;
int parent[N];
// 初始化
void Init(int n)
{
for(int i = 1; i <= n; i++)
{
parent[i] = i;
}
}2.2 查找函数（递归找根）
层层向上递归，直到找到根节点（parentx == x）。
cpp
int Find(int x)
{
if(parent[x] == x)
return x;
// 递归向上找根
return Find(parent[x]);
}2.3 合并函数
分别找到两个元素的根节点，将其中一个根的父节点指向另一个根，完成集合合并。
cpp
void Union(int x, int y)
{
int fx = Find(x);
int fy = Find(y);
if(fx != fy)
{
parent[fx] = fy;
}
}2.4 朴素版致命缺陷
无优化情况下，合并操作可能导致树形结构退化为链表，查找时需要层层递归遍历，时间复杂度劣化为 O(n)，无法适配大数据量刷题场景。
3. 两大核心优化（进阶必懂）
并查集能够成为算法神器，核心依靠两大优化：路径压缩 与按秩合并。优化后时间复杂度趋近于常数 O(1)（阿克曼函数反函数，几乎恒定）。
3.1 路径压缩（最核心、必加优化）
核心思想 ：在查找根节点的过程中，将路径上所有结点的父节点直接指向根节点，彻底拉直树形结构，后续查询一步直达。
路径压缩是收益最高、零成本、必须默认开启的优化，单次操作即可永久优化后续所有查询。
cpp
// 路径压缩优化查找
int Find(int x)
{
if(parent[x] != x)
{
parent[x] = Find(parent[x]); // 递归回溯，路径拉直
}
return parent[x];
}3.2 按秩合并（平衡树高）
路径压缩会打乱树的高度，单纯路径压缩在极端场景仍存在轻微效率损耗。按秩合并用于控制树的高度，避免单侧树过长。
秩（rank）可以理解为树的高度或集合节点数量，核心规则：小树合并到大树下，矮树合并到高树下，保证树高始终最小。
cpp
int rank_[N]; // 秩数组，记录树的高度
// 初始化增加秩初始化
void Init(int n)
{
for(int i = 1; i <= n; i++)
{
parent[i] = i;
rank_[i] = 1; // 初始高度为1
}
}
// 按秩合并
void Union(int x, int y)
{
int fx = Find(x);
int fy = Find(y);
if(fx == fy) return;
// 矮树合并到高树下面
if(rank_[fx] < rank_[fy])
parent[fx] = fy;
else
{
parent[fy] = fx;
// 等高合并，树高+1
if(rank_[fx] == rank_[fy])
rank_[fx]++;
}
}4. 并查集万能最终模板（刷题直接拷贝）
结合路径压缩 + 按秩合并，适配所有并查集题型，支持连通性查询、集合合并、连通块统计、判环等全套功能。
cpp
#include <iostream>
using namespace std;
const int N = 100010;
int parent[N];
int rank_[N];
// 初始化并查集
void DSU_Init(int n)
{
for(int i = 1; i <= n; ++i)
{
parent[i] = i;
rank_[i] = 1;
}
}
// 查找 + 路径压缩
int DSU_Find(int x)
{
if(parent[x] != x)
parent[x] = DSU_Find(parent[x]);
return parent[x];
}
// 合并 + 按秩合并
void DSU_Union(int x, int y)
{
int fx = DSU_Find(x);
int fy = DSU_Find(y);
if(fx == fy) return;
if(rank_[fx] < rank_[fy])
parent[fx] = fy;
else
{
parent[fy] = fx;
if(rank_[fx] == rank_[fy])
rank_[fx]++;
}
}
// 判断是否连通
bool IsConnect(int x, int y)
{
return DSU_Find(x) == DSU_Find(y);
}5. 四大经典刷题模型（全覆盖考点）
5.1 模型一：连通性判定模型
场景：给定多点多边，判断两点是否连通、查询连通状态。
思路：遍历所有边执行合并操作，最终通过根节点比对判定连通。
5.2 模型二：连通块计数模型
场景：统计整张图中有多少个独立不连通的集合。
思路：遍历所有节点，统计「自己是自己父节点」的根节点数量，即为连通块个数。
5.3 模型三：无向图判环模型
场景：判断无向图是否存在环路。
思路 ：对每条边的两个节点查询根节点，若未合并前已经同根，说明两点已连通，再次连边必然成环。
5.4 模型四：最小生成树（Kruskal算法）
场景：求解无向带权图的最小生成树总权值。
核心依托并查集 ：将所有边按权值升序排序，从小到大依次选边，不连通则合并、连通则跳过，最终选出n-1条边构成最小生成树。并查集是Kruskal算法的唯一核心数据结构。
6. 高频坑点汇总（刷题避坑）
-
忘记初始化：多组测试用例必须重置parent、rank数组，否则数据残留导致答案错误；
-
查找不写路径压缩：朴素查找大数据量超时，刷题必须默认开启路径压缩；
-
混淆秩与节点数：秩代表树高，不是节点数量，不要自定义错误合并逻辑；
-
判环逻辑写反：必须先查询、再合并，同根即存在环；
-
下标越界：并查集节点多从1开始，遍历范围不要从0开始出错。
7. 面试满分问答（必背）
Q1：并查集的核心原理与作用？
并查集是管理不相交集合的树形数据结构，核心支持集合合并与连通性查询。通过父节点数组维护集合关系，配合路径压缩、按秩合并优化，将时间复杂度压缩至近似O(1)，高效解决连通性判定、连通块统计、图判环、最小生成树等问题。
Q2：路径压缩和按秩合并的作用？
路径压缩用于拉直树形路径，让所有节点直接指向根，极致优化查询速度；按秩合并用于控制树的高度，避免单侧树退化。二者结合彻底杜绝链表退化问题，保证并查集常数级效率。
Q3：并查集时间复杂度是多少？
严格来说是阿克曼函数的反函数 α(n)，增长极度缓慢，日常所有数据场景下等价于常数 O(1)，是复杂度最低的图论基础结构。
Q4：Kruskal算法为什么需要并查集？
Kruskal算法核心是选边避环，需要快速判断两个顶点是否连通、避免成环，并查集可以高效完成连通查询与集合合并，是该算法的唯一最优底层支撑。
Q5：并查集能否处理有向图？
不能。并查集只适用于无向图的等价连通关系，无法处理有向图的单向指向关系、传递关系。
8. 全文总结
今天我们彻底吃透了并查集（DSU）完整知识体系。从朴素版原理、路径压缩与按秩合并两大核心优化、刷题万能模板，到连通性判定、连通块统计、图判环、最小生成树四大经典模型，全覆盖刷题与面试考点，彻底掌握图论最基础、最高效的集合管理结构。
并查集代码极简、效率极高、适用性极强，是算法竞赛、笔试刷题、后端工程图论建模的必备基础，从此所有连通性问题无需DFS/BFS暴力遍历，一行并查集即可高效解决。