数据结构-二叉树及其拓展

最新推荐文章于 2025-05-20 22:15:23 发布

佩可official

最新推荐文章于 2025-05-20 22:15:23 发布

阅读量923

点赞数 18

分类专栏：数据结构文章标签：数据结构

本文链接：https://blog.csdn.net/2401_84199532/article/details/148084313

版权

数据结构专栏收录该内容

4 篇文章

订阅专栏

前言：

二叉树是数据结构中最重要的非线性结构之一，其分层特性和递归定义使其成为理解树、图等复杂结构的基础。本文将系统介绍二叉树的核心概念、分类及进阶拓展（如平衡树、B 树等），并通过 Python 代码演示关键操作的实现，帮助读者建立从理论到实践的完整认知。

一、二叉树的本质定义与核心特性

1.1 定义：

二叉树是一种分层的树状数据结构，每个节点最多有两个子节点，分别称为左子节点和右子节点。其递归定义为：

空树是二叉树；

若 T 是非空树，则 T 由根节点、左子树 TL 和右子树 TR 组成，且 TL 和 TR 均为二叉树。

1.2 核心特性：

1、每个节点度≤2：节点的子节点数量只能是 0、1 或 2。

2、有序性：左子树和右子树是有序的（交换左右子树会形成不同的二叉树）。

3、分层结构：具有根节点（第 1 层），每一层节点最多有 2^(i-1) 个（i 为层数）。

二、二叉树的分类：从特殊到一般

2.1满二叉树

定义：除最后一层外，所有层的节点都有两个子节点，且最后一层节点全为叶子节点（无任何子节点）。

数学特征：若高度为 h，则总节点数为 2^h - 1（h≥1）。

特点：每层节点 “填满”，无空缺，适合用链式存储或完全二叉树的顺序存储。

2. 2完全二叉树

定义：除最后一层外，其余层节点数均达到最大值，且最后一层节点从左到右连续存在（不允许中间有空缺）。

关键性质：

可使用顺序存储结构（数组）高效表示，根节点索引为 0，左子节点为 2i+1，右子节点为 2i+2。高度为 h 的完全二叉树节点数范围：2^(h-1) ≤ n < 2^h。

2.3 平衡二叉树

定义：任意节点的左、右子树高度差不超过 1。

典型实现：

AVL 树：严格平衡，通过旋转（LL、RR、LR、RL）保持平衡，插入 / 删除时最多旋转 2 次。

红黑树：弱平衡（最长路径 ≤ 最短路径的 2 倍），通过颜色标记（红 / 黑）和少量旋转实现高效平衡，应用更广泛（如 Java 的TreeMap）。

作用：避免退化为链表，保证搜索、插入、删除的时间复杂度为 O(log n)

三、二叉树核心操作的代码实现（Python）

3.1节点定义与树构建

class TreeNode:
    def __init__(self, val=0, left=None, right=None):
        self.val = val    # 节点值
        self.left = left  # 左子节点
        self.right = right# 右子节点

# 示例：构建一棵简单二叉树
#      根节点 1
#     /      \
#    2        3
#   / \
#  4   5
root = TreeNode(1)
root.left = TreeNode(2)
root.right = TreeNode(3)
root.left.left = TreeNode(4)
root.left.right = TreeNode(5)

3.2深度优先遍历（DFS）

# 前序遍历（根→左→右）
def preorder(root):
    if root:
        print(root.val, end=' ')
        preorder(root.left)
        preorder(root.right)

# 中序遍历（左→根→右）
def inorder(root):
    if root:
        inorder(root.left)
        print(root.val, end=' ')
        inorder(root.right)

# 后序遍历（左→右→根）
def postorder(root):
    if root:
        postorder(root.left)
        postorder(root.right)
        print(root.val, end=' ')

3. 3广度优先遍历（BFS，层序遍历）

        return []
    queue = deque([root])
    result = []
    while queue:
        level_size = len(queue)
        level = []
        for _ in range(level_size):
            node = queue.popleft()
            level.append(node.val)
            if node.left:
                queue.append(node.left)
            if node.right:
                queue.append(node.right)
        result.append(level)
    return result

四、二叉树的进阶结构与应用

4.1 AVL 树：严格平衡的二叉搜索树

特性：左右子树高度差不超过 1，通过旋转保持平34衡。

旋转类型：

LL 旋转（左左插入）：右单旋，调整失衡节点的左子3树。

RR 旋转（右右插入）：左单旋，调整失衡节点的右子3树。

LR 旋转（左右插入）：先左后右双旋，调整失衡节点的左子树的右子3树。

RL 旋转（右左插入）：先右后左双旋，调整失衡节点的右子树的左子3树。

应用：早期数据库索引，需频繁查询但较少插入 / 删除的场景。

4.2 红黑树：高效的弱平衡树

核心规则：

节点非红即黑，根节点和叶子节点（虚拟 NULL）为黑色。

红色节点的子节点必须为黑色，任意路径上黑色节点数相同。

插入修复逻辑：若父节点为红色，根据叔叔节点颜色调整：

叔叔为黑色：通过旋转（左旋 / 右旋）调整颜色，恢复平衡。

叔叔为红色：父、叔变黑，祖父变红，递归处理祖父；

应用：Java 的TreeMap、C++ 的std::map、Linux 内核调度器。

4.3 B 树与 B + 树：适合磁盘存储的多叉树

B 树：

结构：每个节点包含多个键值对，子节点数介于\(m/2\)和m之间（m 为阶数）。

操作：插入时若节点满则分裂，删除时若节点不足则合并，保证树高为 (O (\log_m n)7)。

B + 树：

特性：所有数据存储在叶子节点，叶子节点通过链表连接，支持高效范围查78询。

应用：数据库索引（如 MySQL 的 InnoDB 引擎）、文件系统（如 NTFS8）。

4.4 哈夫曼树：最优前缀编码

构建步骤：将所有节点按权重排序，每次选取权重最小的两个节点作为左右子树，合并为父节点（权重为两者之和）；重复直至形成单棵树，左路径编码为 0，右路径编码为 1。

import heapq

class HuffmanNode:
    def __init__(self, val, freq):
        self.val = val
        self.freq = freq
        self.left = self.right = None

def build_huffman_tree(frequencies):
    heap = [HuffmanNode(char, freq) for char, freq in frequencies.items()]
    heapq.heapify(heap)
    while len(heap) > 1:
        left = heapq.heappop(heap)
        right = heapq.heappop(heap)
        parent = HuffmanNode(None, left.freq + right.freq)
        parent.left, parent.right = left, right
        heapq.heappush(heap, parent)
    return heap[0]