数据结构

本文所有代码及笔记已上传至GitHub：https://github.com/yan7Cara/DataStructure

一.复杂度

1.时间复杂度：估算程序指令的执行次数（执行时间）
2.空间复杂度：估算所需占用的存储空间
3.一般用大O来描述复杂度 他表示的是数据规模n对应的复杂度 忽略常数 低阶 系数 对数阶一般忽略底数
4.

二.动态数组ArrayList

1.数据结构是计算机存储、组织数据的方式 一般有：线性结构（线性表 数组 链表 栈 堆队列 哈希表/散列表）树型结构（并查集 哈弗曼树 trie 堆 B树 红黑树 AVL树 二叉树） 图形结构（邻接表 邻接矩阵）
2.线性表：具有n个相同类型元素的有限序列（n>=0）
3.数组是一种顺序存储的线性表 所有元素的内存地址是连续的
4.数组的缺点：无法动态修改容量 于是有了动态数组
5.动态数组的成员变量会自动初始化 int类型自动初始化为0 对象类型自动初始化为null
6.动态数组的缺点：可能会造成内存空间的大量浪费（？因为他可以自动扩容 缩容 也许他扩容后压根用不到扩容的那么多？）
7.动态数组的扩容 缩容 见IDEA
（1）扩容：只要扩容的倍数乘以缩容的时机不为1 则可避免复杂度震荡
扩容因子（扩容的倍数）：1.5
扩容原理：创建一个新的数组 容量为旧数组的1.5倍 然后将旧数组的元素依次放在新数组中
（2）缩容：缩容时机：1/2
缩容原理：创建一个新的数组 容量为旧数组的0.5倍 然后将旧数组的元素依次放在新数组中

三.链表Linkedlist

1.链表可以用到多少内存就申请多少内存
2.链表：链式存储的线性表 所有元素的内存地址不一定连续
3.单向链表中的每一个节点中存放：本节点的内容 下一个节点的地址
4.虚拟头结点：不存储数据 仅仅为了统一处理节点
5.双向链表中的每一个节点中存放：本节点的内容 下一个节点的地址 上一个节点的地址
6.双向链表比单向链表的操作数量缩小了一半
7.动态数组和双向链表的比较：
（1）动态数组：开辟、销毁内存空间的次数相对较少，但可能造成内存空间浪费（可以通过缩容解决）
（2）双向链表：开辟、销毁内存空间的次数相对较多，但不会造成内存空间的浪费

8.单向循环链表：每一个节点中存放：本节点的内容 下一个节点的地址 但最后一个节点中存储的下一个节点的地址不是null 而是第一个节点的位置
9.双向循环链表：每一个节点中存放：本节点的内容 下一个节点的地址 上一个节点的地址 但第一个节点存储的上一个节点的地址不是null 而是最后一个节点的地址 最后一个节点中存储的下一个节点的地址不是null 而是第一个节点的位置
10.循环链表：约瑟夫问题
11.静态链表：用数组来实现链表

四.栈

1.入栈 出栈 后进先出 只能在一端进行操作

2.可通过动态数组 链表来实现栈
3.栈的应用：浏览器的前进后退 软件的撤销 恢复

五.队列

1.队尾添加（入队） 队头移除（出队） 只能在两端进行操作 先进先出

2.双向链表实现队列 也可以用动态数组 链表
3.双端队列：能在头尾两端进行添加 删除
4.循环队列：用动态数组实现的队列
5.循环双端队列：可以进行两端添加 删除操作的循环队列
以上两种队列中计算真实索引的方法

六.树

1.节点的度：子树的个数
2.树的度：所有节点度中的最大值
3.节点的深度：从根节点到当前节点的唯一路径上的节点总数
4.节点的高度：从当前节点到最远叶子节点的路径上的节点总数
5.树的深度：所有节点深度中的最大值
6.树的高度：所有节点高度中的最大值
7.树的深度=树的高度
8.有序树：树中任意节点的子节点之间有顺序关系
9.树中任意节点的子节点之间没有顺序关系 也称自由树
10

11.二叉树的性质

12.

13.

14.

15.

16.

17.

七.二叉搜索树BST

1.在 n 个动态的整数中搜索某个整数？（查看其是否存在）使用二叉搜索树，添加、删除、搜索的最坏时间复杂度均可优化至：O(logn)
2.二叉搜索树又称二叉查找树 二叉排序树 是二叉树的一种
3.任意一个节点的值都大于其左子树所有节点的值
4.任意一个节点的值都小于其右子树所有节点的值
5.左右子树也是一棵二叉搜索树
6.二叉搜索树存储的元素必须具备可比较性 不允许元素为null
7.添加（若这个节点已经存在 则覆盖它的值）：找到父节点 查看添加到父节点的哪个位置
8.删除：
（1）若节点为叶子节点：判断该叶子节点是其父节点的左子节点还是右子节点 然后让其父节点的左/右子节点置空 若该叶子节点的父节点为null 则表明该树只有这一个节点 删除节点就是将root置空
（2）若节点度为1 即只有一个子节点：判断该节点是其父节点的左子节点还是右子节点
判断该节点的着唯一一个子节点是自己的左子节点还是右子节点
然后用子节点代替原节点的位置 即该节点的父节点的左/右子节点=该节点的子节点的左/右子节点
该节点的子节点的左/右子节点的父节点=该节点的父节点的左/右子节点 若该节点是根节点 即该节点的父节点为null
那么root=该节点的左/右子节点 该节点的左/右子节点的父节点=null
（3）若节点度为2 即有左右两个子节点：先用该节点的前驱/后继节点的值覆盖该节点的值 然后删除相应的前驱/后继节点
若一个节点的度为2 那么他的前驱/后继节点的度只能为1或0
9.找前驱节点：前驱节点：中序遍历时的前一个节点
（1）有左子节点：那么左子节点的最后一个右子节点（此时遍历完左子节点）就是该点的前驱节点
（2）没有左子节点：该节点的前驱节点一定是他的父节点或祖父节点 但是可能他在他的父节点的左边 那他的父节点肯定不是他的前驱节点 因为要先遍历该节点再遍历该节点的根节点（这里也就是他的父节点）所以该节点的前驱节点可能是他的祖父节点 但是可能他的父节点还是他的祖父节点的左子节点 由于要先遍历完该节点的左子节点才遍历该子节点 所以要找他的父节点是他的祖父节点的右子节点 从父节点 祖父节点中寻找前驱节点
10.找后继节点：前驱节点：中序遍历时的后一个节点 思想同找前驱节点 想不到就看ppt

八.二叉树

1.二叉树的遍历：
（1）前序遍历：树状结构展示（注意左右子树的顺序）
（2）后序遍历：先子后父的操作
（3）中序遍历：二叉搜索树的中序遍历按升序或者降序处理节点
（3）层序遍历（必须背下来）：计算二叉树的高度 判断一棵树是否为完全二叉树
实现思路：使用队列
1.将根节点入队
1.循环执行以下操作 直到队列为空
（1）将队头节点A出队 进行访问
（2）将A的左子节点入队
（3）将A的右子节点入队
按照上述步骤：最初root入队 此时队列只有root 不为空 将root出队进行操作 然后将root的左子节点A入队 将root的右子节点B入队
此时队列不为空 队头A出队 进行操作 将A的左子节点C入队 将A的右子节点D入队 队列不为空 队头B出队 进行操作
将B的左子节点E入队 将A的右子节点F入队 此时队列不为空 有CDEF 如此循环遍历
2.计算二叉树的高度：根节点入队 队列不为空 队列弹出根节点 本层元素数量-1 队列空 根节点的左节点入队 根节点的右节点入队 由于此时levelSize=0 意味着要访问下一层 将队列的长度赋值给levelSize 并且高度+1 因为队列不为空 所以弹出根节点的左节点 levelSize-1 根节点的左节点的左节点入队 根节点的左节点的右节点入队 此时levelSize不为0且队列不为空 弹出根节点的右节点 levelSize-1 此时levelSize=0 根节点的右节点的左节点入队 根节点的右节点的右节点入队 此时levelSize为0 意味着要访问下一层 将队列的长度赋值给levelSize 并且高度+1 如此循环 最后返回height
3.判断是否为完全二叉树：根节点入队 队列不为空 leaf=false 若根节点的左子节点不为空 则入队 若根节点的左子节点为空 右子节点不为空 则不是完全二叉树 若根节点的右子节点不为空 则入队：
（1）若根节点的右子节点为空 则leaf=true 根节点的左子节点出队 因为完全二叉树的叶子节点只会出现在最后两层 所以此时根节点的左子节点必须是叶子节点 才是完全二叉树 因为leaf=true就代表了上一个节点（此处为根节点）的右子节点为空 即叶子节点 若此时根节点的左子节点不是叶子节点 则不是完全二叉树
（2）若根节点的右子节点不为空 则继续循环遍历
4.后/前+中 可以构造出唯一的一棵二叉树
若是真二叉树 前+后 可以构造出唯一的一棵二叉树 否则不唯一

九.平衡二叉搜索树BBST

1.如果从小到大添加节点 那么可能出现树失衡 退化成链表 删除节点也可能会导致失衡

所以，在节点的添加、删除操作之后，想办法让二叉搜索树恢复平衡（减小树的高度）。最理想的平衡就是像完全二叉树、满二叉树那样，高度最小。我们并不一定要树达到最理想的平衡状态 因为这样付出的代价太大 我们只要用尽量少的调整次数达到适度平衡即可 一棵达到适度平衡的树称为平衡二叉树BBST
2.常见的BBST：AVL树 红黑树

十.AVL树

1.最早的自平衡二叉搜索树
2.

3.

4.解决失衡：旋转

十一.B树

1.平衡的多路搜索树，多用于文件系统、数据库的实现
2.B树的性质
（1）1 个节点可以存储超过 2 个元素、可以拥有超过两个子节点
（2）平衡，每个节点的所有子树高度一致
3.

4.

5.搜索

6.添加（可能产生上溢）
新添加的元素必定是添加到叶子节点
上溢：添加后节点数量超过限制 m阶B树非根节点存储元素的个数范围：m/2-1<=x<=m-1 所以非根节点产生上溢时 节点个数必为m 上图为4阶B树 若加入51 则会产生上溢
7.处理上溢

8.删除（可能产生下溢）
真正的删除元素都发生在叶子节点中
删除的情况：
（1）假如需要删除的元素在叶子节点中
（2）

下溢：叶子节点被删除后可能会导致节点的数量低于最低限制m/2-1 下溢节点的元素数量必然等于m/2-2
9.处理下溢
（1）

（2）

十二.红黑树

1.

这五条性质可以保证红黑树等价位4阶B树 所以红黑树是平衡的
2.

3.添加：
添加的所有情况：
1.若parent是black 不用操作 直接返回
2.若parent是red 添加后有两种情况：（1）添加后不会溢出（2）添加后会溢出
判定这两种情况的条件是：添加的节点的uncle节点是不是red 若不是则不溢出 若是则溢出
（1）添加后不会溢出 即添加的节点的uncle节点不是red
parent染成BLACK，grand染成red 此时若为LL：grand进行右旋 若为RR：grand进行左旋 若为LR：parent左旋 grand右旋
若为RL：parent右旋 grand左旋
（2）添加后会溢出 即添加的节点的uncle节点是red
parent、uncle 染成BLACK grand染成RED，向上合并 当成新添加的节点进行处理
4.删除：B树中 真正的删除元素都发生在叶子节点中
删除的所有情况：
1.若删除的节点是red 直接删除
2.若删除的节点是black：
（1）拥有2个RED子节点的BLACK节点：会找到他的子节点（前驱/后继节点）覆盖他 然后删除子节点（前驱/后继）
子节点肯定是red 直接用第一种情况来处理
（2）拥有1个RED子节点的BLACK节点：判定条件：用以替代的子节点是red。删除black节点 将替代的子节点染成black
（3）black叶子节点：删除后可能会导致下溢 也可能不会导致下溢
a.兄弟节点为black 且兄弟节点至少有一个RED子节点
删出后进行旋转 若为LL：兄弟节点的子节点进行右旋 若为RR：兄弟节点的子节点进行左旋 若可能为RR或RL 则选择RR
对兄弟节点的子节点进行左旋 若可能为LL或LR 则选择LL 对兄弟节点的子节点进行右旋
旋转之后的中心节点继承他的父节点的颜色 旋转之后的左右子节点染为black
b.兄弟节点为black 且兄弟节点没有RED子节点：删除后兄弟节点染red 父节点染black
（2）兄弟节点为red：兄弟节点染black 父节点染red 进行旋转 于是又回到兄弟节点是black的情况 按上述处理
5.

6.红黑树的添加默认会查重 去除重复

十三.集合Set

1.集合：不存放重复元素 常用于去重
2.可用动态数组 链表 二叉搜索树（AVL树 红黑树）实现 listSet treeSet

十四.映射Map/字典

1.key唯一
2.可用链表 二叉搜索树（AVL树 红黑树）实现 treeMap treeMap添加 删除 搜索的平均时间复杂度都是O(n) 若用hash表来实现map 则添加 删除 搜索的平均时间复杂度都可以优化到O(1)
3.Map 的所有 key 组合在一起，其实就是一个set 因此 set可以间接利用map来做内部实现

十五.Hash表

1.hash表也叫散列表
2.空间换时间的典型应用
3.哈希函数也叫散列函数
4.哈希表内部的数组元素叫桶 整个数组叫桶数组
5.哈希冲突也叫哈希碰撞：两个不同的key经hash函数计算出相同的结果

6.

7.

8.如何生成key的hash值：尽量让每个hash值唯一 尽量让key的所有信息参与运算
（1）key为整数：hash值就是他本身
（2）key为浮点数：浮点数转为整数 hash值就是这个整数
（3）key为long：高32位^（异或）低32位=32位的hash值
（4）key为double：double转long 然后高32位^（异或）低32位=32位的hash值
（5）key为字符串：

素数和其他数相乘的结果比其他方式更容易产生唯一性 减少hash冲突
（6）key为自定义对象：上一个数据的hashcode*31+下一个数据的hashcode 拼接在一起形成最终的hashcode
9.hashMap的key必须实现hashCode equals方法 允许key为null 自定义对象必须自己实现hashCode equals方法 允许key为null
10.实现equals方法

11.
12.

13.
14.treeMap VS HashMap

15.LinkedHashMap：在HashMap的基础上维护元素的添加顺序 使得遍历的结果是遵从添加顺序的
16.HashMap底层由红黑树实现

十六.二叉堆

1.

2.应用：从海量数据中找出前K个数据 使用堆
3.

4.

5.最大堆添加：

6.最大堆删除（下滤）
7.批量建（最大）堆：自上而下的上滤 自下而上的下滤


8.

十七.优先级队列

优先级队列：普通的队列是先进先出 优先级队列则是按照优先级高低进行出队 比如将优先级最高的元素作为队头优先出队
优先级队列的实现：二插堆 把优先级最高/最低的元素放在堆顶 然后直接remove堆顶元素即可实现出队

十八.哈夫曼树

1.又叫霍夫曼树 最优二叉树
2.哈夫曼编码

3.如何构建一棵哈夫曼树


4.构建哈夫曼编码

十九.Trie

1.也叫字典树 前缀树 单词查找树
2.搜索效率和字符串的长度有关
3.主要用于查找某棵树中是否包含某单词 或是否以某单词/字母开头
4.根节点为空 啥也不放 根节点到子节点的线上存放字母 节点存放：值 是否为最后一个单词 父节点 子节点
5.trie的每一个节点包括：
parent：父节点 方便删除
boolean word：若为true 则代表该节点是单词的最后一个字母 该单词结尾了
V value：用于存储该节点的值 在test中 cat的值是1 最后一个字母是t 那么t所在节点Word=true value=1
HashMap<Character, Node> children：用于存储子节点 键是字符 值是子节点
character：每个节点对应的字符
6.添加：
思路：在trie中查找是否存在key：
1.存在且t对应的节点的Word为true 表明存在cat单词 用传入的value覆盖原来的value
2.存在且t对应的节点的Word为false 表明存在cat开头的单词 将t对应的节点的Word改为true
3.存在c/ca开头的单词 但不存在cat 添加
4.不存在c开头的单词 依次添加cat
7.删除：
先遍历查找key 若不存在key 则直接返回null
若存在key且key的最后一个字母所在节点有子节点 则将key的最后一个字母所在节点的Word变为false 清空value
若存在key且key的最后一个字母所在节点没有子节点 先将最后一个字母所在节点删除 再判断该节点是否有兄弟节点
若有 则结束 若没有 则判断该节点的父节点是否有兄弟节点 如此循环