【玩转数据结构Part5】线段树/Trie(字典树)

线段树

线段树不是完全二叉树，
线段树是平衡二叉树

Trie（字典树 / 前缀树）

https://blog.csdn.net/johnny901114/article/details/80711441

Trie是多叉树。
Trie和字典的区别：如果有n个条目，使用字典查询（底层是二叉树），查询的时间复杂度为O（logn），而Trie
查询每个条目的复杂度，与字典中一共有多少条目无关，只与要查询的字符串长度w有关，时间复杂度为O（w）。
用Trie实现字符串查找，性能比集合好。

节点的定义：

class TrieNode: # Trie字典树的最基本单元Node的定义
    def __init__(self):
        self.isword = False # 表示从根节点到该节点组成的字符串是否为一个word
        self.next = {}  # 是一个映射（字典）(因为Trie是多叉树，每个节点有多个后继节点)

添加字符串

def add(self, word): # 往Trie中添加一个字符串，要把字符串拆成字符，将字符做成节点，加入Trie
    cur_node = self.root
    for ch in word: # 遍历字符串中的每个字符
        if not cur_node.next.get(ch):
            cur_node.next[ch] = TrieNode()
        cur_node = cur_node.next[ch]

    if not cur_node.isword:  # 当遍历完字符串时，先判断该字符串是否已经在Trie中了，确保不会添加重复的单词
        cur_node.isword = True
        self.size += 1

查询字符串

查询Trie中是否包含某一个单词

def contains(self,word): # 查询Trie中是否包含某一个单词
    cur_node = self.root
    for ch in word:
        if not cur_node.next.get(ch):
            return False
        cur_node = cur_node.next[ch]
    return cur_node.isword

查询前缀

在Trie中查找，是否有单词以prefix为前缀

def isPrefix(self, prefix): # 在Trie中查找，是否有单词以prefix为前缀
    cur_node = self.root
    for ch in prefix:
        if not cur_node.next.get(ch):
            return False
        cur_node = cur_node.next[ch]
    return True

总结

Trie的局限性

Trie最大的问题：空间。

解决方法：

• 压缩字典树，压缩字典树就是将多个单节点压缩在一起，一定程度上节省了空间，但是维护的成本更高
• Ternary Search Trie（三分搜索字典树）

扩展：后缀树。