1 字典树
1.1 特点
又叫Trie树、前缀树(Prefix Tree)、单词查找树或键树,是一种多叉树结构
1.2 对比树、二叉搜索树
(1)树
(2)二叉搜索树
1.3 基本结构
(1)基本结构
(2)真实的字典树
上图是一棵Trie树,表示了关键字集合{“a”, “to”, “tea”, “ted”, “ten”, “i”, “in”, “inn”} 。从上图可以归纳出Trie树的基本性质。
1.4 基本性质
1.5 核心思想![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/0603445c64d0279c8a35b8f39ce1abe4.png#pic_center)
1.6 场景
(1)搜索前缀匹配、字符串检索、词频统计、字符串排序等
1.8 结点的内部实现
1.9 典型案例
LogUtils.d(TAG, "208. 实现 Trie (前缀树) + 插入:${trie.insert("apple")}")
LogUtils.d(TAG, "208. 实现 Trie (前缀树) + 查找:${trie.search("apple")}")
class Trie {
private var root: TrieNode = TrieNode()
/**
* 插入
*
* 时间复杂度:O(m),其中m为键长。在算法的每次迭代中,我们要么检查要么创建一个节点,直到到达键尾。只需要m次操作。
* 空间复杂度:O(m)。最坏的情况下,新插入的键和Trie树中已有的键没有公共前缀。此时需要添加m个结点,使用O(m)空间。
*
* @param word
*/
fun insert(word: String) {
var node: TrieNode? = root
for (c in word) {
if (!node!!.containsKey(c)) {
node.put(c, TrieNode())
}
node = node.get(c)
}
node!!.isEnd = true
}
/**
* 在trie中搜索前缀或整个键,返回搜索结束的节点
*
* 时间复杂度 : O(m)。算法的每一步均搜索下一个键字符,最坏的情况下需要m次操作。
* 空间复杂度 : O(1)。
*
* @param word
* @return
*/
private fun searchPrefix(word: String): TrieNode? {
var node: TrieNode? = root
for (c in word) {
node = if (node!!.containsKey(c)) { node.get(c) } else { return null }
}
return node
}
/**
* 返回单词是否在单词中
*
* @param word
* @return
*/
fun search(word: String): Boolean {
val node = searchPrefix(word)
return node != null && node.isEnd
}
/**
* 返回trie中是否有以给定前缀开头的任何单词
*
* 时间复杂度 : O(m)
* 空间复杂度 : O(1)
*
* @param prefix
* @return
*/
fun startsWith(prefix: String?): Boolean {
val node = searchPrefix(prefix!!)
return node != null
}
class TrieNode {
var array = arrayOfNulls<TrieNode>(26)
var isEnd = false
fun containsKey(ch: Char): Boolean {
return array[ch - 'a'] != null
}
fun get(ch: Char): TrieNode? {
return array[ch - 'a']
}
fun put(ch: Char, node: TrieNode?) {
array[ch - 'a'] = node
}
}
}
2 并查集
1.1 场景
1.2 基本操作
1.3 步骤
1.4 模板
class UnionFind(n: Int) {
private var count = 0
private var parent: IntArray
/**
* 用 parent 数组记录每个节点的父节点,相当于指向父节点的指针,所以 parent 数组内实际存储着一个森林(若干棵多叉树)
* 构造函数,n 为图的节点总数
* @param x
* @return
*/
init {
// 一开始互不连通
count = n
parent = IntArray(n)
// 父节点指针初始指向自己
for (i in 0 until n) parent[i] = i
}
/**
* 返回某个节点 x 的根节点
* @param x
* @return
*/
fun find(x: Int): Int {
// 根节点的 parent[x] == x
var x = x
while (parent[x] != x) {
// 进行路径压缩
parent[x] = parent[parent[x]]
x = parent[x]
}
return x
}
/**
* 合并
* @param p
* @param q
*/
fun union(p: Int, q: Int) {
val rootP = find(p)
val rootQ = find(q)
if (rootP == rootQ) return
// 将两棵树合并为一棵
parent[rootP] = rootQ
count--
}
}