二叉查找树（三）：插入和分析

1. 基本实现（二）：插入 - put()

在进入插入操作的讲解之前，大家可以思考这么一个问题：

插入和查找究竟有什么区别呢？

其实两者的区别不是特别大，对于插入操作，我们也需要知道插入到哪里？而这个过程就是查找的过程。等找到了插入的位置了，那就简单了，我们只需要在这个位置插入新的节点，并从下至上（Bottom-up）更新每个节点的节点数即可。

那么我们把上节中 查找 - get() 的伪代码拿过来：

1. 如果当前root.key < key，则所查找的key应该在root的右子树，因为右子树的所有节点都大于root；
2. 相反如果当前的root.key > key，则所查找的key应该在root的左子树，因为左子树的所有节点都小于root；
3. base case（返回条件）则有两种：1）当root.key == key，在BST中找到key，则返回root.val；2）root == null，则BST中没有找到key，则返回null；

我们可以注意到，对于 插入 - put() ，我们只需要修改base case就可以了：

1. 如果当前root.key < key，则所插入的key应该在root的右子树，因为右子树的所有节点都大于root；
2. 相反如果当前的root.key > key，则所插入的key应该在root的左子树，因为左子树的所有节点都小于root；
3. base case（返回条件）则有两种：1）当root.key == key，在BST中找到key，则更新root.val；2）root == null，则BST中没有找到key，则返回新建的节点；

还是不太能理解的童鞋，可以看看下面图例¹来加深印象：

那么相应的代码也不成问题啦哒，代码结构和查找 - get() 非常相似：

    /**
     * update the number of children that the root has
     * */

    protected MapTreeNode<K, V> updateSize( MapTreeNode<K, V> root ) {
        root.numberOfChildren = size( root.left ) + size( root.right ) + 1;
        return root;
    }
    
    /**
     * put key -> val into this BST
     * */

    public void put( K key, V val ) {
        root = put( root, key, val );
    }

    private MapTreeNode<K, V> put( MapTreeNode<K, V> root, K key, V val ) {
        // base case, attach the new node to this position
        if ( root == null ) return new MapTreeNode<K, V>( ID++, key, val );

        int res = compareKeys( root, key );
        // the node should be attached in the left subtree
        if ( res > 0 ) root.left =  put( root.left, key, val );
        // the node should be attached in the right subtree
        else if ( res < 0 ) root.right = put( root.right, key, val );
        // added before, update value
        else root.val = val;

        return updateSize( root );
    }

最后我们使用二叉查找树的标准索引用例轨迹¹，来完整看看整个插入操作的流程，大家也可以把这个例子作为练习，检验一下自己的掌握程度：

2. 分析

这部分的分析仅作简单的BST分析，不涉及过于复杂的分析，有兴趣的童鞋，可以参考一下教材这部分对应的内容：3.2.2 分析¹

这里着重关注的是BST的最好、平均和最差情况。最好情况下，BST的结构非常的匀称，也就是一棵完整二叉搜索树（Complete Binary Search Tree)：¹

而一般情况，BST的结构接近完美情况：¹

最后是最差情况，这种结构的BST和一个数组是没有任何区别的：¹

通过上面图例的直观认识，我们可以推测，完美情况的BST的查找和搜索时间是O(logn)，一般情况的BST接近O(logn)，但最差情况的BST退化到O(n)。当数据量非常巨大的时候，O(n)的时间效率也是非常慢的，这个我们会在BST和红黑树的性能测试中，进行直观的感受。

讲解进行到这里，想必大家到BST有了一定程度的认识和了解，那么接下来，我们将进入BST中比较难的 删除 - delete() 的讲解。

---

上一节：二叉查找树（二）：大小和查找
下一节：二叉查找树（四）：删除和性能分析
系列汇总：超详细！红黑树详解文章汇总（含代码）

3. 特别感谢

1. 感谢 @SENNICHEN 制作系列文章封面图

4. 免责声明

※ 本文之中如有错误和不准确的地方，欢迎大家指正哒~
※ 此项目仅用于学习交流，请不要用于任何形式的商用用途，谢谢呢；

---

---

1. Algorithms 4th Edition ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎