红黑树

红黑树（不必细抠实现，理解思路应该够了）

什么是“平衡二叉查找树”？

平衡二叉树的严格定义是这样的：二叉树中任意一个节点的左右子树的高度相差不能大于1。

完全二叉树、满二叉树其实都是平衡二叉树，但是非完全二叉树也有可能是平衡二叉树。

 

但是很多平衡二叉查找树其实并没有严格符合上面的定义（树中任意一个节点的左右子树的高度相差不能大于 1），比如我们下面要讲的红黑树，它从根节点到各个叶子节点的最长路径，有可能会比最短路径大一倍。

 

 发明平衡二叉查找树这类数据结构的初衷是，解决普通二叉查找树在频繁的插入、删除等动态更新的情况下，出现时间复杂度退化的问题。

如何定义一棵“红黑树”？

平衡二叉查找树其实有很多，比如， Splay Tree （伸展树）、 Treap（树堆）等，但是我们提到平衡二叉查找树，听到的基本都是红黑树。它的出镜率甚至要高于 “ 平衡二叉查找树 ” 这几个字，有时候，我们甚至默认平衡二叉查找树就是红黑树，那我们现在就来看看这个 “ 明星树 ” 。

 

红黑树的英文是 “Red-Black Tree” ，简称 R-B Tree 。它是一种不严格的平衡二叉查找树.

顾名思义，红黑树中的节点，一类被标记为黑色，一类被标记为红色。除此之外，一棵红黑树还需要满足这样几个要求：

• 根节点是黑色的；
• 每个叶子节点都是黑色的空节点（NIL），也就是说，叶子节点不存储数据；
• 任何相邻的节点都不能同时为红色，也就是说，红色节点是被黑色节点隔开的；
• 每个节点，从该节点到达其可达叶子节点的所有路径，都包含相同数目的黑色节点；

这里的第二点要求 “ 叶子节点都是黑色的空节点 ” ，主要是为了简化红黑树的代码实现而设置的.

为什么说红黑树是“近似平衡”的？

平衡二叉查找树的初衷，是为了解决二叉查找树因为动态更新导致的性能退化问题。所以， “ 平衡 ” 的意思可以等价为性能不退化。 “近似平衡 ” 就等价为性能不会退化的太严重。

二叉查找树很多操作的性能都跟树的高度成正比。一棵极其平衡的二叉树（满二叉树或完全二叉树）的高度大约是 log 2 n，所以如果要证明红黑树是近似平衡的，我们只需要分析，红黑树的高度是否比较稳定地趋近 log 2 n 就好了。

我们来看，如果我们将红色节点从红黑树中去掉，那单纯包含黑色节点的红黑树的高度是多少呢？

红色节点删除之后，有些节点就没有父节点了，它们会直接拿这些节点的祖父节点（父节点的父节点）作为父节点。所以，之前的二叉树就变成了四叉树。

前面红黑树的定义里有这么一条：从任意节点到可达的叶子节点的每个路径包含相同数目的黑色节点。我们从四叉树中取出某些节点，放到叶节点位置，四叉树就变成了完全二叉树。所以，仅包含黑色节点的四叉树的高度，比包含相同节点个数的完全二叉树的高度还要小。

完全二叉树的高度近似 log 2 n ，这里的四叉 “ 黑树 ” 的高度要低于完全二叉树，所以去掉红色节点的 “ 黑树 ” 的高度也不会超过 log 2 n 。

我们现在知道只包含黑色节点的 “ 黑树 ” 的高度，那我们现在把红色节点加回去，高度会变成多少呢？

从上面我画的红黑树的例子和定义看，在红黑树中，红色节点不能相邻，也就是说，有一个红色节点就要至少有一个黑色节点，将它跟其他红色节点隔开。红黑树中包含最多黑色节点的路径不会超过 log 2 n ，所以加入红色节点之后，最长路径不会超过 2log2n ，也就是说，红黑树的高度近似 2log 2 n 。

所以，红黑树的高度只比高度平衡的 AVL 树的高度（ log 2 n）仅仅大了一倍，在性能上，下降得并不多。这样推导出来的结果不够精确，实际上红黑树的性能更好。

为什么在工程中大家都喜欢用红黑树这种平衡二叉查找树？

树堆（ Treap） 、伸展树（ Splay Tree） ，绝大部分情况下，它们操作的效率都很高，但是也无法避免极端情况下时间复杂度的退化。尽管这种情况出现的概率不大，但是对于单次操作时间非常敏感的场景来说，它们并不适用。

AVL 树是一种高度平衡的二叉树，所以查找的效率非常高，但是，有利就有弊， AVL树为了维持这种高度的平衡，就要付出更多的代价。每次插入、删除都要做调整，就比较复杂、耗时。所以，对于有频繁的插入、删除操作的数据集合，使用 AVL 树的代价就有点高了。

红黑树只是做到了近似平衡，并不是严格的平衡，所以在维护平衡的成本上，要比 AVL 树要低。

所以，红黑树的插入、删除、查找各种操作性能都比较稳定。对于工程应用来说，要面对各种异常情况，为了支撑这种工业级的应用，我们更倾向于这种性能稳定的平衡二叉查找树。

实现红黑树的基本思想

• 根节点是黑色的；
• 每个叶子节点都是黑色的空节点（NIL），也就是说，叶子节点不存储数据；
• 任何相邻的节点都不能同时为红色，也就是说，红色节点是被黑色节点隔开的；
• 每个节点，从该节点到达其可达叶子节点的所有路径，都包含相同数目的黑色节点。

在插入、删除节点的过程中，第三、第四点要求可能会被破坏，而 “ 平衡调整 ” ，实际上就是要把被破坏的第三、第四点恢复过来。

两个非常重要的操作，左旋（ rotate left ）、右旋（ rotate right）。左旋全称其实是叫围绕某个节点的左旋，那右旋则是围绕某个节点的右旋。

插入操作的平衡调整

红黑树规定，插入的节点必须是红色的。而且，二叉查找树中新插入的节点都是放在叶子节点上。所以，关于插入操作的平衡调整，有这样两种特殊情况：

• 如果插入节点的父节点是黑色的，那我们什么都不用做，它仍然满足红黑树的定义。
• 如果插入的节点是根节点，那我们直接改变它的颜色，把它变成黑色就可以了。

除此之外，其他情况都会违背红黑树的定义，于是我们就需要进行调整，调整的过程包含两种基础的操作：左右旋转和改变颜色。

红黑树的平衡调整过程是一个迭代的过程。我们把正在处理的节点叫作关注节点。关注节点会随着不停地迭代处理，而不断发生变化。最开始的关注节点就是新插入的节点。

新节点插入之后，如果红黑树的平衡被打破，那一般会有下面三种情况。我们只需要根据每种情况的特点，不停地调整，就可以让红黑树继续符合定义，也就是继续保持平衡。

我们下面依次来看每种情况的调整过程。为了简化描述，我把父节点的兄弟节点叫作叔叔节点，父节点的父节点叫作祖父节点。

CASE 1 ：如果关注节点是 a ，它的叔叔节点 d 是红色，我们就依次执行下面的操作：

• 将关注节点a的父节点b、叔叔节点d的颜色都设置成黑色；
• 将关注节点a的祖父节点c的颜色设置成红色；
• 关注节点变成a的祖父节点c；
• 跳到CASE 2或者CASE 3。

CASE 2 ：如果关注节点是 a ，它的叔叔节点 d 是黑色，关注节点 a 是其父节点 b 的右子节点，我们就依次执行下面的操作：

• 关注节点变成节点a的父节点b；
• 围绕新的关注节点b左旋；
• 跳到CASE 3。

CASE 3 ：如果关注节点是 a ，它的叔叔节点 d 是黑色，关注节点 a 是其父节点 b 的左子节点，我们就依次执行下面的操作：

• 围绕关注节点a的祖父节点c右旋；
• 将关注节点a的父节点b、兄弟节点c的颜色互换。
• 调整结束。

删除操作的平衡调整

红黑树插入操作的平衡调整还不是很难，但是它的删除操作的平衡调整相对就要难多了。不过原理都是类似的，我们依旧只需要根据关注节点与周围节点的排布特点，按照一定的规则去调整就行了。

删除操作的平衡调整分为两步：

第一步是针对删除节点初步调整。初步调整只是保证整棵红黑树在一个节点删除之后，仍然满足最后一条定义的要求，也就是说，每个节点，从该节点到达其可达叶子节点的所有路径，都包含相同数目的黑色节点；

第二步是针对关注节点进行二次调整，让它满足红黑树的第三条定义，即不存在相邻的两个红色节点。

1.针对删除节点初步调整

这里需要注意一下，红黑树的定义中 “ 只包含红色节点和黑色节点 ”，经过初步调整之后，为了保证满足红黑树定义的最后一条要求，有些节点会被标记成两种颜色， “ 红 - 黑 ” 或者 “ 黑 - 黑 ” 。如果一个节点被标记为了 “ 黑 - 黑 ” ，那在计算黑色节点个数的时候，要算成两个黑色节点。

在下面的讲解中，如果一个节点既可以是红色，也可以是黑色，在画图的时候，我会用一半红色一半黑色来表示。如果一个节点是 “ 红 - 黑 ” 或者 “ 黑 - 黑 ”，我会用左上角的一个小黑点来表示额外的黑色。

CASE 1 ：如果要删除的节点是 a ，它只有一个子节点 b ，那我们就依次进行下面的操作：

• 删除节点a，并且把节点b替换到节点a的位置，这一部分操作跟普通的二叉查找树的删除操作一样；
• 节点a只能是黑色，节点b也只能是红色，其他情况均不符合红黑树的定义。这种情况下，我们把节点b改为黑色；
• 调整结束，不需要进行二次调整。

CASE 2 ：如果要删除的节点 a 有两个非空子节点，并且它的后继节点就是节点 a 的右子节点 c 。我们就依次进行下面的操作：

• 如果节点a的后继节点就是右子节点c，那右子节点c肯定没有左子树。我们把节点a删除，并且将节点c替换到节点a的位置。这一部分操作跟普通的二叉查找树的删除操作无异；

• 然后把节点c的颜色设置为跟节点a相同的颜色；
• 如果节点c是黑色，为了不违反红黑树的最后一条定义，我们给节点c的右子节点d多加一个黑色，这个时候节点d就成了“红-黑”或者“黑-黑”；
• 这个时候，关注节点变成了节点d，第二步的调整操作就会针对关注节点来做。

CASE 3 ：如果要删除的是节点 a ，它有两个非空子节点，并且节点 a 的后继节点不是右子节点，我们就依次进行下面的操作：

• 找到后继节点d，并将它删除，删除后继节点d的过程参照CASE 1；
• 将节点a替换成后继节点d；

• 把节点d的颜色设置为跟节点a相同的颜色；
• 如果节点d是黑色，为了不违反红黑树的最后一条定义，我们给节点d的右子节点c多加一个黑色，这个时候节点c就成了“红-黑”或者“黑-黑”；
• 这个时候，关注节点变成了节点c，第二步的调整操作就会针对关注节点来做。

2.针对关注节点进行二次调整

CASE 1 ：如果关注节点是 a ，它的兄弟节点 c 是红色的，我们就依次进行下面的操作：

• 围绕关注节点a的父节点b左旋；
• 关注节点a的父节点b和祖父节点c交换颜色；
• 关注节点不变；
• 继续从四种情况中选择适合的规则来调整。

CASE 2 ：如果关注节点是 a ，它的兄弟节点 c 是黑色的，并且节点 c 的左右子节点 d 、 e 都是黑色的，我们就依次进行下面的操作：

• 将关注节点a的兄弟节点c的颜色变成红色；
• 从关注节点a中去掉一个黑色，这个时候节点a就是单纯的红色或者黑色；
• 给关注节点a的父节点b添加一个黑色，这个时候节点b就变成了“红-黑”或者“黑-黑”；
• 关注节点从a变成其父节点b；
• 继续从四种情况中选择符合的规则来调整。

CASE 3 ：如果关注节点是 a ，它的兄弟节点 c 是黑色， c 的左子节点 d 是红色， c 的右子节点 e 是黑色，我们就依次进行下面的操作：

• 围绕关注节点a的兄弟节点c右旋；
• 节点c和节点d交换颜色；
• 关注节点不变；
• 跳转到CASE 4，继续调整。

CASE 4 ：如果关注节点 a 的兄弟节点 c 是黑色的，并且 c 的右子节点是红色的，我们就依次进行下面的操作：

• 围绕关注节点a的父节点b左旋；
• 将关注节点a的兄弟节点c的颜色，跟关注节点a的父节点b设置成相同的颜色；
• 将关注节点a的父节点b的颜色设置为黑色；
• 从关注节点a中去掉一个黑色，节点a就变成了单纯的红色或者黑色；
• 将关注节点a的叔叔节点e设置为黑色；
• 调整结束。

讨论

一：我说的 case3 的情况是表示老师的画的那个图， case3 图的例子根节点到左边叶子节点只经过 2 个黑色节点，到右边叶子节点却经过了 3 个黑色节点。

二：我这里就大概说下吧（一家之言，自己的一点经验，也希望别的同学来一起讨论）：

1. 左旋右旋这个，个人还是认为要画图，不画图我自己也写不出那个代码 …… 哈哈。

2. 说到插入删除的算法，我说用到了递推，就比如插入的 CASE1 的情况， CASE1的处理之后，关注节点从本身变成了他的祖父节点（红色节点），这就是往根节点递推。不过我认为 CASE1 处理过一次之后，不一定会进入 case2 或者 case3 ，是有可能还在 case1 的。

换句话说，就是可以在 case1 的情况下，一直往根节点走，因为当前节点永远是红色，所以在最后要把根节点涂黑。同时，只要进入到 case2,case3的情况，就是变成平衡二叉树的单旋和双旋的情况，双旋的处理逻辑就是把双旋变成单旋（比如先右后左旋就是把树变成 “ 左撇子 ”）。这个就变成了单左旋能一步到位处理的平衡了，这个就是归纳。把未知情况转化为已知，如果我没有记错的话，数学归纳法的核心思想就是递推和归纳。

3.其实我们只要记住，除了关注的节点所在的子树，其他的子树本身都是一颗红黑树，他们是满足红黑树的所有特征的。当关注节点往根节点递推时，这个时候关注节点的子树也已经满足了红黑树的定义，我们就不用再去特别关注子树的特征。只要注意关注节点往上的部分。这样就能把问题简化，思考的时候思路会清晰一些。

4. 再说到删除算法，我看到很多同学没理解为什么要红 - 黑，黑 - 黑节点的出现。这里我的看法是，红黑树最不好控制的其实是最后一个的性质 4（每个节点，从该节点到达其可达叶子节点的所有路径，都包含相同数目的黑色节点），因为你永远不知道别的子树到底有多少个黑色节点。这里加入红 - 黑，黑 -黑节点就可以控制红黑树满足性质 4 ，到时候要恢复颜色，只要去掉多余的黑色即可。

接下来的处理思路就是要满足： 1. 每个节点不是红的就是黑的， 2. 相邻节点不能是红的。这个思路计时变复杂为简单。

删除的 case1 情况，并没有真正处理，而且为了进入接下来的 case2,case3,case4 ，这里又是之前说到的归纳思想。 case2的情况又是一个递推思路，关注节点往根节点递推，让其左右子树都满足红黑树的定义。因为往上推，右子树多了一个黑色节点，就把关注节点的兄弟节点变红，使其满足性质 4.

删除的 case3 是为了进入 case4 ，提前变色的原因和 case2 是一样的，都是为了满足性质 4 。同样是归纳推理的思路。都要记住一点，各种 case下的其他子树节点都满足红黑树的定义，需要分类讨论的，都在这几种 case 情况中了。

4.最后的建议，其实说了这么多，很多的表达都不太清楚，但是个人感觉，数学基础好的同学，理解红黑树会好一些，学习的时候多画画图，人对图形的敏感肯定比文字高，另外的就是大家可以去看看源码，本人是做 java 开发的， jdk1.8 的 treemap就是用红黑树实现的，跟着源码多看看，跟着老师的说明或者百度上的教程思考，动笔画画图，都能理解的。我自己看 jdk源码的也是看了将近两个月才大概明白（因为也在上班，只有晚上有一些时间来看看代码）。学习 的过程中要耐心，学习红黑树本身也不是为了 “ 默写 ” ，而是去学习思想，锻炼思维，复杂问题简单化，新问题转化为已解决过的问题等等。其实说到最后， 都是用到了数学的思维，这些思维都会在潜移默化中影响到自己。