数据结构

目录

二叉排序树的增删改查

平衡二叉树AVL

红黑树

B树

散列表

散列表与hashMap

---

二叉排序树的增删改查

平衡二叉树AVL

1.插入时单旋转
1）若当前节点，| 左子树高度-右子树高度 | >1，则开始准备旋转
a.若当前节点的左孩子的左孩子leftLeft高度 > leftRight ，则左单旋转
b.若当前节点的右孩子的右孩子rightRight高度 > rightLeft，则右单旋转
c. 若当前节点的左孩子的左孩子leftLeft高度 < leftRight , 则先将leftRight一支右单旋转，再整体左 单旋转
d.若当前节点的右孩子的右孩子rightRight高度 < rightLeft, 则先将rightLeft一支左单旋转，再整体

balance的代码为：

单旋转的代码为：

双旋转代码为：

红黑树

红黑树是AVL树的变种，其操作最坏情形下为log2N
1.红黑树的特征
1）根节点必须是黑色节点
2）从根节点到每一个叶子节点的路径上，都应该有相同的黑色节点
3）红色节点若有子节点，则必须两个子节点均为黑色节点
4）红黑树的高度最多为2log(N+1)
5）红黑树的优点是插入的开销相对低，而查找的效率几乎持平AVL树
2.红黑树的增删改查

 

B树

1.什么是M阶B树

 

散列表

在java中，参与散列的对象必须提供适当的equals方法与hashCode方法，散列表的核心概念为散列函数，冲突处理方法，装填因子，其中影响散列表查找效率的是装填因子，它代表散列表的饱满程度，饱满度越高，冲突可能性越大，查找的难度就越大。
处理冲突方法包括：拉链法和开放地址法，其中hashMap使用的是拉链法
1）拉链法：散列到同一位置的元素形成一个链，最新的元素放在链头，即使用头插法
2）开放地址法：包括线性探测法，平方探测法，再散列法，在频繁出现hash碰撞的情况下，拉链法肯定优于开放地址法

散列表与hashMap

hashMap采用的就是拉链法，涉及数据结构为数组(黄色部分，一格为一个桶)，链表（绿色部分，一格一个节点），红黑树。

分析hashMap的同样从其数据结构开始，包括一些基本性质，基本配置，散列函数，冲突解决方法，装载因子等

基本配置：

 

 

1.二叉查找树是TreeSet和TreeMap的实现基础

1）树如何实现操作系统的文件结构

2）树如何计算算数表达式的值

3）如何利用树支持logN平均时间的各种搜索操作，以及如何达到最坏情况时间界logN，并讨论当数据被存放到磁盘上时如何实现这些操作

4）TreeSet和TreeMap类

2.树的性质

3.二叉树的先序遍历，后序遍历，中序遍历

遍历的时间复杂度均为O(n) ,递归的次数正好是栈的深度

1）先序遍历：对节点的处理工作，在其子节点之前

2）后序遍历：对节点的处理工作，在其子节点之后

3）中序遍历：左中右

4）层次遍历

5）递归算法到非递归算法的转换

由先序遍历+中序遍历，后序+中序，层序+中序 = 唯一确定二叉树

4.二叉树的存储结构

1）顺序存储，用一连串相邻的地址空间存储元素，通过计算空间内的值来确定父子关系，适用于满二叉树和完全二叉树

2）链式存储：二叉链表，拥有n个节点的二叉链表就有n+1个空指针

3）线索二叉树：每一个节点新增全局变量leftTag，rightTag，若节点有左孩子，则leftTag=0，leftChild指向左孩子

，否则leftTag=1，leftChild指向其前驱，其前驱若没有右子树，则它的rightTag置1，rightChild指向其后继，也就是该节点

 

中序线索二叉树建立+遍历代码，线索二叉树的遍历代码，二叉排序树的构建与增删改查

 

1）双亲表示法：一张顺序表分为data和parent域，但这样找到一个双亲节点的所有孩子节点就需要遍历整张表

2）孩子表示法，顺序表存储每个节点，并指向其所有孩子节点的链表头地址，这样找到双亲节点的所有孩子节点就非常简单，叶子节点没有孩子节点，但如果要找到某个孩子节点的双亲节点，就要遍历所有孩子链

3）孩子兄弟表示法，一张图，它又叫二叉链表，任何非空树都可以找到唯一一棵二叉链表与其一一对应

5.二叉查找树=二叉排序树 -> 平衡二叉树（AVL带有平衡条件的二叉查找树）-> 哈夫曼树 (三者均为二叉排序树)

1）二叉排序树的增删改查（如果预先有序的序列形成二叉排序树，其查找效率将退化为O(N)，如果成为平衡二叉树，则效率最高为log2N）

2）平衡二叉树（任意节点的左子树与右子树高度差的绝对值小于1）的增删改查

a.删除分3种情况：若待删除节点 为叶子，则直接删除；只有一个子节点，则父节点直接指向该孩子；有两个子节点，则交换该节点与该节点右子树中序遍历的第一个节点（右子树最小值），然后向其右子树递归删除

b.插入分为3种情况：

单旋转

双旋转

2）左子树与右子树高度差的绝对值小于1，则称为AVL树，平衡二叉树查找效率最高，log2N；单枝二叉树最低，为N

3）如果每个叶子节点的权重X其路径长度之和最小，则称之为哈夫曼树（最优二叉树）

4）哈夫曼算法构造最优二叉树

a.新增一个空节点，从节点集合中取权值最小的两个节点作为该节点的左右孩子，该空节点的权值变为其孩子的和

b.将上述新增空节点加入节点集合中，重复步骤a

B树

1.阶为M的B树的性质

2.访问佛罗里达公民驾驶记录，主键为32个字节，为什么使用B树而不用二叉查找树

3.B树的插入与删除

红黑树

 

2.红黑树的增删改查

增

若新增的节点为黑色节点：这显然不行，因为一旦加入，必然有一条路径黑色节点比其他路径多

若新增的节点为红色节点：

1）若其父节点为黑色节点，则成功加入

2）若其父节点为红色节点，则违反红色节点的孩子必须是黑色节点的原则，开始颜色的改变与树的旋转，参与者为父节点P，祖父节点G，新增叶子节点X，叔父节点S

a.若叔父节点S为黑色节点（空节点也作黑色处理），则开始单旋转或双旋转，并把新的根涂为黑色

b.若叔父节点S为红色节点，把根涂为黑色会导致出现两个相连的红色节点，所以根必须是红色。此时若曾祖父也是红色，那又得继续调整，这就叫上滤

散列表

由于不论线性表还是树，其查找都需要比对，如有一种key-value关系能直接查找到值，那就是散列表

 

泛型

1.泛型的主要目的是规定容器能持有什么样的对象，由编译器来保证类型的正确性

2.泛型容器能持有基类时，也能持有其子类

 

数组

1.数组是一个高效存储，随机访问的线性表，这种性能的代价是数组只能固定大小

2.数组中可以持有基本类型

3.数组中的数据类型必须为具体类型，无法通过new T[10] 这种形式创建泛型数组，但可以创建泛型数组的引用，如T[] a ，并通过它对非泛型数组进行转型

4.协变性

a是b的子类，则f(a)是f(b) 的子类

逆变性

a是b的子类，而f(a)是f(b) 的父类

数组具有协变性，即如下是正确的

B[] bs = new A[10];

泛型集合不具有协变性，即如下是错误的，会在编译期产生异常

List<B> bs = new ArrayList<A>

5.数组常用方法

//数组复制，指定新数组长度，如果新数组大于老数组，则填充0，效率高于for循环复制 Arrays.copyOf(int[] original, int newLength) //先判断数组大小是否相等，再挨个对比内部元素a==b //如果要深入对比里面的对象内容是否相等，需要重写equals和hasCode方法 Arrays.equals() //排序，如果要按对象的某个属性进行排序，该对象需要实现Comparable接口 Arrays.sort()

排序

1.1）几种容易算法均以o(n^2)完成排序

2）部分比较复杂的算法以o(nlogn) 完成排序

3）内排序，所有操作都在内存中完成

4）外排序，由于数据量太大，因此把数据放在磁盘中，而排序通过磁盘和内存的数据传输才能进行

5）时间复杂度：一个算法执行所消耗的时间

6）空间复杂度：运行一个程序所需要的内存大小

2.插入排序

1）插入排序由n-1趟排序组成，每插入一个数算一趟，每一趟完成一次排序

2）第N趟处理第N-1个元素，由于前N-2个元素已然有序，所以需要将第N-1个元素前移直到其正确位置，然后所有更大的元素后移一个位置

3.冒泡排序

1）比较相邻的元素，若第一个比第二个大，则交换他们两个

2）对每一对相邻的元素重复上述操作，到了最后，最大的肯定是最后一个

3）针对所有元素重复以上的步骤，除了最后那个，因为最后那个已经是最大的了

4）重复步骤1-3，直到排序完成

平均时间复杂度o（n^2），属于稳定排序，属于内部排序

4.选择排序

最简单的排序，不断从无序序列中找出最小（大）的元素，构成另外一个有序的序列，时间复杂度为o(n^2)，是不稳定的

5.希尔排序

希尔排序是对插入排序的一种优化，平均时间复杂度o(nlogn)，显然他是不稳定的

6.归并排序

归并排序在时间复杂度上优于选择排序，选择排序是稳定o(n^2)，而归并排序是稳定o(nlogn），但它需要额外的内存空间，该算法是采用分治法的一个非常典型的应用

1）将

7.快速排序

快速排序也使用分治法，案例如下，平均时间复杂度为o(nlogn)

1）分别申请两个指针low和high，分别指向头和尾，并取low的值为基准数

2）从末端开始，若high的值>基准值，则high--，否则用high的值替换low指向的数

3）再交替为前端开始，若low的值<high的值，则low++，否则用low的值替换high的值

4）如此往复，直到low=high，则这个位置就是基准值得位置，最后小于基准值得数在基准值左边，大于基准值的数在基准值右边

5）递归处理左侧子序列和右侧子序列