m数据结构 day20 查找（三）二叉查找树：动态查找中最重要的数据结构

引入

之前两篇关于查找的博文讲的都是静态查找表，一般都是线性表，查找和修改很方便，但是插入和删除就不方便了，插入或删除数据后要保证查找表仍然有序，对于静态查找表是不好做到的，因为要涉及大量元素的移动（数组实现线性表）或者一些指针的改动和大量比较操作。

插入和删除操作频繁的查找表，应该用动态查找表（需要在查找时插入或者删除的查找表）实现。静态查找表一般使用便于随机访问的线性表数据结构实现，而动态查找表则使用便于插入和删除的非线性数据结构实现，比如用二叉树，注意一般不会用m元树（m>2）。

本文的主角，二叉查找树，也叫做二叉排序树，就是第一种要介绍的动态查找表。

定义（递归）

从第三点性质可以看到，二叉查找树也用递归实现定义。

虽然名字叫做二叉排序树，但是主要目的并不是为了排序哦，所以大名是二叉查找树，小名才是二叉排序树，毕竟确实也实现了排序，就把排序当做一个副产品好啦

用一个例子来比较线性表和二叉树的插入操作的难易

如果用线性表，第三个元素58小于62，如果用数组实现线性表，则需要把62和88往后移动；如果用链表，这里即头插。但是后面每一个元素都需要和前面已有的所有元素一一对比，比较操作太多了，不过链表的插入倒也不算特别麻烦，但是肯定是不可能用数组的····

用二叉树，第一个元素62作为根节点，第二个元素88大于62，于是作为右孩子，第三个元素58小于62，于是作为左孩子······，新元素的插入非常方便，比较操作又好实现又好理解，并且比较操作的数量很少——等于待查找结点在二叉查找树的层数。所以比较次数最少为1次（待查找结点就是根节点），次数最多为树的深度（待查找结点是最深的叶子结点）。

对二叉查找树进行中序遍历，就可以得到从小到大的排列顺序的线性序列。

代码

二叉树的结点，二叉树

这是表示二叉树的结点的结构体，BiTree是指向二叉树结点的指针，所以二叉树实际上是用二叉链表实现的哦，要知道本质

typedef struct BiTNode
{
	ElemType data;
	struct BiTNode * lchild, * rchild;
}BiTNode, *BiTree;

查找操作（递归）

/*在二叉查找树T中查找关键字key*/
/*f指向T的父亲，初次调用时其值是NULL，因为初次调用时T指向根节点，根节点没有父亲*/
/*T指向当前查找子树的根节点*/
/*如果找到了key,则p指向该元素所在结点的地址；否则，p指向查找路径上访问的最后一个结点*/
bool SearchBST(BiTree T, BiTree f, int key, BiTree * p)
{
	if (!T)//当前查找的子树为空，查找失败，返回
	{
		*p = f;//查找路径的最后一个结点是当前查找子树T的父亲
		return false;
	}
	if (key == T->data)//如果T指向的数据刚好就是关键字，查找成功
	{
		*p = T;
		return true;
	}
	if (key < T->data)//关键字小于T指向的数据，则递归查找T的左子树
		return SearchBST(T->lchild, T, key, p);
    if (key > T->data)
		return SearchBST(T->rchild, T, key, p);
}

插入操作（基于查找找到的位置）

基于查找，先找找是否已经存在，不存在才插入。

p是查找路径的最后一个结点，它决定了新结点的插入位置

/*不存在关键字Key，则插入并返回true;否则返回false*/
bool InsertBST(BiTree *T, int key)
{
	BiTree * p = NULL;//p是查找路径的最后一个结点，它决定了新结点的插入位置
	if (SearchBST(*T, NULL, key, p))//已经存在
		return false;
	//建立新结点
	BiTree s;
	s = (BiTree)malloc(sizeof(BiTNode));
	s->data = key;
	//把结点插入到正确位置
	if (*p)//p是空指针，则这棵树是空树，插入为根结点
		*T = s;
	else if (key < p->data)//插为p指向结点的左孩子
		p->lchild = s;
	else if (key > p->data)
		p->rchild = s;
	return true;
}

删除操作（难咯）

难在删除之后留下的二叉树，仍然是一棵二叉查找树。

删除叶子结点（最简单）

因为删除叶子并不会影响其他部分的结构

待删除结点只有左子树，或者只有右子树（较简单）

直接把左子树或右子树搬到待删除结点的位置，独子承父业

待删除结点既有左子树又有右子树（难）：用待删除结点的直接前驱或直接后继替代它，可报二叉树其他部分的结构不变

选一个子树代替待删除结点，把另一棵子树的所有结点依次重新插入到二叉树中（不好）

如果待删除结点有两个孩子，那么我们最直观想到的办法就是：随便选一个子树来代替待删除结点，然后把另一棵子树的所有结点依次重新插入到二叉树中。

这么做，确实可以实现目的，但绝对不是什么好办法，因为另一棵子树的结点也许很多，更重要的是，这样做有可能会加深树的高度！！！这是我们绝对不想看到的后果，后面我们还要专门研究平衡二叉树，目的就是要让树的高度尽量小，让树尽量平衡，而不要出现左重右轻或者右重左轻的情况（最极端的是左斜树和右斜树）。

用直接前驱或直接后继替代(好)

观察发现，用左子树的37，或者右子树的48直接替代待删除结点，可以保证二叉树其他部分结构不变，还是一棵二叉排序树，并且深度只可能降低或者不变，绝不对增高。

其实，对二叉排序树进行中序遍历得到的线性序列中，左子树的37正是待删除结点的直接前驱，右子树的48正是待删除结点的直接后继。

需要注意的是，直接前驱也许不是叶子结点，而是有左子树的结点（一定没有右子树），所以拿他们替换待删除结点时，相当于要删除他们自己，所以要把左子树移动到直接前驱结点处。同样的，直接后继也可能有右子树，要拿右子树替换直接后继结点。

怎么找一个结点的直接前驱：从左子树根节点出发，一路向右直到尽头

那么怎么找一个结点的直接前驱呢？

肯定不需要把整棵树中序遍历一次。

找直接前驱：
由于直接前驱比自己小，在左子树中，但是它一定是左子树中最大的元素，所以从左子树的根节点出发，一路沿着右边往下找，直到尽头，就是直接前驱。

找直接后继：
同理，直接后继是右子树中最小的元素，所以从右子树的根结点出发，一路沿着左边走，直到尽头。

这也是下面的代码的关键。

删除操作的代码

综合三种情况

/*如果有key,则删除并返回true；否则返回false*/
bool DeleteBST(BiTree T, int key)
{
	BiTree * p = NULL;
	if (!SearchBST(T, NULL, key, p))//没找到
		return false;
	//如果找到了，则p一定不是空指针，且指向待删除结点
	DeleteNode(p);
}

bool DeleteNode(BiTree * p)
{
/*删除结点p*/
	//待删除结点是叶子,或者待删除结点只有一个子树
	BiTree s;
	if (!p->lchild)
	{
		s = *p;//存住待删除结点的地址
		*p = (*p)->rchild;
		free(s);
		return true;
	}
	if (!p->rchild)
	{
		s = *p;
		*p = (*p)->lchild;
		free(s);
		return true;
	}
	//两个子树均非空,则从左子树找待删除结点的直接前驱（或者从右子树找直接后继）
	BiTree q;
	if ((*p)->lchild && (*p)->rchild)
	{
		s = (*p)->lchild;
		q = *p;
		while (s->rchild)
		{
			q = s;
			s = s->rchild;
		}
		//此时s指向待删除结点的直接前驱,q是s的父亲
		(*p)->data = s->data;
		if (q==*p)//待删除结点的直接前驱的父亲就是待删除结点，则重接q的左子树
			q->lchild = s->lchild;
		else 
			q->rchild = s->lchild;//重接q的右子树
		free(s);
		return true;
	}	
}

其中第一个函数也可以这么写：

bool DeleteBST(BiTree T, int key)
{
	if (!T)
		return false;
	if (key == T->data)//查找成功
		return DeleteNode(T);
	if (key < T->data)
		return DeleteBST(T->lchild, key);
	if (key > T->data)
		return DeleteBST(T->rchild, key);
}

这样就和查找的代码几乎一样，就不调用查找函数，自己查找了。

二叉查找树的查找性能不稳定，引出平衡二叉树的设计需求

前面说了，二叉查找树中比较次数最少是1，最多是树的深度。听起来感觉好像还行，但是如果二叉树是一个极端的右斜树或者左斜树，这个最坏就坏到了极致，直接差到和顺序查找一样了！所以我们希望树不要走极端，尽量平衡一些，以减小树的深度，从而优化二叉查找树的查找效率。

二叉查找树的查找性能取决于二叉树的形状，可二叉树的形状不是确定的！所以查找性能也不稳定

再举一个例子（图来自B站）

再比如（图来自B站）

可以看到，同样一组数据，用不同的顺序建树，得到的树的形状不同，查找效率也不同。所以我们当然要想办法，尽量去建出一个AVL更小的树，这样的树其实就是比较平衡的树，即下一篇博文的主角，平衡二叉树。