数据结构-跳表

跳表（skip list）

增删改查时间复杂度都是 O(logn)：

• 查询时间复杂度：就是跳表的高度 O(logn)
• 增删改时间复杂度:
  先查询到目标节点，然后对其增删改，复杂度=查询+增删改
  因为是链表，增删改的时间复杂度为常数级别，所有最终增删改总的时间复杂度就是查询的时间复杂度，也就是 O(logn)

空间复杂度：O(n)

使用场景：
适合查询多，增删改少的场景，因为增删改需要修改索引
具体用到跳表的地方：
redis的zset数据结构
查询引擎：ElasticSearch
noSQL数据库HBase 、Google 开源的 key/value 存储引擎 LevelDB

设计原理：
给链表加索引，比如下面的例子中，每两个节点取一个索引
第一层索引：1、4、7、9、13、17、
第二层索引：1、7、13、

查询时就从最上面一层索引开始往下查找，比如查找的是5，比1大接着和7比，比7小则往下。
和4比，比4大比7小接着往下，最后找打5.

跳表索引动态更新：随机函数

当我们不停地往跳表中插入数据时，如果我们不更新索引，就有可能出现2 个索引结点之间数据非常多的情况。
极端情况下，跳表还会退化成单链表。
作为一种动态数据结构，我们需要用随机函数来维护索引与原始链表大小之间的平衡

我们通过一个随机函数，来决定将这个结点插入到哪几级索引中，
比如随机函数生成了值 K，那我们就将这个结点添加到第一级到第 K 级索引中。
如果K=0则不需要为其建索引

复杂度公式证明

时间复杂度证明

1、跳表的高度 logn
如果链表有n个节点，每2个节点抽取抽出一个节点作为上一级索引的节点，那第1级索引的节点个数大约是 n/2，第2级索引的节点个数大约是 n/4，依次类推，第k级索引的节点个数就是n/(2^ k)。假设索引有h级别，最高级的索引有2个节点，则有n/(2^h)=2，得出h=log2n-1，包含原始链表这一层，整个跳表的高度就是logn。

2、查询时间复杂度 O(logn)
假设我们在跳表中查询某个数据的时候，如果每一层都遍历 m 个节点，那在跳表中查询一个数据的时间复杂度就是O(m*logn)

那这个 m 是多少呢？m=3
如下图所示，假设我们要查找的数据是 x，在第 k 级索引中，我们遍历到 y 节点之后，发现 x 大于 y，小于后面的节点 z，所以我们通过 y 的 down 指针，从第k级下降到第 k-1级索引。在第k-1级索引中，y 和 z 之间只有3个节点（包含 y 和 z），所以，我们在k-1级索引中最多只需要遍历3个节点，以此类推，每一级索引都最多只需要遍历3个节点。
所以m=3。因此在跳表中查询某个数据的时间复杂度就是O(logn)。

空间复杂度证明

1、计算索引的节点总数
如果链表有n个节点，每2个节点抽取抽出一个节点作为上一级索引的节点，那每一级索引的节点数分别为：n/2，n/4，n/8，…，8，4，2，等比数列求和 n-1，所以跳表的空间复杂度为O(n)。

2、 如何优化空间复杂度
如果链表有n个节点，每3或5个节点抽取抽出一个节点作为上一级索引的节点，那每一级索引的节点数分别为（以3为例）：n/3，n/9，n/27，…，27，9，3，1，等比数列求和 n/2，所以跳表的空间复杂度为O(n)，和每2个节点抽取一次相比，时间复杂度要低不少。