数据结构与算法: 树数据结构

树数据结构

我们读取线性数据结构，如数组，链表，堆栈和队列，其中所有元素都按顺序排列。不同的数据结构用于不同类型的数据。

在选择数据结构时会考虑一些因素：

• 需要存储什么类型的数据？某种数据结构可能最适合某种数据。
• 运营成本：如果我们要最小化最常执行的操作的操作成本。例如，我们有一个简单的列表，我们必须在其上执行搜索操作;然后，我们可以创建一个数组，其中元素按排序顺序存储以执行二进制搜索。二进制搜索对于简单列表非常快速，因为它将搜索空间分成两半。
• 内存使用情况：有时，我们想要一个使用更少内存的数据结构。

树也是表示分层数据的数据结构之一。

树数据结构中使用的一些基本术语。

在上面的结构中，每个节点都标有一些数字。上图中显示的每个箭头称为两个节点之间的链接。

• 根：根节点是树层次结构中最顶层的节点。换句话说，根节点是没有任何父节点的节点。在上面的结构中，编号为 1 的节点是树的根节点。如果某个节点直接链接到某个其他节点，则该节点将称为父子关系。
• 子节点：如果节点是任何节点的后代，则该节点称为子节点。
  父母：如果节点包含任何子节点，则该节点称为该子节点的父节点。
  兄弟：具有相同父级的节点称为同级节点。
• 叶节点：-树的节点（没有任何子节点）称为叶节点。叶节点是树的最底部节点。一般树中可以存在任意数量的叶节点。叶节点也可以称为外部节点。
• 内部节点：一个节点至少有一个称为内部的子节点
• 祖先节点：-节点的祖先是从根节点到该节点的路径上的任何前置节点。根节点没有任何祖先。在上图所示的树中，节点 1、2 和 5 是节点 10 的祖先。
• 后代：给定节点的直接后继者称为节点的后代。在上图中，10 是节点 5 的后代。

树数据结构的属性

递归数据结构：该树也称为递归数据结构。树可以递归方式定义，因为树数据结构中的可分辨节点称为根节点。树的根节点包含指向其子树的所有根的链接。左子树在下图中以黄色显示，右子树以红色显示。左侧子树可以进一步拆分为以三种不同颜色显示的子树。递归意味着以自我相似的方式减少某些东西。因此，树数据结构的这种递归属性在各种应用程序中实现。

• 边数：如果有 n 个节点，则将有 n-1 条边。结构中的每个箭头都表示链接或路径。除根节点外，每个节点将至少有一个称为边的传入链路。父子关系将有一个链接。
• 节点深度 x：节点 x 的深度可以定义为从根到节点 x 的路径长度。一条边在路径中贡献一个单位长度。因此，节点 x 的深度也可以定义为根节点和节点 x 之间的边数。根节点的深度为 0。
• 节点 x 的高度：节点 x 的高度可以定义为从节点 x 到叶节点的最长路径。
  根据树数据结构的属性，树被分类为各种类别。
  叶的高度为0

树的实现

树数据结构可以通过在指针的帮助下动态创建节点来创建。内存中的树可以表示如下图所示：

上图显示了内存中树数据结构的表示形式。在上面的结构中，节点包含三个字段。第二个字段存储数据;第一个字段存储左子项的地址，第三个字段存储右子项的地址。

在编程中，节点的结构可以定义为：

结构节点
{  
整数 数据;
结构节点 *左;
结构节点 *右;
}  

struct node  
{  
	int data;  
	struct node *left;  
	struct node *right;   
}  

上述结构只能为二叉树定义，因为二叉树最多可以有两个子树，而通用树可以有两个以上的子树。与二叉树相比，通用树的节点结构将有所不同。

树的应用

以下是树的应用：

1. 存储自然分层数据：树用于将数据存储在层次结构中。例如，文件系统。存储在光盘驱动器上的文件系统，文件和文件夹以自然分层数据的形式存储，并以树的形式存储。
2. 组织数据：它用于组织数据以进行有效的插入、删除和搜索。例如，二叉树具有用于搜索元素的 logN 时间。
3. Trie：它是一种特殊的树，用于存储字典。这是一种快速有效的动态拼写检查方法。
4. 堆：它也是使用数组实现的树数据结构。它用于实现优先级队列。
5. B 树和 B+树：B-Tree 和 B+Tree 是用于在数据库中实现索引的树数据结构。
6. 路由表(Routing table)：树数据结构还用于将数据存储在路由器的路由表中。

树数据结构的类型

以下是树数据结构的类型：

• 通用树(General tree)：通用树是树数据结构的类型之一。在常规树中，一个节点可以有 0 个或最大 n 个节点。对节点的程度（节点可以包含的节点数）没有限制。常规树中最顶层的节点称为根节点。父节点的子节点称为子树。

一般树中可以有 n 个子树。在常规树中，子树是无序的，因为子树中的节点无法排序。
每个非空树都有一个向下的边缘，这些边缘连接到称为子节点的节点。根节点标记为级别 0。具有相同父级的节点称为同级节点。

二叉树(Binary tree)

二叉树(Binary tree)：在这里，二进制名称本身表示两个数字，即 0 和 1。在二叉树中，树中的每个节点最多可以有两个子节点。此处，最大值表示节点是有 0 个节点、1 个节点还是 2 个节点。

二叉搜索树：二叉搜索树是一种非线性数据结构，其中一个节点连接到n个节点。它是一种基于节点的数据结构。节点可以在具有三个字段的二叉搜索树中表示，即数据部分，左子项和右子项。一个节点可以连接到二叉搜索树中最多两个子节点，因此该节点包含两个指针（左子指针和右子指针）。
左侧子树中的每个节点都必须包含一个小于根节点值的值，并且右侧子树中每个节点的值必须大于根节点的值。

AVL 树(平衡树)

它是二叉树的类型之一，或者我们可以说它是二叉搜索树的变体。AVL 树满足二叉树和二叉搜索树的属性。它是一个自平衡的二叉搜索树，由Adelson Velsky Lindas发明。在这里，自平衡意味着平衡左子树和右子树的高度。这种平衡是根据平衡因素来衡量的。

如果树遵循二叉搜索树以及平衡因子，我们可以将树视为 AVL 树。平衡因子可以定义为左子树的高度和右子树的高度之间的差值。平衡因子的值必须为 0、-1 或 1;因此，AVL 树中的每个节点的平衡因子值都应为 0、-1 或 1。

红黑树(Red-Black Tree)

红黑树是二叉搜索树。红黑树的先决条件是我们应该了解二叉搜索树。在二叉搜索树中，左子树的值应小于该节点的值，并且右子树的值应大于该节点的值。众所周知，二进制搜索在平均情况下的时间复杂度为log2n，最佳情况为O（1），最坏情况为O（n）。

当对树执行任何操作时，我们希望我们的树是平衡的，以便所有操作（如搜索，插入，删除等）花费的时间更少，并且所有这些操作都将具有log2n的时间复杂度。

红黑树是一个自平衡的二叉搜索树。AVL树也是一个高度平衡二叉搜索树，那么为什么我们需要红黑树。在 AVL 树中，我们不知道需要多少次旋转才能平衡树，但在红黑树中，最多需要 2 次旋转来平衡树。它包含一个额外的位，表示节点的红色或黑色，以确保树的平衡。

Splay tree

splay树数据结构也是二叉搜索树，其中通过执行一些旋转操作将最近访问的元素放置在树的根位置。此处，播放表示最近访问的节点。它是一个自平衡二叉搜索树，没有像AVL树那样的显式平衡条件。

splay 树的高度可能不平衡，即左子树和右子树的高度可能不同，但 splay 树中的操作采用 logN 时间的顺序，其中 n 是节点数。

Splay树是一棵平衡树，但它不能被视为高度平衡树，因为每次操作后，都会执行旋转，从而导致平衡树。

Treap

Treap 数据结构来自树和堆数据结构。因此，它包含树和堆数据结构的属性。在二叉搜索树中，左侧子树上的每个节点必须等于或小于根节点的值，并且右侧子树上的每个节点必须等于或大于根节点的值。在堆数据结构中，右子树和左子树都包含比根更大的键;因此，我们可以说根节点包含最低值。

在 treap 数据结构中，每个节点都有键和优先级，其中键派生自二叉搜索树，优先级派生自堆数据结构。

Treap 数据结构遵循下面给出的两个属性：

• 节点的右子节点>=当前节点，节点的左子节点<=当前节点（二叉树）
• 任何子树的子项必须大于节点（堆）

B 树

Max.Degree = 3

B 树是一个平衡的 m-way 树，其中 m 定义了树的顺序。到目前为止，我们读到节点只包含一个键，但b-tree可以有多个键和2个以上的子项。它始终维护排序的数据。在二叉树中，叶节点可能位于不同的级别，但在 b 树中，所有叶节点必须位于同一级别。

如果 order 为 m，则 node 具有以下属性：

• b 树中的每个节点最多可以有 m 个子节点
• 对于最小子节点，叶节点有 0 个子节点，根节点至少有 2 个子节点，内部节点的最小上限为 m/2 子节点。例如，m 的值为 5，这意味着一个节点可以有 5 个子节点，内部节点最多可以包含 3 个子节点。
• 每个节点都有最大 （m-1） 个键。

根节点必须至少包含 1 个密钥，所有其他节点必须包含至少 m/2 减去 1 个密钥的上限。

索引 Index

Binary and Linear Search (of sorted list)
Binary Search Trees
AVL Trees (Balanced binary search trees)
Red-Black Trees
Splay Trees
Open Hash Tables (Closed Addressing)
Closed Hash Tables (Open Addressing)
Closed Hash Tables, using buckets
Trie (Prefix Tree, 26-ary Tree)
Radix Tree (Compact Trie)
Ternary Search Tree (Trie with BST of children)
B Trees
B+ Trees