阶段总结-树与递归
树基础
树的相关概念
度:节点个数,节点的度,树的度
叶子结点:没有子节点,度为0
无序树:节点没有顺序关关系
有序树:节点有顺序关系
二叉树:树的度为2
树的深度:
树的定义
两种定义形式:链表定义和数组定义
二叉树的定义
class TreeNode:
def __init(val, left=None, right=None):
self.val = val
self.left = left
self.right = right
N叉树的定义
class Node:
def __init__(self, val, children=None):
self.val = val
self.children = children
树的遍历
分为深度优先遍历 和 广度优先遍历
其中深度优先遍历又分为 前序、中序、后序三种
树的深度优先遍历
分为 前序、中序、后序三种
前序遍历:中左右
中序遍历:左中右
后序遍历:左右中
通过前中后序遍历恢复二叉树
两种情况:
- 通过前序遍历和中序遍历恢复二叉树
- 通过后序遍历和中序遍历恢复二叉树
记住前中后序遍历的特点
前序:中左右
中序:左中右
后序:左右中
通过递归实现二叉树的前中后序遍历
熟练掌握一个即可,其他类似;以前序遍历为例,掌握其核心算法
# 递归实现二叉树前序遍历
def pre_order(root, res):
if not root:
return
res.add(root.val)
pre_order(root.left, res)
pre_order(root.right, res)
通过迭代实现二叉树的前中后序遍历
前中后序遍历不太一样,需要熟记
前序遍历
def pre_order(root):
if not root:
return
res = []
stack = []
node = root
while node or stack:
while node:
res.append(node.val)
stack.append(node)
node = node.left
node = stack.pop()
node = node.right
return res
中序遍历
def in_order(root):
if not root:
return
res = []
stack = []
node = root
while node or stack:
while node:
stack.append(node)
node = node.left
node = stack.pop()
res.append(node.val)
node = node.right
return res
后序遍历
翻转法:观察可以发现,将后续遍历反转过来后,跟前序遍历有点类似,只不过逻辑变成了 中右左,参考前序遍历的实现逻辑改造下,再将结果翻转,就可以获得后序遍历的结果
def post_order(root):
if not root:
return
res = []
stack = []
node = root
while node or stack:
while node:
res.append(node.val)
stack.append(node)
node = node.right
node = stack.pop()
node = node.left
return reversed(res)
深度优先经典算法题
二叉树中双指针
经典题目:
- 判断两棵树是否相同
- 对称二叉树
- 合并二叉树
路径专题
经典题目:
- 二叉树的所有路径
- 路径总和
翻转妙用
经典题目:
翻转二叉树
二叉树的深度和高度问题
经典题目
- 最大深度问题
- 判断平衡树
- 最小深度
- N叉树的最大深度
公共祖先问题
经典题目
寻找最近公共祖先
树的广度优先遍历(层次遍历)
层次遍历的核心算法
二叉树的层序遍历,按层返回节点值,借助队列实现
重要:掌握核心算法,其他题目多为在核心算法上变化衍生得到解决方法
#!/usr/bin/python
# -*- coding: utf-8 -*-
# @Time : 2023/8/22 4:16 下午
# @Author : ListenYin
# @Email : yls060912@163.com
# @File : 层序遍历核心算法.py
# @Project : yupisufancun
import collections
class TreeNode:
def __init__(self, val, left=None, right=None):
self.val = val
self.left = left
self.right = right
def level_order(root):
if not root:
return []
res = []
queue = collections.deque([root])
while queue:
tmp = []
n = len(queue)
for i in range(n):
node = queue.popleft()
tmp.append(node)
if node.left:
queue.append(node.left)
if node.right:
queue.append(node.right)
res.append(tmp)
return res
def init_tree():
tree_node3 = TreeNode(3)
tree_node9 = TreeNode(9)
tree_node20 = TreeNode(20)
tree_node15 = TreeNode(15)
tree_node7 = TreeNode(7)
tree_node3.left = tree_node9
tree_node3.right = tree_node20
tree_node20.left = tree_node15
tree_node20.right = tree_node7
return tree_node3
if __name__ == '__main__':
level_node_list = (level_order(init_tree()))
for i in level_node_list:
print([j.val for j in i])
题目衍生:遍历变化
此类题目有:自底向上遍历,锯齿形层序遍历,N叉树层序遍历
题目衍生:每层元素处理
此类题目有:在每个树行中找最大值,在每个树行中找平均值,二叉树右视图,最底层最左边
递归基础
递归的特征
所有的递归有两个基本的特征
- 执行范围不断缩小
- 终止条件判断在递归调用的前面
如何写递归
四步法:
- 从大到小递推
- 分情况讨论,明确结束条件
- 组合出完整方法
- 验证,画图推演(ToDo待完善确认)
分治思想
分治法/分治思想
即分而治之,把一个复杂的问题分成两个或更多的相同或相似的子问题,再把子问题分成更小的子问题…直到最后子问题可以简单的直接求解,原问题的解即子问题的解的合并。
注:分治是很多高效算法的基础,如二分查找、排序算法(快速排序、归并排序)等
二分查找
基本二分查找
循环方式
def binary_search(array, low, high, target):
while low <= high:
mid = (low + high) // 2
if array[mid] == target:
return mid
elif array[mid] > target:
high = mid - 1
else:
low = mid + 1
return -1
递归方式
def binary_search(array, low, high, target):
if low > high:
return -1
mid = (low + high) // 2
if array[mid] == target:
return mid
elif array[mid] > target:
return binary_search(array, low, mid - 1, target)
else:
return binary_search(array, mid + 1, high, target)
有重复元素的二分查找
"""
题目:
有重复元素的二分查找,如果有重复元素则找左侧第一个
"""
def binary_search(nums, target):
if not nums:
return -1
left = 0
right = len(nums) - 1
while left < right:
mid = (left + right) // 2
if nums[mid] < target:
left = mid + 1
elif nums[mid] == target:
right = mid
else:
right = mid - 1
return right if nums[right] == target else -1
if __name__ == '__main__':
print(binary_search([], 4)) # -1
print(binary_search([0, 1, 2, 3], 10)) # -1
print(binary_search([0, 1, 2, 3], -10)) # -1
print(binary_search([0, 1, 2, 3, 4, 5], 4)) # 4
print(binary_search([0, 1, 2, 3, 3, 4, 5], 3)) # 3
print(binary_search([0, 1, 2, 3, 3, 3, 4, 5], 3)) # 3
print(binary_search([0, 1, 2, 3, 3, 3, 3, 3, 3, 3, 3, 3, 4, 5], 3)) # 3
二分查找与搜索树高频问题
中序遍历与二叉搜索的关系
基于二分查找的拓展问题
经典题目
- 山脉数组的峰顶索引
- 旋转数字的最小数字
- 找缺失数字
- 优化求平方根
中序遍历与搜索树
理解二叉搜索树的概念
- 若它的左子树不为空,则左子树上所有节点的值均小于它根节点的值
- 若它的右子树不为空,则右子树上所有节点的值均大于它根节点的值
- 它的左子树、右子树也分别为二叉排序树
经典题目
- 二叉搜索树中搜索特定值
- 验证二叉搜索树
快速排序与归并排序
快速排序
快速排序
快速排序核心:二叉树的前序遍历+对撞型双指针
def quick_sort(array, start, end):
if start >= end:
return
pivot = array[(start + end) // 2]
left, right = start, end
while left < right:
while array[left] < pivot:
left += 1
while array[right] > pivot:
right -= 1
if left <= right:
array[left], array[right] = array[right], array[left]
left += 1
right -= 1
quick_sort(array, start, right)
quick_sort(array, left, end)
归并排序
归并排序原理
归并排序(merge-sort)简单来说就是将大的序列先视为若干个比较小的数组,分成几个比较小的结构,然后利用归并的思想实现的排序算法,该算法采用经典的分治策略
分:将问题分成一些小的问题分别求解
治:将分的阶段得到的各答案“合”在一起
#!/usr/bin/python
# -*- coding: utf-8 -*-
# @Time : 2023/8/22 10:58 上午
# @Author : ListenYin
# @Email : yls060912@163.com
# @File : 归并排序.py
# @Project : yupisufancun
def merge(left, right):
ll, rr = 0, 0
nums = []
while ll < len(left) and rr < len(right):
if left[ll] < right[rr]:
nums.append(left[ll])
ll += 1
else:
nums.append(right[rr])
rr += 1
nums += left[ll:]
nums += right[rr:]
return nums
def merge_sort(nums):
if not nums or len(nums) <= 1:
return nums
index = (len(nums)) // 2 # 从中间划分两个子序列
left = merge_sort(nums[:index]) # 对左侧子序列进行递归排序
right = merge_sort(nums[index:]) # 对右侧子序列进行递归排序
return merge(left, right) # 归并
if __name__ == '__main__':
test1 = [1, 3, 45, 23, 23, 12, 43, 45, 33, 21]
print(merge_sort(test1)) # [1, 3, 12, 21, 23, 23, 33, 43, 45, 45]