【恋上数据结构】前缀树 Tire 学习笔记

最新推荐文章于 2024-10-31 13:56:46 发布
最新推荐文章于 2024-10-31 13:56:46 发布
阅读量319 收藏
点赞数 5
分类专栏： # 恋上数据结构与算法 文章标签： 数据结构 学习 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_54088234/article/details/134798740
版权

Tire

需求分析

如何判断一堆不重复的字符串是否以某个前缀开头？

  • 用 Set\Map 存储字符串（不重复）
  • 遍历所有字符串进行判断
  • 缺点：时间复杂度 O(n)

有没有更优的数据结构实现前缀搜索？

Tire（和 Tree 同音）

简介

  • Trie 也叫做字典树、前缀树 (Prefix Tree)、单词查找树。
  • Trie 搜索字符串的效率主要跟字符串的长度有关。

假设使用 Trie 存储 cat、dog、doggy、does、cast、add 六个单词，结果如下所示

在这里插入图片描述

接口设计

有两种设计方案：

  1. 第一种仅仅是存储字符串。（像 set 集合）
  2. 第二种是存储字符串的同时可以再存储一个 value（像 map 接口）

分析：

第二种设计方案更为通用，比如说我们要做一个通讯录，以某个人的姓名作为 key，然后以他的详细信息作为 value（其他电话号码、邮箱、生日等各种详细信息）

public interface Trie <V> {
	int size(); 
	boolean isEmpty(); 
	void clear(); 
	boolean contains(String str); 
	V add(String str, V value); 
	V remove(String str); 
	boolean starswith(String prefix);
}

在这里插入图片描述

Node 设计

孩子节点集合解析（HashMap<Character, Node<V>> children;）：

  • key 相当于代表的是路径值，Character 字符类型可以是英文也可以是中文
  • value 是嵌套了当前节点下的所有子节点，方便后面节点值寻找
  • word：true 为已存储单词（红色），false 为非单词（蓝色）
    /**
     * Trie 中的节点类，包含父节点、孩子节点集合、字符、值以及表示是否为一个完整单词的标志。
     *
     * @param <V> 值的类型
     */
    private static class Node<V> {
        Node<V> parent; // 父节点
        HashMap<Character, Node<V>> children; // 孩子节点集合
        Character character; // 字符，为删除做准备
        V value; // 节点对应的值，也就是整个单词
        boolean word; // 是否为单词的结尾（是否为一个完整的单词）

        /**
         * 构造函数，初始化节点时需要指定父节点。(在添加节点时用到）
         *
         * @param parent 父节点
         */
        public Node(Node<V> parent) {
            this.parent = parent;
        }
    }

完整代码实现附注释

/**
 * Trie（字典树）数据结构，用于存储字符串集合，支持添加、查询、删除等操作。
 *
 * @param <V> 值的类型
 */
public class Trie<V> {

    /** Trie 中存储的单词数量 */
    private int size;

    /** 根节点 */
    private Node<V> root;

    /**
     * Trie 中的节点类，包含父节点、孩子节点集合、字符、值以及表示是否为一个完整单词的标志。
     *
     * @param <V> 值的类型
     */
    private static class Node<V> {
        Node<V> parent; // 父节点
        HashMap<Character, Node<V>> children; // 孩子节点集合
        Character character; // 字符，为删除做准备
        V value; // 节点对应的值，也就是整个单词
        boolean word; // 是否为单词的结尾（是否为一个完整的单词）

        /**
         * 构造函数，初始化节点时需要指定父节点。(在添加节点时用到）
         *
         * @param parent 父节点
         */
        public Node(Node<V> parent) {
            this.parent = parent;
        }
    }

    /**
     * 获取 Trie 中存储的单词数量。
     *
     * @return Trie 中存储的单词数量
     */
    public int size() {
        return size;
    }

    /**
     * 判断 Trie 是否为空。
     *
     * @return 如果 Trie 为空，则返回 true；否则返回 false
     */
    public boolean isEmpty() {
        return size == 0;
    }

    /**
     * 清空 Trie，将单词数量重置为 0。
     */
    public void clear() {
        size = 0;
        root = null;
    }

    /**
     * 根据指定的键获取对应的值。
     *
     * @param key 键
     * @return 如果键存在且是一个完整的单词，则返回对应的值；否则返回 null
     */
    public V get(String key) {
        Node<V> node = node(key);
        return (node != null && node.word) ? node.value : null;
    }

    /**
     * 判断 Trie 是否包含指定的键。
     *
     * @param key 键
     * @return 如果 Trie 包含指定的键且是一个完整的单词，则返回 true；否则返回 false
     */
    public boolean contains(String key) {
        Node<V> node = node(key);
        return node != null && node.word;
    }

    /**
     * 添加键值对到 Trie 中。如果键已经存在，则更新对应的值；否则新增一个单词。
     *
     * @param key   键
     * @param value 值
     * @return 如果添加的键已经存在，则返回对应的旧值；否则返回 null
     */
    public V add(String key, V value) {
        keyCheck(key);

        // 创建根节点
        if (root == null) {
            root = new Node<>(null);
        }

        // 获取 Trie 根节点
        Node<V> node = root;
        // 获取键的长度
        int len = key.length();
        // 遍历键的每个字符
        for (int i = 0; i < len; i++) {
            // 获取当前字符
            char c = key.charAt(i);
            // 判断当前节点的孩子节点集合是否为空
            boolean emptyChildren = (node.children == null);
            // 获取当前字符对应的孩子节点
            Node<V> childNode = emptyChildren ? null : node.children.get(c);
            // 如果当前字符对应的孩子节点为空，说明该字符在当前节点的孩子节点集合中不存在
            if (childNode == null) {
                // 创建新的孩子节点，并将其加入到当前节点的孩子节点集合中
                childNode = new Node<>(node);
                childNode.character = c;
                // 判断孩子节点集合是否为空的同时，避免了每次都要创建新的 HashMap 对象，提高了效率
                node.children = emptyChildren ? new HashMap<>(16) : node.children;
                node.children.put(c, childNode);
            }
            // 将当前节点移动到其对应的孩子节点上，继续下一层的遍历
            node = childNode;
        }

        // 1 - 已经存在这个单词, 覆盖, 返回旧值
        if (node.word) {
            V oldValue = node.value;
            node.value = value;
            return oldValue;
        }

        // 2 - 不存在这个单词, 新增这个单词
        node.word = true;
        node.value = value;
        size++;
        return null;
    }

    /**
     * 移除 Trie 中的指定键。如果键存在且是一个完整的单词，将其从 Trie 中移除。
     *
     * @param key 键
     * @return 如果键存在且是一个完整的单词，则返回对应的值；否则返回 null
     */
    public V remove(String key) {
        Node<V> node = node(key);
        
        // 如果不是单词结尾，不用作任何处理
        if (node == null || !node.word) {
            return null;
        }
        size--;
        V oldValue = node.value;

        // 如果还有子节点
        if (node.children != null && !node.children.isEmpty()) {
            node.word = false;
            node.value = null;
            return oldValue;
        }

        // 没有子节点
        Node<V> parent = null;
        while ((parent = node.parent) != null) {
            parent.children.remove(node.character);
            if (parent.word || !parent.children.isEmpty()) {
                break;
            }
            node = parent;
        }
        return oldValue;
    }

    /**
     * 判断 Trie 是否包含指定前缀。
     *
     * @param prefix 前缀
     * @return 如果 Trie 包含指定前缀，则返回 true；否则返回 false
     */
    public boolean startsWith(String prefix) {
        return node(prefix) != null;
    }

    /**
     * 根据传入字符串，找到最后一个节点。
     * 例如输入 dog
     * 找到 g
     *
     * @param key 键
     * @return 如果键存在，则返回对应的节点；否则返回 null
     */
    private Node<V> node(String key) {
        keyCheck(key);

        Node<V> node = root;
        int len = key.length();
        for (int i = 0; i < len; i++) {
            if (node == null || node.children == null || node.children.isEmpty()) {
                return null;
            }
            char c = key.charAt(i);
            node = node.children.get(c);
        }
        return node;
    }

    /**
     * 检查键是否合法，不允许为空。
     *
     * @param key 键
     */
    private void keyCheck(String key) {
        if (key == null || key.length() == 0) {
            throw new IllegalArgumentException("key must not be empty");
        }
    }
}

总结

  1. Trie 的优点：搜索前缀的效率主要跟前缀的长度有关

  2. Trie 的缺点：需要耗费大量的内存（一个字符一个节点），因此还有待改进

  3. 更多 Trie 相关的数据结构和算法

    • Double-array Trie、Suffix Tree（后缀树）、Patricia Tree、Crit-bit Tree、AC 自动机
沉梦听雨.
关注
专栏目录
C++高级数据结构算法 | Tire树（字典树、前缀树）
ZY-JIMMY
06-26 3895
Trie树的基本概念与应用场景、 Trie树的结构定义、单词插入操作、单词查找操作、前缀查询、删除算法、销毁操作、 LeetCode 208 实现 Trie (前缀树) 题解
数据结构与算法学习笔记
热门推荐
ityqing的博客
09-25 34万+
本文是王争老师的《算法与数据结构之美》的学习笔记，详细内容请看王争的专栏。有不懂的地方指出来，我做修改。 数据结构与算法思维导图 数据结构指的是“一组数据的存储结构”，算法指的是“操作数据的一组方法”。 数据结构是为算法服务的，算法是要作用再特定的数据结构上的。 最常用的数据结构预算法: 数据结构：数组、链表、栈、队列、散列表、二叉树‘、堆、跳表、图、Tire树 算法： 递归...
数据结构 - Tire 树
每天进步一点点！
11-27 1520
Tire 树又称单词查找树，是一种树形结构，是一种哈希树的变种。Tire 树是一种能够快速存储和查找一组字符串集合的数据结构，是以空间换时间，利用字符串的前缀来降低查询时间。与二叉树不同，Tire 树有 26 子节点对应 26 个字母，根节点不包含字符串，从根节点到某个节点，经过的字符连起来的字符串就是对应的字符串。当储存结束一个字符串后，尾节点会产生一个标记，表示当前字符串已经结束了。典型应用：用于统计，排序和保存大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。
TIRE 前缀树（字典树）
weixin_45115771的博客
06-09 508
在计算机科学中，前缀树又称字典树（tire—源自于retrieval），是一种有序树。它用于保存关联数组，其中的键通常是字符串。
数据结构与算法-基础（二十一）Trie（前缀树）
我为双鱼狂
03-02 567
Trie 被称为前缀树，结构类似树，一个节点有多个子节点，那么在搜索路径中就有多条路，也是高效检索的本质。Trie 的检索和字典查找单词的场景非常相似。
数据结构——字典树Tire
youshengjier的博客
05-12 301
Trie树，即字典树，又称单词查找树或键树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计和排序大量的字符串（但不仅限于字符串）。 优点：最大限度地减少无谓的字符串比较，查询效率比哈希表高。利用字符串的公共前缀来降低查询时间的开销以达到提高效率的目的。 输入字符串，在每个字符串的结尾做标记，当输入字符串为："abc"时，c处无标记，则该该字符串集中不存在"abc"。 例题： 835. Trie字符串统计 - AcWing题库https://www.acwing.com/probl..
【算法学习】前缀树Trie
杳杳捞到月亮了吗
11-14 593
Tire（前缀树） 一、定义： Trie（发音类似 “try”）或者说前缀树是一种树形数据结构，用于高效地存储和检索字符串数据集中的键。 其核心是使用「边」来代表有无字符，使用「点」来记录是否为「单词结尾」以及「其后续字符串的字符是什么」。 Trie结构： 与二叉查找树不同，键不是直接保存在节点中，而是由节点在树中的位置决定。一个节点的所有子孙都有相同的前缀，也就是这个节点对应的字符串，而根节点对应空字符串。一般情况下，不是所有的节点都有对应的值，只有叶子节点和部分内部节点所对应的键才有相关的
数据结构--Tire树
Scostifile的博客
03-13 759
实现一个Trie树一、Trie树的基本操作二、代码实现 一、Trie树的基本操作 (1) 插入字符串 (2) 搜索目标字符串 (3) 搜索以目标字符串为前缀的情况是否存在 二、代码实现 class Trie{ public: class TrieNode{ public: TireNode(char data){ this->data = data; this->children.assign(26, nullptr); } public: char data;
数据结构-字典树(Tire树)
wan9x1nzZZ的博客
03-26 71
Tire树是一种利用前缀用来高效的存储和查询字符串的数据结构。
Trie树（字典树&前缀树）
小朱小朱绝不认输的博客
05-16 2245
Trie树的学习 文章目录1. Trie树的基本知识2. Trie树的实现2.1 二维数组实现2.2 TrieNode实现2.3 方法对比2.4 问题分析 1. Trie树的基本知识 Trie 树（又叫「前缀树」或「字典树」）是一种用于快速查询「某个字符串/字符前缀」是否存在的数据结构。 Trie 树的本质，就是利用字符串之间的公共前缀，将重复的前缀合并在一起。 Trie树是一种哈希树的变种。 典型应用：用于统计和排序大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。 优点：最大限度
【数据结构】Trie（字典树，前缀树）及其实现
无意呢的博客
01-31 657
理解Trie： Trie又称单词查找树，是一种树形结构，是哈希树的变种。典型应用是用于统计，排序和保存大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。 优点：非常适合操作字符串，利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率比哈希树高。 缺点：虽然不同单词共享前缀，但其实trie是一个以空间换时间的算法，每个结点只存储一个字符浪费了 Tr...
树的常用数据结构
qq_38294614的博客
06-08 1611
1. 二叉树 　　二叉树是数据结构中一种重要的数据结构，也是树表家族最为基础的结构。 　　二叉树的定义：二叉树的每个结点至多只有二棵子树(不存在度大于2的结点)，二叉树的子树有左右之分，次序不能颠倒。二叉树的第i层至多有2i-1个结点；深度为k的二叉树至多有2k-1个结点；对任何一棵二叉树T，如果其终端结点数为n0，度为2的结点数为n2，则n0=n2+1。 　　二叉树的示例： 　　满二叉树和完全二叉树： 　　满二叉树：除最后一层无任何子节点外，每一层上的所有结点都有两个子结点。也可以这样理解，
高级数据结构---字典树（Tire）
qqfatwang的博客
03-20 177
字典树树形结构又称单词查找树，Trie树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计，排序和保存大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。它的优点是：利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率比哈希树高。Trie的核心思想是空间换时间。利用字符串的公共前缀来降低查询时间的开销以达到提高效率的目的。根节点不包含字符，除根节点外每一个节点都只包含一个字符。
1.绪论——青岛大学王卓老师数据结构课程课堂笔记
fjhkrje的博客
03-23 2886
• 数据结构：数组、链表、栈、队列、散列表、二叉树、堆、跳表、图、Tire树 • 算法： 递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法。 1.1数据结构研究 无法用数学公式或者方程来描述，是一些”非数值计算”的程序设计问题，描述非数值计算问题的数学模型不是数学方程，而是诸如表、树和图之类的具有逻辑关系的数据。 数据结构是一门研究非数值计算的程序设计中计算机的操作对象以及它们之间的关系和操作的学科 1.2基本概念和术语 1.2.1 数据、数据元素、数据项和数据.
数据结构模拟题［二］
mufengzhiyu666的博客
10-30 447
4． 设一棵树 T 中边的集合为 {(A ，B) ，(A，C)，(A ，D)，(B，E)， (C，F)，(C，G)} ，要求用孩子兄弟表。7. 设一组初始记录关键字序列为 (55 ，63， 44， 38，75， 80，31， 56) ，则利用筛选法建立的初始堆为。3． 设一组有序的记录关键字序列为 (13 ，18，24，35， 47，50，62， 83，90) ，查找方法用二分查找，要。6． 设有一组初始记录关键字为 (45 ，80， 48，40，22， 78)，要求构造一棵二叉排序树并给出构造过程。
线性数据结构之链表
最新发布
m0_61840987的博客
10-31 441
单链表、双向链表、循环链表、哨兵链表在不同场景下的应用优势。每种链表类型在特定应用场景中能够发挥其独特的性能优势，通过选择合适的数据结构可以使程序更高效。
【高阶数据结构】红黑树的插入
更新C/C++，数据结构与算法，计算机视觉，深度学习，目标检测
10-29 877
超多精美配图讲解红黑树的插入方法；红黑树的插入C++完整代码的实现。
数据结构+算法分析与设计［19-21年真题版］
mufengzhiyu666的博客
10-29 309
八、设有一组关键字{19，01，23，14，55，20，84，27，68，11，10，77}，采用哈希函数： H(Key)=Key MOD 13， 采用开放地址法的线性探测再散列方法解决冲突，试在0～18的散列地址空间中对该关键字序列构造哈希表。八、依次输入表（30，15，28，20，24，10，12，68，35，50，46，55）中的元素，生成一棵二叉树排序树。七、给出一组关键字（29，18，25，47，58，12，51，10），分别写出按下列各种排序方法进行排序时的变化过程： （15分）
初阶数据结构之顺序表的实现
2402_84532723的博客
10-25 1364
/动态顺序表//顺序表的容量int size;//实际存储数据的个数}SL;typedef int SLDataType 对int进行类型重命名，如果需要存储char类型数据，只需要修改这里的int就可以了。十分的方便，代码也不容易出现错误。
统计分词与图算法在Tire树中的实践与应用
Tire树是一种特殊的树形数据结构，可能指的是Trie树，也称为前缀树或字典树，用于高效地存储和查找具有公共前缀的字符串。DFS在Tire树中常用于遍历所有可能的路径，例如在实现自动补全或查找子串功能时。而BFS则更...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值