2.二叉树-基本概念

高度：根节点的高度最高（从0开始算起）
深度：根节点的深度最浅（从0开始算起）
层：根节点的层数最小（从1开始算起）

二叉树中有两种比较特殊的二叉树：

完全二叉树：叶子节点都在最底下两层，最后一层的叶子节点都靠左排列，并且除了最后一层，其他层的节点个数都要达到最大
满二叉树：叶子节点全都在最底层，除了叶子节点之外，每个节点都有左右两 个子节点

二叉树的存储最直观的是链式存储法：

class Node{
	int data;
	Node left;
	Node right;
}

基于数组的顺序存储法：
我们把根节点存储在下标 i = 1 的位置，那左子节点存储在下标 2 * i = 2 的位置，右子节点存储在 2 * i + 1 = 3 的位置。以此类推，B 节点的左子节点存储在 2 * i = 2 * 2 = 4 的位置，右子节点存储在 2 * i + 1 = 2 * 2 + 1 = 5。根节点一般不存在下标为0的位置，因为这样的话，左节点就是i2+1，右子节点存储在i2+2的位置，计算的时候不方便计算，左右子树都有一个加法。

基于数组的顺序存储方法存储非完全二叉式的时候会浪费很多空间。这也是为什么完全
二叉树会单独拎出来的原因，也是为什么完全二叉树要求最后一层的子节点都靠左的原因。

二叉树的前、中、后序，表示的是节点与它的左右子树节点遍历打印的先后顺序（根节点的打印时机）。
前序遍历是指，对于树中的任意节点来说，先打印这个节点，然后再打印它的左子树，最后
打印它的右子树。
中序遍历是指，对于树中的任意节点来说，先打印它的左子树，然后再打印它本身，最后打
印它的右子树。
后序遍历是指，对于树中的任意节点来说，先打印它的左子树，然后再打印它的右子树，最
后打印这个节点本身。

实际上，二叉树的前、中、后序遍历就是一个递归的过程。比如，前序遍历，其实就是先打印根
节点，然后再递归地打印左子树，最后递归地打印右子树。
写递归代码的关键，就是看能不能写出递推公式，而写递推公式的关键就是，如果要解决问题
A，就假设子问题 B、C 已经解决，然后再来看如何利用 B、C 来解决 A。所以，我们可以把
前、中、后序遍历的递推公式都写出来。

preOrder(Tree)=print(data)->preOrder(Tree.left)->preOrder(Tree.right)
inOrder(Tree)=inOrder(Tree.left)->print(data)->inOrder(Tree.right)
postOrder(Tree)=postOrder(Tree.left)->postOrder(Tree.right)->print(data)

从前面画的前、中、后序遍历的顺序图，可以看出来，每个节点最多会被访问两次，所以遍历
操作的时间复杂度，跟节点的个数 n 成正比，也就是说二叉树遍历的时间复杂度是 O(n)。

特殊的二叉树

特殊的的二叉树，二叉查找树。二叉查找树最大的特点就是，支持动态数据集合的快速插入、删除、查找操作。
极端情况下二叉树会退化成为链表。
所以说又出现了平衡二叉查找树。

平衡二叉树的严格定义是：二叉树中的任何一个节点的左右子树的高度相差不能大于1

所以说完全二叉树一定是平衡二叉树，非完全二叉树也有可能是平衡树。

再加上查找二字则是：在树中的任意一个节点，其左子树中的每个节点的值，都要小于这个节点的值，而右子树节点的值都大于这个节点的值

平衡二叉查找树的数据结构实现有很多种，如：

• AVL树
• 红黑树（不满足上面的平衡二叉树的绝对定义）
• 伸展树（Splay Tree），树堆（Treap）等等。

由此又延展出了平衡多叉查找树数据结构，如：

• B树（B-树）
• B+树
• B*树（B+树的变种）

二叉树增加，删除，删除的复杂度是的O(log n)
散列表增加，删除，删除的复杂度是的O(1)

但是散列表的底层是数组存储的数据，所以涉及到扩容，缩容并不方便
在加上散列函数的设计，冲突解决办法等，要考虑的东西很多。如果考虑上散列冲突，这个O(1)并不比常量小。再加上hash函数的耗时，效率并不一定很高。另外散列表中的数据是无序的，所以排列输出比较不方便。