数据结构——掌握相关树(包含B树和B+树)及其性质

real_vavid

已于 2022-10-14 21:44:41 修改

阅读量677

点赞数

分类专栏：计算机学科基础综合文章标签：数据结构 408 树结构

于 2021-09-24 11:31:16 首次发布

本文链接：https://blog.csdn.net/vavid317/article/details/120451887

版权

计算机学科基础综合专栏收录该内容

54 篇文章 286 订阅

订阅专栏

二叉树

性质：

第 n 层最多有 2^n-1 个节点
深度为 k 的二叉树最多有 2^k - 1 个节点（满二叉树）
对于任何一颗二叉树，如果其叶节点有 n₀ 个，度为2的非叶节点有 n₂个，则有 n₀ = n₂ + 1
n个节点的完全二叉树的深度为 ⌊log₂n⌋+1
如果有一颗有n个节点的完全二叉树的节点按层次序编号，对任一层的节点i（1 $\leqslant$ i $\leqslant$ n）有
1. 如果i=1，则节点i是二叉树的根，无双亲，如果i>1，则其双亲节点为 ⌈i/2⌉
2. 如果2i>n，则节点i没有左孩子，否则其左孩子为2i
3. 如果2i+1>n，则节点没有右孩子，否则右孩子为2i+1

满二叉树

节点的度都是2且叶子节点都在同一层次上
是一种特殊的二叉树

完全二叉树

与满二叉树深度相同，并且编号一一对应的二叉树

性质：

若 i $\leqslant$ ⌊n/2⌋，则结点i为分支结点，否则为叶子结点
最下面层的叶节点一定出现在左边
深度为k的完全二叉树，其最少的结点数=深度为 k-1 的满二叉树的结点数+1，即 **2^k-1**个；其最多结点数=深度为k的满二叉树的结点数，即 2^k-1
顺序存储完全二叉树A[1,…,n]，当 i $\leqslant$ (n-1)/2 时，结点A[i]的右孩子是结点 A[2i+1]

哈夫曼树（最优二叉树）

性质：

有n个叶子结点
没有度为1的结点
总的结点数为2n-1
深度 $\leqslant$ n-1
形态不唯一
要使一棵二叉树的带权路径长度最小，必须使权值越大的叶子节点越靠近根节点，权值越小的节点越远离根节点

利用哈夫曼树可构造前缀编码

最小生成树

在连通网的所有生成树中，所有边的代价和最小的生成树

看谁代价最小，来 PK 呀！P-prime, K-kruskal

prim算法
**算法思想：**从图中任取一个顶点，把它当成一棵树，然后从这棵树的顶点相邻的边中选取权值最小的边，并把这条边相邻的顶点并入树中，此时得到一颗有两个顶点的树，然后继续从这棵树的两个顶点相邻的边中选取一条最短的边，将其和相邻顶点再次并入树中，重复操作直到所有顶点都被并入树中。
kruskal算法
**算法思想：**每次从所有边中选出权值最小的边，将其并入树中，重复操作直到所有顶点都被并入树中。

图片来源：https://blog.csdn.net/luoshixian099/article/details/51908175

二叉排序树（二叉查找树）

性质：空树/如果左子树不为空，则左子树的所有结点的值均小于根节点；如果右子树不为空，则右子树的所有结点均大于根节点；左右子树分别也是二叉排序树。中序遍历会得到一个有序序列。

既拥有类似于折半查找的特性，又采用了链表做存储结构，它是动态查找表的一种适宜表示。其查询效率高于链表结构。

二叉排序树

AVL树（平衡二叉树）

它是二叉排序树的一种改进，由于树的高度越小，查找效率越高，所以尽可能的保持左右子树高度平衡，会使得树的高度达到最小。

性质：左子树和右子树都是平衡二叉树，且左子树和右子树的深度之差的绝对值不超过1。即就是平衡因子只会取 -1，0 ，1，因此此处的重点不断的执行是平衡调整。

基于二分法的策咯提高数据查找速度的二叉树的数据结构。

【例】若平衡二叉树的高度为6，且所有非叶结点的平衡因子均为 1，则该平衡二叉树的结点总数为20

B树（多路平衡查找树）

B树（B-tree）是在AVL树基础上的一种升级，它是各个节点平衡因子都为0的多路平衡查找树。
B树一开始是针对机械磁盘而设计的，因为机械磁盘的磁头跳转消耗的时间比较多，为了减少跳转的次数，所以设计了B-Tree。B树的目标是在 O(logn) 时间复杂度内，完成一些动态操作。这种数据结构多用于实现数据库索引。红黑二叉树的时间复杂度也是 O(logn) ，但是B树可以比红黑二叉树存储更多的节点。
下二图分别为3阶B树和4阶B树。

一颗3阶B树

一颗4阶B树

一颗 m 阶的B树，或为空树，或为满足下列特性的 m 叉树：

（1）树中的每个结点 $\color{red}{至多有 m 棵子树}$ ；

（2）若 $\color{red}{根结点}$ 不是叶子结点，则 $\color{red}{至少有1个关键字}$ ， $\color{red}{至少有2颗子树}$ ； $\color{red}{至多有 m-1 个关键字}$ ， $\color{red}{至多有 m 颗子树}$ ；

（3）除根结点外， $\color{red}{非叶结点至少有 ⌈m/2⌉-1 个关键字}$ ， $\color{red}{至少有 ⌈m/2⌉ 颗子树}$ ； $\color{red}{至多有 m-1 个关键字}$ ， $\color{red}{至多有 m 颗子树}$ ；

【例】在一棵高度为2的5阶B树中，所含关键字的个数最少是5。因为根结点关键字是5个的时候会产生分裂，高度正好变为2

（4）n个结点的m阶B树的 $\color{red}{高度}$ 范围：
$log_m(n+1) \leqslant h \leqslant log_{⌈m/2⌉}((n+1)/2)+1$

（5）n个非叶结点的m阶B树 $\color{red}{至少}$ 包含的关键字个数： $\color{red}{ (n-1)(⌈m/2⌉-1 )+1}$

（6）所有叶节点都在同一层

B树中的叶结点又叫外部结点，类似于查找判定树的查找失败结点，实际上这些点并不存在。

结合下例理解：
一棵5阶B树
一棵5阶B树特点总结

B树的关键字插入和删除操作：

插入操作涉及到结点分裂的问题
删除操作涉及到结点合并的问题

$\color{HotPink}{需要满足删除后的结点关键字个数 \geq ⌈m/2⌉-1 }$

情况一： 被删关键字是非终端结点，则先用其前驱或后继结点替代它，使得被删结点落到终端结点，然后走情况二；
先用前驱结点替代被删结点

情况二： 被删关键字在终端结点
step1. 结点关键字个数 $\geqslant$ ⌈m/2⌉，直接删除，否则走step2
step2. 兄弟够借：被删关键字所在的结点关键字个数为⌈m/2⌉-1 ，其左/右兄弟结点关键字个数 $\geqslant$ ⌈m/2⌉，此时采用“父子换位法“执行删除操作；否则走step3
step3. 兄弟不够借，被删关键字所在的结点关键字个数为⌈m/2⌉-1 ，其左/右兄弟结点关键字个数也是⌈m/2⌉-1，则需将左/右兄弟结点关键字与父级结点关键字进行合并

B+树

B+树是应数据库所需而生的一种B树的变形树，相对于B树来说B+树更充分的利用了节点的空间，磁盘读写代价更低，查询速度更加稳定，其速度完全接近于二分法查找。适应于操作系统中的文件索引和数据库索引。B+树既能顺序查找，也能索引查找。
一颗4阶B+树

一棵m阶的B+树需满足下列条件：

（1）每个分支结点最多有 m 颗子树（孩子结点）；

（2）根结点(若不是叶结点)至少有1个关键字，2颗子树，至多m个关键字，m颗子树；其它非叶结点至少有⌈m/2⌉个关键字，⌈m/2⌉颗子树，至多有m个关键字，m颗子树；

（3）结点的子树个数与关键字个数相等；

（4）所有叶结点包含全部关键字以及指向相应记录的指针，叶结点中将关键字按大小顺序排列，并且相邻叶结点按大小顺序相互链接起来。

（5）所有分支结点（可视为索引的索引）中仅包含它的各个子结点（即下一级的索引块）中关键字的最大值及指向其子结点的指针；

一颗m阶的B+树与B树的差异在于：

（1）在B+树中，具有n个关键字的结点只含有n棵子树，即每个关键字对应一颗子树；在B树中，具有n个关键字的结点含有n+1颗子树

（2）在B+树中，每个结点（非根内部结点）的关键字个数 n 的范围是⌈m/2⌉ $\leqslant$ n $\leqslant$ m（根节点：1 $\leqslant$ n $\leqslant$ m）；在B树，每个结点（非根内部结点）的关键字个数n的范围是⌈m/2⌉-1 $\leqslant$ n $\leqslant$ m - 1（根节点：1 $\leqslant$ n $\leqslant$ m - 1）