原文链接:Tree Data Structures for Beginners
众成翻译地址:初学者应该了解的数据结构: Tree
系列文章,建议不了解树的同学慢慢阅读一下这篇文章,希望对你有所帮助~至于系列的最后一篇自平衡二叉搜索树就不再翻译了(主要是原文坑太多,很难填),以下是译文正文:
Tree 是很多(上层的)数据结构(如 Map、Set 等)的基础。同时,在数据库中快速搜索(元素)也用到了树。HTML 的 DOM 节点也通过树来表示对应的层次结构。以上仅仅是树在实际应用中的一小部分例子。在这篇文章中,我们将探讨不同类型的树,如二叉树、二叉搜索树以及如何实现它们。
在上一篇文章(译文)中,我们探讨了数据结构:图,它是树一般化的情况。让我们开始学习树吧!
本篇是以下教程的一部分(译者注:如果大家觉得还不错,我会翻译整个系列的文章):
初学者应该了解的数据结构与算法(DSA)
- 算法的时间复杂性与大 O 符号
- 每个程序员应该知道的八种时间复杂度
- 初学者应该了解的数据结构:Array、HashMap 与 List (译文)
- 初学者应该了解的数据结构: Graph (译文)
- 初学者应该了解的数据结构:Tree ? 即本文
- 自平衡二叉搜索树
- 附录 I:递归算法分析
树的基本概念
在树中,每个节点可有零个或多个子节点,每个节点都包含一个值。和图一样,节点之间的连接被称为边。树是图的一种,但并不是所有图都是树(只有无环无向图才是树)。
这种数据类型之所以被称为树,是因为它长得很像一棵(倒置的)树 ?。它从根节点出发,它的子节点是它的分支,没有任何子节点的节点就是树的叶子(即叶节点)。
以下是树的一些属性:
- 最顶层的节点被称为根(root)节点(译者注:即没有任何父节点的节点)。
- 没有任何子节点的节点被称为叶节点(leaf node)或者终端节点(terminal node)。
- 树的度(Height)是最深的叶节点与根节点之间的距离(即边的数量)。
A
的度是 3。I
的度是 0(译者注:子树也是树,I 的度是指 I 为根节点的子树的度)。
- 深度(Depth)或者层次(level)是节点与根节点的距离。
H
的层次是 2。B
的层次是 1。
树的简单实现
正如此前所见,树的节点有一个值,且存有它每一个子节点的引用。
以下是节点的例子:
class TreeNode {
constructor(value) {
this.value = value;
this.descendents = [];
}
}
复制代码
我们可以创建一棵树,它有三个叶节点:
// create nodes with values
const abe = new TreeNode('Abe');
const homer = new TreeNode('Homer');
const bart = new TreeNode('Bart');
const lisa = new TreeNode('Lisa');
const maggie = new TreeNode('Maggie');
// associate root with is descendents
abe.descendents.push(homer);
homer.descendents.push(bart, lisa, maggie);
复制代码
这样就完成啦,我们有了一棵树!
节点 abe
是根节点,而节点 bart
、lisa
和 maggie
则是这棵树的 叶节点。注意,树的节点的子节点可以是任意数量的,无论是 0 个、1 个、3 个或是多个均可。
二叉树
树的节点可以有 0 个或多个子节点。然而,当一棵树(的所有节点)最多只能有两个子节点时,这样的树被称为二叉树。
二叉树是树中最常见的形式之一,它应用广泛,如:
- Maps
- Sets
- 数据库
- 优先队列
- 在 LDAP(Lightweight Directory Access Protocol)中查找相应信息。
- 在 XML/HTML 文件中,使用文档对象模型(DOM)接口进行搜索。
完满二叉树、完全二叉树、完美二叉树
取决于二叉树节点的组织方式,一棵二叉树可以是完满二叉树、完全二叉树或完美二叉树。
- 完满二叉树(Full binary tree):除去叶节点,每个节点都有两个子节点。
- 完全二叉树(Complete binary tree):除了最深一层之外,其余所有层的节点都必须有两个子节点(译者注:其实还需要最深一层的节点均集中在左边,即左对齐)。
- 完美二叉树(Perfect binary tree):满足完全二叉树性质,树的叶子节点均在最后一层(也就是形成了一个完美的三角形)。
(译者注:国内外的定义是不同的,此处根据原文与查找的资料,作了一定的修改,用的是国外的标准)
下图是上述概念的例子:
完满二叉树、完全二叉树与完美二叉树并不总是互斥的:
- 完美二叉树必然是完满二叉树和完全二叉树。
- 完美的二叉树正好有 2 的 k 次方 减 1 个节点,其中 k 是树的最深一层(从1开始)。.
- 完全二叉树并不总是完满二叉树。
- 正如上面的完全二叉树例子,最右侧的灰色节点是它父子点仅有的一个子节点。如果移除掉它,这棵树就既是完全二叉树,也是完满二叉树。(译者注:其实有了那个灰色节点的话,这颗树不能算是完全二叉树的,因为完满二叉树需要左对齐)
- 完满二叉树并不一定是完全二叉树与完美二叉树。
二叉搜索树 (BST)
二叉搜索树(Binary Search Tree,简写为:BST)是二叉树的特定应用。BST 的每个节点如二叉树一样,最多只能有两个子节点。然而,BST 左子节点的值必须小于父节点的值,而右子节点的值则必须大于父节点的值。
强调一下:一些 BST 并不允许重复值的节点被添加到树中,如若允许,那么重复值的节点将作为右子节点。有些二叉搜索树的实现,会记录起重复的情况(这也是接下来我们需要实现的)。
一起来实现二叉搜索树吧!
BST 的实现
BST 的实现与上文树的实现相像,然而有两点不同:
- 节点最多只能拥有两个子节点。
- 节点的值满足以下关系:
左子节点 < 父节点 < 右子节点
。
以下是树节点的实现,与之前树的实现类似,但会为左右子节点添加 getter
与 setter
。请注意,实例中会保存父节点的引用,当添加新的子节点时,将更新(子节点中)父节点的引用。
const LEFT = 0;
const RIGHT = 1;
class TreeNode {
constructor(value) {
this.value = value;
this.descendents = [];
this.parent = null;
//译者注:原文并没有以下两个属性,但不加上去话下文的实现会报错
this.newNode.isParentLeftChild = false;
this.meta = {};
}
get left() {
return this.descendents[LEFT];
}
set left(node) {
this.descendents[LEFT] = node;
if (node) {
node.parent = this;
}
}
get right() {
return this.descendents[RIGHT];
}
set right(node) {
this.descendents[RIGHT] = node;
if (node) {
node.parent = this;
}
}
}
复制代码
OK,现在已经可以添加左右子节点。接下来将编写 BST 类,使其满足 左子节点 < 父节点 < 右子节点
。
class BinarySearchTree {
constructor() {
this.root = null;
this.size = 0;
}
add(value) { /* ... */ }
find(value) { /* ... */ }
remove(value) { /* ... */ }
getMax() { /* ... */ }
getMin() { /* ... */ }
}
复制代码
下面先编写插入新节点相关的的代码。
BST 节点的插入
要将一个新的节点插入到二叉搜索树中,我们需要以下三步:
- 如果树中没有任何节点,第一个节点当成为根节点。
- (将新插入节点的值)与树中的根节点或树节点进行对比,如果值 更大,则放至右子树(进行下一次对比),反之放到左子树(进行对比) 。如果值一样,则说明被重复添加,可增加重复节点的计数。
- 重复第二点操作,直至找到空位插入新节点。
让我们通过以下例子来说明,树中将依次插入30、40、10、15、12、50:
代码实现如下:
add(value) {
const newNode = new TreeNode(value);
if (this.root) {
const { found, parent } = this.findNodeAndParent(value);
if (found) { // duplicated: value already exist on the tree
found.meta.multiplicity = (found.meta.multiplicity || 1) + 1;
} else if (value < parent.value) {
parent.left = newNode;
//译者注:原文并没有这行代码,但不加上去的话下文实现会报错
newNode.isParentLeftChild = true;
} else {
parent.right = newNode;
}
} else {
this.root = newNode;
}
this.size += 1;
return newNode;
}
复制代码
我们使用了名为 findNodeAndParent
的辅助函数。如果(与新插入节点值相同的)节点已存在于树中,则将节点统计重复的计数器加一。看看这个辅助函数该如何实现:
findNodeAndParent(value) {
let node = this.root;
let parent;
while (node) {
if (node.value === value) {
break;
}
parent = node;
node = ( value >= node.value) ? node.right : node.left;
}
return { found: node, parent };
}
复制代码
findNodeAndParent
沿着树的结构搜索值。它从根节点出发,往左还是往右搜索取决于节点的值。如果已存在相同值的节点,函数返回找到的节点(即相同值的节点)与它的父节点。如果没有相同值的节点,则返回最后找到的节点(即将变为新插入节点父节点的节点)。
BST 节点的删除
我们已经知道如何(在二叉搜索树中)插入与查找值,现在将实现删除操作。这比插入而言稍微麻烦一点,让我们用下面的例子进行说明:
删除叶节点(即没有任何子节点的节点)
30 30
/ \ remove(12) / \
10 40 ---------> 10 40
\ / \ \ / \
15 35 50 15 35 50
/
12*
复制代码
只需要删除父节点(即节点 #15)中保存着的 节点 #12 的引用即可。
删除有一个子节点的节点
30 30
/ \ remove(10) / \
10* 40 ---------> 15 40
\ / \ / \
15 35 50 35 50
复制代码
在这种情况中,我们将父节点 #30 中保存着的子节点 #10 的引用,替换为子节点的子节点 #15 的引用。
删除有两个子节点的节点
30 30
/ \ remove(40) / \
15 40* ---------> 15 50
/ \ /
35 50 35
复制代码
待删除的节点 #40 有两个子节点(#35 与 #50)。我们将待删除节点替换为节点 #50。待删除的左子节点 #35 将在原位不动,但它的父节点已被替换。
另一个删除节点 #40 的方式是:将左子节点 #35 移到节点 #40 的位置,右子节点位置保持不变。
30
/ \
15 35
\
50
复制代码
两种形式都可以,这是因为它们都遵循了二叉搜索树的原则:左子节点 < 父节点 < 右子节点
。
删除根节点
30* 50
/ \ remove(30) / \
15 50 ---------> 15 35
/
35
复制代码
删除根节点与此前讨论的机制情况差不多。唯一的区别是需要更新二叉搜索树实例中根节点的引用。
以下的动画是上述操作的具体展示:
在动画中,被移动的节点是左子节点或者左子树,右子节点或右子树位置保持不变。
关于删除节点,已经有了思路,让我们来实现它吧:
remove(value) {
const nodeToRemove = this.find(value);
if (!nodeToRemove) return false;
// Combine left and right children into one subtree without nodeToRemove
const nodeToRemoveChildren = this.combineLeftIntoRightSubtree(nodeToRemove);
if (nodeToRemove.meta.multiplicity && nodeToRemove.meta.multiplicity > 1) {
nodeToRemove.meta.multiplicity -= 1; // handle duplicated
} else if (nodeToRemove === this.root) {
// Replace (root) node to delete with the combined subtree.
this.root = nodeToRemoveChildren;
this.root.parent = null; // clearing up old parent
} else {
const side = nodeToRemove.isParentLeftChild ? 'left' : 'right';
const { parent } = nodeToRemove; // get parent
// Replace node to delete with the combined subtree.
parent[side] = nodeToRemoveChildren;
}
this.size -= 1;
return true;
}
复制代码
以下是实现中一些要注意的地方:
- 首先,搜索待删除的节点是否存在。如果不存在,返回
false
。 - 如果待删除的节点存在,则将它的左子树合并到右子树中,组合为一颗新子树。
- 替换待删除的节点为组合好的子树。
将左子树组合到右子树的函数如下:
combineLeftIntoRightSubtree(node) {
if (node.right) {
//译者注:原文是 getLeftmost,寻找左子树最大的节点,这肯定有问题,应该是找最小的节点才对
const leftLeast = this.getLefLeast(node.right);
leftLeast.left = node.left;
return node.right;
}
return node.left;
}
复制代码
正如下面例子所示,我们想把节点 #30 删除,将待删除节点的左子树整合到右子树中,结果如下:
30* 40
/ \ / \
10 40 combine(30) 35 50
\ / \ -----------> /
15 35 50 10
\
15
复制代码
现在把新的子树的根节点作为整个二叉树的根节点,节点 #30 将不复存在!
二叉树的遍历
根据遍历的顺序,二叉树的遍历有若干种形式:中序遍历、先序遍历与后序遍历。同时,我们也可以使用在《初学者应该了解的数据结构: Graph》 (译文一文中学到的 DFS 或 BFS 来遍历整棵树。以下是具体的实现:
中序遍历(In-Order Traversal)
中序遍历访问节点的顺序是:左子节点、节点本身、右子节点。
* inOrderTraversal(node = this.root) {
if (node.left) { yield* this.inOrderTraversal(node.left); }
yield node;
if (node.right) { yield* this.inOrderTraversal(node.right); }
}
复制代码
用以下这棵树作为例子:
10
/ \
5 30
/ / \
4 15 40
/
3
复制代码
中序遍历将按照以下顺序输出对应的值:3、4、5、10、15、30、40。也就是说,如果待遍历的树是一颗二叉搜索树,那输出值的顺序将是升序的。
后序遍历(Post-Order Traversal)
后序遍历访问节点的顺序是:左子节点、右子节点、节点本身。
* postOrderTraversal(node = this.root) {
if (node.left) { yield* this.postOrderTraversal(node.left); }
if (node.right) { yield* this.postOrderTraversal(node.right); }
yield node;
}
复制代码
后序遍历将按照以下顺序输出对应的值:3、4、5、15、40、30、10。
先序遍历与 DFS(Pre-Order Traversal)
先序遍历访问节点的顺序是:节点本身、左子节点、右子节点。
* preOrderTraversal(node = this.root) {
yield node;
if (node.left) { yield* this.preOrderTraversal(node.left); }
if (node.right) { yield* this.preOrderTraversal(node.right); }
}
复制代码
先序遍历将按照以下顺序输出对应的值:10、5、4、3、30、15、40。与深度优先搜索(DPS)的顺序是一致的。
广度优先搜索 (BFS)
树的 BFS 可以通过队列来实现:
* bfs() {
const queue = new Queue();
queue.add(this.root);
while (!queue.isEmpty()) {
const node = queue.remove();
yield node;
node.descendents.forEach(child => queue.add(child));
}
}
复制代码
BFS 将按照以下顺序输出对应的值:10、5、30、4、15、40、3。
平衡树 vs. 非平衡树
目前,我们已经讨论了如何新增、删除与查找元素。然而,我们并未谈到(相关操作的)时间复杂度,先思考一下最坏的情况。
假设按升序添加数字:
树的左侧没有任何节点!在这颗非平衡树( Non-balanced Tree)中进行查找元素并不比使用链表所花的时间短,都是 O(n)。 ?
在非平衡树中查找元素,如同以逐页翻看的方式在字典中寻找一个单词。但如果树是平衡的,将类似于对半翻开字典,视乎该页的字母,选择左半部分或右半部分继续查找(对应的词)。
需要找到一种方式使树变得平衡!
如果树是平衡的,查找元素不在需要遍历全部元素,时间复杂度降为 O(log n)。让我们探讨一下平衡树的意义。
如果在非平衡树中寻找值为 7 的节点,就必须从节点 #1 往下直到节点 #7。然而在平衡树中,我们依次访问 #4、#6 后,下一个节点将到达 #7。随着树规模的增大,(非平衡树的)表现会越来越糟糕。如果树中有上百万个节点,查找一个不存在的元素需要上百万次访问,而平衡树中只要20次!这是天壤之别!
我们将在下一篇文章中通过自平衡树来解决这个问题。
总结
我们讨论了不少树的基础,以下是相关的总结:
- 树是一种数据结构,它的节点有 0 个或多个子节点。
- 树并不存在环,图才存在。
- 在二叉树中,每个节点最多只有两个子节点。
- 当一颗二叉树中,左子节点的值小于节点的值,而右子节点的值大于节点的值时,这颗树被称为二叉搜索树。
- 可以通过先序、后续和中序的方式访问一棵树。
- 在非平衡树中查找的时间复杂度是 O(n)。 ??
- 在平衡树中查找的时间复杂度是 O(log n)。 ?