本文深入解析了二叉索引树（又称树状数组或Binary Indexed Tree, BIT）这一数据结构，通过LeetCode 307题的解法介绍其原理和应用。首先讲解了暴力解法和前缀和优化，接着引入了分组求和的方法，以平衡查询和更新的时间复杂度。最后详细阐述了树状数组的思想，包括如何通过二进制分解快速求区间和以及如何高效地更新数据。总结了树状数组在区间查询和更新上的优势，并提供了相关代码实现。
背景
了解到二叉索引树这个数据结构，是在 leetcode 的 307 题，题目是要求实现一个数据结构，可以返回数组任意区间的和以及更新数组的某个值。
307、Range Sum Query - Mutable
Given an integer array nums, find the sum of the elements between indices i and j (i ≤ j), inclusive.
The update(i, val) function modifies nums by updating the element at index i to val.
Example:
Given nums = [1, 3, 5]
sumRange(0, 2) -> 9
update(1, 2)
sumRange(0, 2) -> 8
Constraints:
- The array is only modifiable by the update function.
- You may assume the number of calls to update and sumRange function is distributed evenly.
- 0 <= i <= j <= nums.length - 1常规解法
先介绍下常规的解法，树状数组有用到他们之中的一些思想或者过程。
解法一
最暴力的解法，sumRange 直接 for 循环算，update 直接更新数组中的值。
/**
* @param {number[]} nums
*/
var NumArray = function (nums) {
this.nums = [...nums];
};
/**
* @param {number} i
* @param {number} val
* @return {void}
*/
NumArray.prototype.update = function (i, val) {
this.nums[i] = val;
};
/**
* @param {number} i
* @param {number} j
* @return {number}
*/
NumArray.prototype.sumRange = function (i, j) {
let sum = 0;
for (let k = i; k <= j; k++) {
sum += this.nums[k];
}
return sum;
};
/**
* Your NumArray object will be instantiated and called as such:
* var obj = new NumArray(nums)
* obj.update(i,val)
* var param_2 = obj.sumRange(i,j)
*/
时间复杂度： update 是 O(1)，sumRange 是 O(n)。
解法二
303 题 做过 sumRange 的优化，我们用一个数组保存累计的和，numsAccumulate[i] 存储 0 到 i - 1 累计的和。
如果我们想求 i 累积到 j 的和，只需要用 numsAccumulate[j + 1] 减去 numsAccumulate[i]。
结合下边的图应该很好理解，我们要求的是橙色部分，相当于 B 的部分减去 A 的部分。
所以我们可以提前把一些前缀和存起来，然后查询区间和的时候在可以通过差实现。
/**
* @param {number[]} nums
*/
var NumArray = function (nums) {
this.nums = [...nums];
this.numsAccumulate = [0];
let sum = 0;
for (let i = 0; i < nums.length; i++) {
sum += nums[i];
this.numsAccumulate.push(sum);
}
};
/**
* @param {number} i
* @param {number} val
* @return {void}
*/
NumArray.prototype.update = function (i, val) {
let sub = val - this.nums[i];
this.nums[i] = val;
for (let k = i + 1; k < this.numsAccumulate.length; k++) {
this.numsAccumulate[k] += sub;
}
};
/**
* @param {number} i
* @param {number} j
* @return {number}
*/
NumArray.prototype.sumRange = function (i, j) {
return this.numsAccumulate[j + 1] - this.numsAccumulate[i];
};
/**
* Your NumArray object will be instantiated and called as such:
* var obj = new NumArray(nums)
* obj.update(i,val)
* var param_2 = obj.sumRange(i,j)
*/
时间复杂度： update 是 O(n)，sumRange 是 O(1)。
虽然 sumRange 的时间复杂度优化了，但是 update 又变成了 O(n)。因为更新一个值的时候，这个值后边的累计和都需要更新。
解法三
解法一和解法二时间复杂度两个方法始终一个是 O(1)，一个是 O(n)。这里再分享 官方题解 提供的一个解法，可以优化查询区间的时间复杂度。
我们可以将原数据分成若干个组，然后提前计算这些组的和，举个例子。
组号: 0 1 2 3
数组: [2 4 5 6] [9 9 3 8] [1 2 3 4] [4 2 3 4]
下标: 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
和: 17 29 10 13
如果我们要计算 sumRange(1,13)，之前我们需要循环累加下标 1 到 13 的数字的和。
现在我们只需要循环累加 1 到 3 的和，加上循环累加 12 到 13 的和，再累加中间组提前算好的和，也就是第 1 组和第 2 组的和 29 和 10 ，就是最终的结果了。
至于更新的话，我们也不需要像解法二那样更新那么多。我们只需要更新当前元素所在的组即可。
下一个问题，每组的大小定多少呢？
如果定的小了，那么组数就会特别多。
如果定的大了，那么组内元素就会特别多。
组数和组内元素个数都会影响到 sumRange 的时间复杂度。
这里，我们在组数和组内元素个数之间取个平衡，假设数组大小是 n，那么组内元素个数取
0 组最多累加
结合代码理解一下。
/**
* @param {number[]} nums
*/
var NumArray = function (nums) {
this.nums = [...nums];
this.groupSize = Math.floor(Math.sqrt(this.nums.length));
this.group = [];
let sum = 0;
let i = 0;
for (i = 0; i < nums.length; i++) {
sum += nums[i];
if ((i + 1) % this.groupSize === 0) {
this.group.push(sum);
sum = 0;
}
}
//有可能数组大小不能整除组的大小, 最后会遗漏下几个元素
if (i % this.groupSize !== 0) {
this.group.push(sum);
}
};
/**
* @param {number} i
* @param {number} val
* @return {void}
*/
NumArray.prototype.update = function (i, val) {
let sub = val - this.nums[i];
let groudId = Math.floor(i / this.groupSize);
this.group[groudId] += sub;
this.nums[i] = val;
};
/**
* @param {number} i
* @param {number} j
* @return {number}
*/
NumArray.prototype.sumRange = function (i, j) {
let groupI = Math.floor(i / this.groupSize);
let groupJ = Math.floor(j / this.groupSize);
let sum = 0;
//在同一组内, 直接累加
if (groupI === groupJ) {
for (let k = i; k <= j; k++) {
sum += this.nums[k];
}
} else {
//左边组的元素累加
for (let k = i; k < (groupI + 1) * this.groupSize; k++) {
sum += this.nums[k];
}
//累加中间所有的组
for (let g = groupI + 1; g < groupJ; g++) {
sum += this.group[g];
}
//右边组的元素累加
for (let k = groupJ * this.groupSize; k <= j; k++) {
sum += this.nums[k];
}
}
return sum;
};
/**
* Your NumArray object will be instantiated and called as such:
* var obj = new NumArray(nums)
* obj.update(i,val)
* var param_2 = obj.sumRange(i,j)
*/
时间复杂度： update 是 O(1)，sumRange 是
树状数组
有了上边的背景，我们再回到树状数组。
这个解法写法很简单，但理解的话可能稍微难一些，很多文章都直接讲该怎么用，没有介绍最初的动机，于是去看了提出这个解法的 原始论文，看看能不能理解。
这个解法叫 Fenwick tree 或者binary indexed tree，翻译过来的话叫做树状数组或者二叉索引树，但我觉得 binary 翻译成二进制更好，叫做二进制索引树更贴切些，二叉树容易引起误解。
回想一下解法三，我们预先求出了若干个区间和，然后查询的区间可以根据之前预先求出来的区间来求出。这里的话同样的思想，先预先求一些区间和，然后把要求的区间分解成若干个之前求好的区间和即可。相比于解法三，这里的分解会更加巧妙一些。
我们知道计算机中的数都是由二进制来表示的，任何一个数都可以分解成 2 的幂次的和，进制转换不熟的话可以参考 再谈进制转换。
举个例子
接下来就是神奇的地方了，每一个数都可以拆成这样的 x = a + b + c + ... 的形式。
我们把等式左侧的数 x 看做是区间 [1, x]，等式右边看做从 x 开始每个区间的长度，也就变成了下边的样子。
[1, x] = [x, x - a + 1] + [x - a, x - a - b + 1] + [x - a - b, x - a - b - c + 1] + ...。
看起来有些复杂，举个具体的例子就简单多了。
以
[1, 11] = [11, 11] + [10, 9] + [8, 1]。
[11, 11]、[10, 9]、[8, 1] 长度分别是 1、2、8。
我们成功把一个大区间，分成了若干个小区间，这就是树状数组最核心的地方了，只要理解了上边讲的，下边就很简单了。
首先，因为数组的下标是从 0 开始的，上边的区间范围是从 1 开始的，所以我们在原数组开头补一个 0 ，这样区间就是从 1 开始了。
因此我们可以通过分解快速的求出 [1, x] 任意前缀区间的和，知道了前缀区间的和，就回到了解法二，通过做差可以算出任意区间的和了。
最后，我们需要解决子区间该怎么求？
[1, 11] = [11, 11] + [10, 9] + [8, 1] 我们用 V 表示子区间，用 F 表示某个区间。
F[1,11] = V[11] + V[10] + V[8]
其中，V[11] = F[11,11], V[10] = F[10,9], V[8]=F[8...1]，为什么是这样？
回到二进制，F[0001,1011] = V[1011] + V[1010] + V[1000]
1010 = 1011 - 0001，0001 就是十进制的 1，所以 V[1011] 存 1 个数，所以 V[11] = F[11,11]。
1000 = 1010 - 0010，0010 就是十进制的 2，所以 V[1010] 存 2 个数，所以 V[10] = F[10,9]。
0000 = 1000 - 1000，1000 就是十进制的 8，所以 V[1000] 存 8 个数，所以 V[8] = F[8...1]。
V[1011] 存 1 个数， V[1010] 存 2 个数，看的是二进制最右边的一个 1 到末尾的大小。1010 就是 10，1000 就是 1000 。
怎么得到一个数最右边的 1 到末尾的大小，是二进制操作的一个技巧，会用到一些补码的知识，可以参考 趣谈计算机补码。
将原数取反，然后再加 1 得到的新数和原数按位相与就得到了最右边的 1 到末尾的数。
举个例子，对于 101000 ，先取反得到 010111，再加 1 变成 011000，再和原数相与，101000 & 011000，刚好就得到了 1000。其中，取反再加一，根据补码的知识，可以通过取相反数得到。
所以对于 i 的话，i & -i 就得到了最右边的 1 到末尾的数，也就是 V[i] 这个区间存多少个数。
如果 len = i & -i ，那么 V[i] = F[i,i-1,i-2, ... i-len+1]。
参考下边的代码，BIT 就是我们上边要求的 V 数组。
/**
* @param {number[]} nums
*/
var NumArray = function (nums) {
this.nums = [0, ...nums]; //补一个 0
this.BIT = new Array(this.nums.length);
for (let i = 1; i < this.BIT.length; i++) {
let index = i - ( i & -i ) + 1;
this.BIT[i] = 0;
//累加 index 到 i 的和
while (true) {
this.BIT[i] += this.nums[index];
index += 1;
if (index > i) {
break;
}
}
}
};
有了 BIT 这个数组，一切就都好说了。如果我们想求 F[1, 11] 也就是前 11 个数的和。
F[1,11] = BIT[11] + BIT[10] + BIT[8]，看下二进制 BIT[0001,1011] = BIT[1011] + BIT[1010] + BIT[1000] 。
1011 -> 1010 -> 1000，对于 BIT 每次的下标就是依次把当前数最右边的 1 变成 0 。
这里有两种做法，一种是我们求出当前数最右边的 1 到末尾的数，然后用原数减一下。
举个例子， 1010 最右边的 1 到末尾的数是 10 ，然后用 1010 - 10 就得到 1000 了。
另外一种做法，就是 n & (n - 1)，比如 1010 & (1010 - 1)，刚好就是 1000 了。
知道了这个，我们可以实现一个函数，用来求区间 [1, n] 的和。
NumArray.prototype.range = function (index) {
let sum = 0;
while (index > 0) {
sum += this.BIT[index];
index -= index & -index;
//index = index & (index - 1); //这样也可以
}
return sum;
};
有了 range 函数，题目中的 sumRange 也就很好实现了。
NumArray.prototype.sumRange = function (i, j) {
//range 求的区间范围下标是从 1 开始的,所以这里的 j 需要加 1
return this.range(j + 1) - this.range(i);
};
接下来是更新函数怎么写。
更新函数的话，最关键的就是找出，当我们更新数组第 i 个值，会影响到我们的哪些子区间，也就是代码中的 BIT 数组需要更新哪些。
我们来回忆下之前做了什么事情。
这是论文中的一张图，含义就是我们之前分析的，BIT[8] 存的是 F[1...8] ，对应图中的就是从第 8 个位置到第 1 个位置的矩形。BIT[6] 存的是 F[6,5]， 对应图中的就是从第 6 个位置一直到第 5 个位置的矩形。
然后我们水平从某个数画一条线，比如从 3 那里画一条线。
穿过了 3 对应的矩形，4 对应的矩形，8 对应的矩形。因此如果改变第 3 个数，BIT[3]，BIT[4] 以及 BIT[8] 就需要更新。通过这种方式我们把每个数会影响到哪个区间画出来，找一下规律。
当改变了第 5 个元素的时候，会依次影响到 BIT[5]，BIT[6]，BIT[8]，BIT[16]。
00101 -> 00110 -> 01000 -> 10000。
00101 + 1 = 00110。
00110 + 10 = 01000
01000 + 1000 = 10000
可以看到每次都是加上当前数最右边的 1 到末尾的数，即 next = current + (current & -current)。
所以更新的代码也就出来了。
/**
* @param {number} i
* @param {number} val
* @return {void}
*/
NumArray.prototype.update = function (i, val) {
i += 1;//对应的下标要进行加 1
const sub = val - this.nums[i];
this.nums[i] = val;
while (i < this.nums.length) {
this.BIT[i] += sub;
i += i & -i;
}
};
综上，这道题就解决了，我们把代码合在一起。
/**
* @param {number[]} nums
*/
var NumArray = function (nums) {
this.nums = [0, ...nums];
this.BIT = new Array(this.nums.length);
for (let i = 1; i < this.BIT.length; i++) {
let index = i - ( i & -i ) + 1;
this.BIT[i] = 0;
while (true) {
this.BIT[i] += this.nums[index];
index += 1;
if (index > i) {
break;
}
}
}
};
/**
* @param {number} i
* @param {number} val
* @return {void}
*/
NumArray.prototype.update = function (i, val) {
i += 1;
const sub = val - this.nums[i];
this.nums[i] = val;
while (i < this.nums.length) {
this.BIT[i] += sub;
i += i & -i;
}
};
/**
* @param {number} i
* @param {number} j
* @return {number}
*/
NumArray.prototype.sumRange = function (i, j) {
return this.range(j + 1) - this.range(i);
};
NumArray.prototype.range = function (index) {
let sum = 0;
while (index > 0) {
sum += this.BIT[index];
// index -= index & -index;
index = index & (index - 1); //这样也可以
}
return sum;
};
/**
* Your NumArray object will be instantiated and called as such:
* var obj = new NumArray(nums)
* obj.update(i,val)
* var param_2 = obj.sumRange(i,j)
*/
时间复杂度的话，初始化、更新、查询其实都和二进制的位数有关，以查询为例。每次将二进制的最后一位变成 0，最坏的情况就是初始值是全 1，即 1111 这种，执行次数就是 4 次，也就是二进制的位数。
如果是 n ，那么位数大约就是 log(n)，可以结合 再谈进制转换 理解。把一个数展开为 2 的幂次和，位数其实就是最高位的幂次加 1。比如
3 ，所以
11 的二进制
(1011) 位数就是
4。如果要求的数是
n，最高的次幂是
x ，
x = log(n)，位数就是
log(n) + 1。
所以 update 和 sumRange 的时间复杂度就是 O(log(n))。
对于初始化函数，因为要执行 n 次，所以就是 O(nlog(n))。当然我们也可以利用解法二，把前缀和都求出来，然后更新数组 BIT 的每个值，这样就是 O(n) 了。但不是很有必要，因为如果查询和更新的次数很多，远大于 n 次，那么初始化这里的时间复杂度也就无关紧要了。
总
讲了很多，其实树状数组最根本的就是开头所提到的二进制幂次的分解，
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
