首先,我们要明确我们是在什么知识体系内讨论红黑树的问题:红黑树是一种平衡二叉查找树。
- 什么是平衡二叉查找树呢?
平衡二叉树的严格定义是这样的:
二叉树中任意一个节点的左右子树的高度相差不能大于 1(小于等于1)
从这个定义来看,上一节我们讲的完全二叉树、满二叉树其实都是平衡二叉树,但是非完全二叉树也有可能是平衡二叉树。
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,这种二叉树就叫作满二叉树。
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,这种二叉树叫作完全二叉树。
顾名思义,红黑树中的节点,一类被标记为黑色,一类被标记为红色。
除此之外,一棵红黑树还需要满足这样几个要求:
1.根节点是黑色的;
2.每个叶子节点都是黑色的空节点(NIL),也就是说,叶子节点不存储数据;
3.任何相邻的节点都不能同时为红色,也就是说,红色节点是被黑色节点隔开的;
4.每个节点,从该节点到达其可达叶子节点的所有路径,都包含相同数目的黑色节点;
- 为什么红黑树是“近似平衡”的?
平衡二叉查找树的初衷,是为了解决二叉查找树因为动态更新导致的性能退化问题。
所以,“平衡”的意思可以等价为性能不退化。“近似平衡”就等价为性能不会退化的太严重。
红黑树的高度不是很好分析,我带你一步一步来推导
首先,我们来看,如果我们将红色节点从红黑树中去掉,那单纯包含黑色节点的红黑树的高度是多少呢?
红色节点删除之后,有些节点就没有父节点了,它们会直接拿这些节点的祖父节点(父节点的父节点)作为父节点。所以,之前的二叉树就变成了四叉树。
![2d373ab94f1ebe0198779f3e6d682f85.png](https://i-blog.csdnimg.cn/blog_migrate/c0e95f4fa008d63f7b2cb99670a0d099.jpeg)
前面红黑树的定义里有这么一条:从任意节点到可达的叶子节点的每个路径包含相同数目的黑色节点。我们从四叉树中取出某些节点,放到叶节点位置,四叉树就变成了完全二叉树。
所以,仅包含黑色节点的四叉树的高度,比包含相同节点个数的完全二叉树的高度还要小。上一节我们说,完全二叉树的高度近似 log2n,这里的四叉“黑树”的高度要低于完全二叉树,所以去掉红色节点的“黑树”的高度也不会超过 log2n。
我们现在知道只包含黑色节点的“黑树”的高度,那我们现在把红色节点加回去,高度会变成多少呢?
从上面我画的红黑树的例子和定义看,在红黑树中,红色节点不能相邻,也就是说,有一个红色节点就要至少有一个黑色节点,将它跟其他红色节点隔开。
红黑树中包含最多黑色节点的路径不会超过 log2n,所以加入红色节点之后,最长路径不会超过 2log2n,也就是说,红黑树的高度近似 2log2n。
所以,红黑树的高度只比高度平衡的 AVL 树的高度(log2n)仅仅大了一倍,在性能上,下降得并不多。这样推导出来的结果不够精确,实际上红黑树的性能更好。
我们学习数据结构和算法,要学习它的由来、特性、适用的场景以及它能解决的问题。
红黑树是一种平衡二叉查找树。
它是为了解决普通二叉查找树在数据更新的过程中,复杂度退化的问题而产生的。
红黑树的高度近似 log2n,所以它是近似平衡,插入、删除、查找操作的时间复杂度都是 O(logn)。
因为红黑树是一种性能非常稳定的二叉查找树,所以,在工程中,但凡是用到动态插入、删除、查找数据的场景,都可以用到它。
不过,它实现起来比较复杂,如果自己写代码实现,难度会有些高,这个时候,我们其实更倾向用跳表来替代它。