数据结构学习——11—树的实现(二叉树，节点添加，先中后序遍历)

一、树

树（英语：tree）是一种抽象数据类型（ADT）或是实作这种抽象数据类型的数据结构，用来模拟具有树状结构性质的数据集合。它是由n（n>=1）个有限节点组成一个具有层次关系的集合。

树具有以下特点：

• 每个节点有零个或多个子节点；
• 没有父节点的节点称为根节点；
• 每一个非根节点有且只有一个父节点；
• 除了根节点外，每个子节点可以分为多个不相交的子树；

树里面每个元素我们叫作“节点”；用来连线相邻节点之间的关系，我们叫作“父子关系”。

A 节点就是 B 节点的父节点，B 节点是 A 节点的子节点。B、C、D 这三个节点的父节点是同一个节点，所以它们之间互称为兄弟节点。我们把没有父节点的节点叫作根节点，也就是图中的节点 E。我们把没有子节点的节点叫作叶子节点或者叶节点，比如图中的 G、H、I、J、K、L 都是叶子节点。

树的概念：高度（Height）、深度（Depth）、层（Level）

• 节点的高度:节点到叶子节点的最长路径
• 节点的深度:根节点到这个节点所经历的边的个数
• 节点的层数:节点的深度+1
• 树的高度:根节点的高度
  
  这里需要注意的是深度这个概念，有的教材中是从1开始计算的，有的教材是从0开始计算，这里暂定为0开始。

树的种类：

• 无序树：树中任意节点的子节点之间没有顺序关系，这种树称为无序树，也称为自由树；

• 有序树：树中任意节点的子节点之间有顺序关系，这种树称为有序树；

  • 二叉树：每个节点最多含有两个子树的树称为二叉树；
    - 完全二叉树：对于一颗二叉树，假设其深度为d(d>1)。除了第d层外，其它各层的节点数目均已达最大值，且第d层所有节点从左向右连续地紧密排列，这样的二叉树被称为完全二叉树。
    满二叉树的定义是所有叶节点都在最底层的完全二叉树;
    - 平衡二叉树（AVL树）：当且仅当任何节点的两棵子树的高度差不大于1的二叉树；
    - 排序二叉树（二叉查找树（Binary Search Tree），也称二叉搜索树、有序二叉树）；
  • 霍夫曼树（用于信息编码）：带权路径最短的二叉树称为哈夫曼树或最优二叉树；
  • B树：一种对读写操作进行优化的自平衡的二叉查找树，能够保持数据有序，拥有多余两个子树。

二叉树，每个节点最多有两个“叉”，也就是两个子节点，分别是左子节点和右子节点。不过，二叉树并不要求每个节点都有两个子节点，有的节点只有左子节点，有的节点只有右子节点(小于等于2个节点)。

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。

下图二叉树中，图中编号2是满二叉树。
编号 3 的二叉树中，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。

树的存储与表示：

二叉树通常以链式存储。

链式存储中每个节点有三个字段，其中一个存储数据，另外两个是指向左右子节点的指针。我们只要拎住根节点，就可以通过左右子节点的指针，把整棵树都串起来。这种存储方式我们比较常用。大部分二叉树代码都是通过这种结构来实现的。

顺序存储：将数据结构存储在固定的数组中，然在遍历速度上有一定的优势，但因所占空间比较大，是非主流二叉树。

二叉树的代码实现：
节点表示：

# 节点实现
class Node(object):
    '''节点类'''
    def __init__(self, item, l_item=None, r_item=None):       # 默认没有指向其他节点的
        self.item = item                                      # 节点的数据值
        self.l_item = l_item                                  # 指向下面左节点的地址
        self.r_item = r_item                                  # 指向下面右节点的地址

树的创建,创建一个树的类，并给一个root根节点，一开始为空，随后添加节点。

# 实现深度为3   广度优先的完全二叉树
class Tree(object):
    '''树类'''
    #
    def __init__(self, root=None):          # 初始根节点root为None
        self.root = root
    

1、实现树的添加节点函数

# 添加新节点
    def add(self, item):
        # 创建一个节点
        node = Node(item)
        
        # 空树
        if self.root == None:
            self.root = node
        else:
            queue = []                     # 创建新列表     不是空树的情况下
            queue.append(self.root)        # 根节点添加进新列表
            
            while queue:                       # 不断循环遍历所有列表，当queue的元素弹空为止，跳出循环
                cur_node = queue.pop(0)        # 弹出当前节点的值    类似于队列中的弹出首元素的值用pop(0)    这句得在循环内，否则不会循环弹出值
                if cur_node.l_item == None:    # 如果左节点的指向地址为空，使左节点地址指向新添加节点
                    cur_node.l_item = node
                    return
                elif cur_node.r_item == None:  # 如果右边节点的指向地址为空，使右节点地址指向新添加节点
                    cur_node.r_item = node
                    return
                else:
                    queue.append(cur_node.l_item)     # 如果左边和右边节点的指向地址都不为空，直接添加新节点
                    queue.append(cur_node.r_item)

2、广度优先遍历树的节点

# 广度优先遍历节点
    def tree_node_travel(self):
        if self.root == None:                   # 空树，直接返回
            return None
        else:
            queue = []                           # 创建新列表     不是空树的情况下
            queue.append(self.root)              # 根节点添加进新列表
    
            while queue:                         # 不断循环遍历所有列表，当queue的元素弹空为止，跳出循环
                node = queue.pop(0)              # 弹出当前节点的值    类似于队列中的弹出首元素的值用pop(0)
                print("当前节点数值：", node.item)      # 打印输出当前节点数据
                
                if node.l_item != None:
                    queue.append(node.l_item)
                    
                if node.r_item != None:
                    queue.append(node.r_item)

深度优先遍历
对于一颗二叉树，深度优先搜索(Depth First Search)是沿着树的深度遍历树的节点，尽可能深的搜索树的分支。

那么深度遍历有重要的三种方法，分别叫做先序遍历（preorder），中序遍历（inorder）和后序遍历（postorder）。

在先序遍历中，我们先访问根节点，然后递归使用先序遍历访问左子树，再递归使用先序遍历访问右子树
根节点->左子树->右子树

3、实现深度优先中的先序遍历

 #  深度优先中的先序遍历
    '''
    先序遍历 在先序遍历中，我们先访问根节点，然后递归使用先序遍历访问左子树，再递归使用先序遍历访问右子树
    根节点->左子树->右子树
    '''
    def preorder(self, node):   # 先传的是根节点
        if node == None:        # 空树情况
            return None
        
        print(node.item, end=" ")       # 非空树情况直接打印
        self.preorder(node.l_item)      # 递归执行打印节点左边指向地址值
        self.preorder(node.r_item)      # 递归执行打印节点右边指向地址值
        
    

4、实现深度优先中的中序遍历
中序遍历 在中序遍历中，我们递归使用中序遍历访问左子树，然后访问根节点，最后再递归使用中序遍历访问右子树
左子树->根节点->右子树

# 深度优先中的中序遍历
    '''
    在中序遍历中，我们递归使用中序遍历访问左子树，然后访问根节点，最后再递归使用中序遍历访问右子树
    左子树->根节点->右子树
    '''
    def inorder(self, node):
        """递归中序遍历"""
        if node == None:
            return
        self.inorder(node.litem)
        print(node.item, end=" ")
        self.inorder(node.ritem)

5、实现深度优先中的后序遍历

# 深度优先中的后序遍历
    '''
    后序遍历 在后序遍历中，我们先递归使用后序遍历访问左子树和右子树，最后访问根节点
    左子树->右子树->根节点
    '''
    def postorder(self, node):
        """递归实现后序遍历"""
        if node == None:
            return
        self.postorder(node.litem)
        self.postorder(node.ritem)
        print(node.item, end=" ")
    

问题：哪两种遍历方式能够唯一的确定一颗树？
答：包含中序遍历的能够唯一确定一棵树，因为中序遍历中的顺序是 左子树->根节点->右子树，可以根据另一个遍历方式先确定根节点是哪些，然后拆分中序遍历中的左右两个非根节点的部分，能够确定剩余的左右子树的节点值。

常见的树的应用场景

• xml，html等，那么编写这些东西的解析器的时候，不可避免用到树
• 路由协议就是使用了树的算法
• mysql数据库索引 (面试重点：B+树实现)
• 文件系统的目录结构（Linux）
• 很多经典的AI算法其实都是树搜索，此外机器学习中的decision tree也是树结构