【数据结构】

数据结构：

面试常考的几种树

1、BST（二叉排序树、二叉搜索树）

二叉搜索树或者是一颗空树，或者是具有下列性质的二叉树

• 每个节点都有一个作为搜索依据的关键码key，所有节点的关键码互不相同；
• 左子树（如果存在）上所有节点的关键码都小于根结点的关键码
• 右子树（如果存在）上所有节点的关键码都大于根结点的关键码
• 左子树和右子树也是二叉搜索树

总结：如果对一棵二叉搜索树进行中序遍历，可以按从小到大的顺序，将各节点关键码排列起来，所以也称二叉搜索树为二叉排序树

2、AVL树

一棵AVL树或者是空树，或者是具有下列性质的二叉搜索树：它的左子树和右子树都是AVL树，且左子树和右子树的高度之差的绝对值不超过1。

节点的平衡因子：

• 每个节点附加一个数字，给出该节点右子树的高度减去左子树的高度所得的高度差。这个数字即为结点的平衡因子balance
• 根据AVL树的定义，任一节点的平衡因子只能取-1,0,1
• 如果一个节点的平衡因子的绝对值大于1，则这颗二叉搜索树就失去了平衡，不在是AVL树
• 如果一颗二叉搜索树是高度平衡的，它就成为AVL树。如果它有n个节点，其高度可保持在O（log2n），平均搜索长度也可保持在O（log2n）

平衡化旋转：

• 如果在一颗平衡的二插搜索树中插入一个新节点，造成了不平衡。此时必须调树的结构，使之平衡化；
• （1）单旋转（左旋和右旋）（2）双旋转（左平衡和右平衡）
• 在插入一个新节点后，需要从插入位置沿通向根的路径回溯，检查各节点的平衡因子（左右子树高度差）；
• 如果在某一节点发现高度不平衡，停止回溯
• 从发生不平衡的节点起，沿刚才回溯的路径取直接下两层的节点
• 如果这三个节点处于同一条直线上，则采用单旋转进行平衡化。
• 如果这三个节点处于一个折线上，则采用双旋转进行平衡化。

左单旋

• 如果在子树E中插入一个新结点，该子树高度增1导致结点A的平衡因子变成+2，出现不平衡。
• 为使树恢复平衡，从A沿插入路径连续取3个结点A、C和E。它们处于一条方向为“”的直线上，需要做左单旋转。
• 以结点C为旋转轴，让结点A反时针旋转。

右单旋

• 在左子树D上插入新结点使其高度增1，导致结点A的平衡因子增到-2，造成了不平衡。
• 为使树恢复平衡，从A沿插入路径连续取3个结点A、B和D，它们处于一条方向为“I”的直线上，需要做右单旋转。
• 以结点B为旋转轴，将结点A顺时针旋转。

左双旋转

• ·在子树F或G中插入新结点，该子树的高度增1。结点A的平衡因子变为-2，发生了不平衡。
• 从结点A起沿插入路径选取3个结点A、B和E，它们位于一条形如"(”的折线上，因此需要进行先左后右的双旋转。
• 首先以结点E为旋转轴，将结点B反时针旋转，以E代替原来B的位置，做左单旋转。
• ·再以结点E为旋转轴，将结点A顺时针旋转，做右单旋转。使之平衡化。

右单旋转

• 右左双旋转是左右双旋转的镜像。
• 在子树F或G中插入新结点，该子树高度增1。结点A的平衡因子变为2，发生了不平衡。
• 从结点A起沿插入路径选取3个结点A、C和D，它们位于一条形如")”的折线上，需要进行先右后左的双旋转。
• 首先做右单旋转:以结点D为旋转轴，将结点C顺时针旋转，以D代替原来C的位置。
• 再做左单旋转:以结点D为旋转轴，将结点A反时针旋转，恢复树的平衡。

特点：

1.有n个结点的AVL树的高度不招2/3log2(n＋1)
2.在AVL树删除一个结点并做平衡化旋转所需时间为O(log2n)。
3.二叉搜索树适合于组织在内存中的较小的索引(或目录)。对于存放在外存中的较大的文件系统，用二叉搜索
树来组织索引不太合适。
4.在文件检索系统中大量使用的是用B_树或B+树做文件索引。

RB树

​ 红黑树(Red Black Tree)是- -种自平衡二叉查找树，是在计算机科学中用到的一种数据结构，典型的用途是实现关联数组。红黑树和AVL树类似，都是在进行插入和删除操作时通过特定操作保持二叉查找树的平衡，从而获得较高的查找性能。
​ 它虽然是复杂的，但它的最坏情况运行时间也是非常良好的，并且在实践中是高效的:它可以在 O(log n)时间内做查找、插入和删除，这里的n是树中元素的数目。

红黑树是每个节点都带有颜色属性的二叉查找树，颜色是红色或黑色。在二叉查找树强制一般要求以外，对于任何有效的红黑树我们增加了如下的额外要求:
性质1.每个节点是红色或黑色。
性质2.根节点是黑色。
性质3.每个叶节点(NIL)是黑色。
性质4每个红色节点的两个子节点都是黑色。(从每个叶子到根的所有路径上不能有两个连续的红色节点)性质5.从任一节点到其每个叶子的所有路径都包含相同数目的黑色节点。

这些约束强制了红黑树的关键性质:从根到叶子的最长的可能路径不多于最短的可能路径的两倍长。结果是这个树大致上是平衡的。因为操作比如插入、删除和查找某个值的最坏情况时间都要求与树的高度成比例，这个在高度上的理论上限允许红黑树在最坏情况下都是高效的，而不同于普通的二叉查找树。
是性质3导致路径上不能有两个连续的红色节点确保了这个结果。最短的可能路径都是黑色节点，最长的可能路径有交替的红色和黑色节点。因为根据性质4所有最长的路径都有相同数目的黑色节点，这就表明了没有路径能多于任何其他路径的两倍长。
思考:为什么满足上面的性质，红黑树就能保证:其最长路径中节点个数不会超过最短路径节点个数的两倍?

应用

• Linux进程调度Completely Fair Scheduler,用红黑树管理进程控制块。
• epoll在内核中的实现，用红黑树管理事件块。
• nginx中，用红黑树管理timer等。
• STL中的 map, set，mutil_map,mutil_set关联容器。
• Java的TreeMap 实现

和AVL树的区别

3.7 AVL树与RB树的比较问题: RBTree 实现的功能都可以用AVL树是代替，那么为什么还需要引入RBTree呢?

1. n个节点的深度是AVL2/3log;(n＋1)，RB树的深度2· log2(n ＋1).

2. 红黑树不追求"“完全平衡”，即不像AVL那样要求节点的|balance|<= 1，它只要求部分达到平衡，但是提出了为节点增加颜色，红黑是用非严格的平衡来换取增删节点时候旋转次数的降低，任何不平衡都会在三次旋转之内解决，而AVL是严格平衡树，因此在增加或者删除节点的时候，根据不同情况，旋转的次数比红黑树要多。

3. 就插入节点导致树失衡的情况，AVL和RBTree都是最多两次树旋转来实现复衡re_balance，旋转的量级是O(1)。

4. 删除节点导致失衡，AVL需要维护从被删除节点到根节点root这条路径上所有节点的平衡，旋转的量级为0(logN)(我的观点是插入更新时:如当前节点的高度没有改变，则上面所有父节点的高度和平衡也不会改变。删除更新时:如当前节点的高度没有改变且平衡值在〔[-1,1]区间，则所有父节点的高度和平衡都不会改变。根据这两个推论，AVL的插入和删除大部分时候只需要向上回溯两到三层即呵，范围十分紧凑。)

5. RB-Tree最多只需要旋转3次实现复衡，只需O(1)，所以说RBTree删除节点的re_balance的效率更高，开销更小!(但是颜色更新会回溯到根节点，时间O(IogN) ).

6. AVL树的结构相较于RBTree更为平衡，插入和删除引起失衡，如3，4所述，RBTree.复衡效率更高;当然，由于AVL高度平衡，因此AML的Search效率更高啦。

7. 针对插入和删除节点导致失衡后的re_balance操作，红黑树能够提供一个比较*便宜"的解决方案，降低开销，是对search，insert ，以及delete效率的折衷，总体来说，RBTree的统计性能高于AVL，故引入RBTree是功能、性能、空间开销的折中结果。

8. AVL更平衡，结构上更加直观，时间效能针对读取而言更高;维护稍慢，空间开销较大。红黑树，读取略逊于AVL，维护强于AVL，空间开销与AVL类似，内容极多时略优于AVL，维护优于AVL。
   基本上主要的几种平衡树看来，红黑树有着良好的稳定性和完整的功能，性能表现也很不错，综合实力强，在诸如STL的场景中需要稳定表现。

​ 红黑树的查询性能略微逊色于AVL树，因为其比AVL树会稍微不平衡最多一层，也就是说红黑树的查询性能只比相同内容的AVL树最多多一次比较，但是，红黑树在插入和删除上优于AVL树，AVL树每次插入册除会进行大量的平衡度计算，而红黑树为了维持红黑性质所做的红黑变换和旋转的开销，相较于AVL树为了维持平衡的开销要小得多总结:实际应用中，若搜索的次数远远大于插入和删除，那么选择AVL，如果搜索，插入删除次数几乎差不多，应该选择RBTree。

B树和B+树

1.B树就是B-Tree。B-Tree 的定义:1/如: M= 5;
一棵m 阶B-Tree是一棵m路搜索树，它或者是空树，或者是满足下列性质的树:1.根结点子女数(子树)为[ 2,m ];
2．除根结点和叶节点以外的所有分支结点至少有[「m/21 ,m]个子女(子树);3.所有的叶节结点都位于同一层。
4.m阶B-Tree的节点结构如下:
n,So, (K1,S1). (K2, S2 ). … ( Kn, Sn)
其中，Si是指向子树的指针，0 <isn <m;K是关键码，1 ≤isn <m。Ki<Kit1, 1si < n。
·在子树S中所有的关键码都小于Ki+1，且大于K，0 <i < n。
·在子树Sn中所有的关键码都大于Kn;
·在子树So中的所有关键码都小于K1…子树S也是m路搜索树，0≤i≤ n.
事实上，在B_树的每个结点中还包含有一组指针D[m]，指向实际对象的存放地址。
K[与 Dl(1≤isn < m)形成一个索引项(K[i],D[li])，通过K[i]可找到某个对象的存储地址D们。

1.2B-Tree的一些特点:
1、根节点关键字个数是:[1,m-1];非根节点的关键字的个是[Lm/2] , m -1];
2、关键字集合分布在整颗树中;/3、任何一个关键字出现一次，且只出现在一个结点中;(关键字不容许重复)

4、搜索有可能在非叶子结点结束;
5、其搜索性能等价于在关键字全集内做一次二分查找;

4B+Tree的定义:
B+Tree是B-Tree的一个升级版，相对于B-Tree树来说B+Tree树更充分的利用了节点的空间，让查询速度更加稳定，其速度完全接近于二分法查找。为什么说B+Tree树查找的效率要比B-Tree更高、更稳定。
规则:

二者不同：

逻辑上很近的节点，物理上很远

1. B+跟B树不同B+树的非叶子节点不保存关键字记录的指针，只进行数据索引，这样使得B+树每个非叶子节点所能保存的关键字大大增加;
2. B+树叶子节点保存了父节点的所有关键字记录的指针，所有数据地址必须要到叶子节点才能获取到。所以每次数据查询的次数都一样;
3. B+树叶子节点的关键字从小到大有序排列，左边结尾数据都会保存右边节点开始数据的指针。
4. 非叶子节点的子节点数=关键字数(来源百度百科)(根据各种资料这里有两种算法的实现方式，另一种为非叶节点的关键字数=子节点数-1(来源维基百科)，虽然他们数据排列结构不一样，但其原理还是一样的Mysql的B+树是用第一种方式实现);