二叉搜索树(BinarySearchTree)
一、对二叉搜索树的介绍
二叉搜索树(BST,Binary Search Tree),也称为二叉排序树和二叉查找树
1. 二叉搜索树的特性
- 非空左子树的所有键值小于其根节点的键值。比如:下图三,中节点 6 的所有非空左子树的键值都小于 6
- 非空右子树的所有键值大于其根节点的键值;比如:下图三,中节点 6 的所有非空右子树的键值都大于 6;
- 左、右子树本身也都是二叉搜索树
图二和图三符合二叉搜索树的特效,所以属于二叉树
图一中的节点5要比节点7大,不符合二叉搜索树的特性, 所以不是二叉树
总结:二叉搜索树的特点主要是较小的值总是保存在左节点上,相对较大的值总是保存在右节点上。这种特点使得二叉搜索树的查询效率非常高,这也就是二叉搜索树中“搜索”的来源。
2. 二叉搜索树应用举例
上面是一个二叉搜索树,我们若想在其中找到数据10,只需要查找4次,查找效率非常高有木有!
查找步骤图解:
- 第1次:将10与根节点9进行比较,由于10 > 9,所以10下一步与根节点9的右子节点13比较;
- 第2次:由于10 < 13,所以10下一步与父节点13的左子节点11比较;
- 第3次:由于10 < 11,所以10下一步与父节点11的左子节点10比较;
- 第4次:由于10 = 10,最终查找到数据10
- 总结:有没有觉得很像二分查找
下面看一下数组这种数据结构 的查找效率:
同样是15个数据,在排序好的数组中查询数据10,需要查询10次
其实:如果是排序好的数组,可以通过二分查找:第一次找 9,第二次找 13,第三次找 15...。我们发现如果把每次二分的数据拿出来以树的形式表示的话就是二叉搜索树。这就是数组二分法查找效率之所以高的原因
3. 二叉搜索树的基本属性
二叉搜索树有四个最基本的属性:指向节点的根(root),节点中的键(key)、左指针(right)、右指针(right)
用代码的方式体现:
function BinarySearchTree() {
// 节点类
function Node(key) {
this.left = null;// 左指针
this.key = key;
this.right = null; // 右指针
}
this.root = null; // 根节点
}
二、对二叉搜索树的封装
二叉搜索树的常见操作:
insert(key)
:向树中插入一个新的键search(key)
:在树中查找一个键,如果节点存在,则返回true;如果不存在,则返回falsemidOrderTraversal
:通过中序遍历方式遍历所有节点preOrderTraversal
:通过先序遍历方式遍历所有节点postOrderTraversal
:通过后序遍历方式遍历所有节点min
:返回树中最小的值/键max
:返回树中最大的值/键remove(key)
:从树中移除某个键
1. 实现insert()方法
BinarySearchTree.prototype.insert = function (key) {
// 1. 创建一个节点类
var newNode = new Node(key);
// 2. 判断根节点是否为空
if (this.root === null) {
// 2.1 直接插入新的节点
this.root = newNode;
} else {
// 2.2 插入节点类,实现根节点非空时的插入
this._insertNode(this.root, newNode);
}
};
1.1 _insertNode方法的实现
思路:比较 传入的两个节点(root和要插入的节点) 的大小,寻找新节点适合插入的位置,直到成功插入新节点为止
这里先看一眼代码实现,然后再看图解步骤:
BinarySearchTree.prototype._insertNode = function (node, newNode) {
// 向左寻找
if (node.key > newNode.key) {
if (node.left === null) {
node.left = newNode;
} else {
this._insertNode(node.left, newNode);
}
} else {
// 向右寻找
if (node.right === null) {
node.right = newNode;
} else {
this._insertNode(node.right, newNode);
}
}
};
根据传入两个节点的比较分为两种情况:
1.1.1 newNode.key < node.key时
根据二叉搜索树的特性,新节点的位置肯定在node节点的左子树,
- 情况1:若node节点的左子树是null,那么说明node没有左子树,其实这个时候newNode已经找到合适的位置,让newNode插入到node的left即可
- 情况2:若node节点的左子树有值存在,那么需要在node的左子树去寻找新节点的插入位置,所以这里需要递归的查找下去并插入面,查找过程如下图所示:
1.1.2 newNode.key > node.key时
这时候遇到的情况,根上面刚好相反,新节点的位置肯定在node节点的右子树嘛,也是需要递归的找到合适的插入位置并插入即可,查找插入过程如图所示:
测试代码
// 测试代码
var bst = new BinarySearchTree();
bst.insert(11);
bst.insert(7);
bst.insert(15);
bst.insert(5);
bst.insert(9);
console.log('[ bst ] >', bst);
结构化一下测试数据应该是这样的一颗树:
2. 对二叉搜索树的遍历
这里所说的树的遍历不仅仅针对二叉搜索树,而是适用于所有的二叉树。
由于树结构不是线性结构,所以遍历方式有多种选择,常见的三种二叉树遍历方式为:
- 先序遍历 > ==前序位置的代码在刚刚进入一个二叉树节点的时候执行==
- 中序遍历 > ==后序位置的代码在将要离开一个二叉树节点的时候执行==
- 后序遍历 > ==中序位置的代码在一个二叉树节点左子树都遍历完,即将开始遍历右子树的时候执行==
还有层序遍历,使用较少,理解上面高亮部分的内容,对刷leetcode非常有好处
2.1 先序遍历
先序遍历的过程为:
- 首先,遍历根节点
- 然后,遍历其左子树
- 最后,遍历其右子树
示例:
如上图所示,二叉树的节点遍历顺序为:A -> B -> D -> H -> I -> E -> C -> F -> G。
2.1.1 代码实现
//1.先序遍历 ==> 根 -> 左 -> 右
BinarySearchTree.prototype.preOrderTraversal = function (handler) {
this._preOrderTraversalNode(this.root, handler);
};
BinarySearchTree.prototype._preOrderTraversalNode = function (node, handler) {
if (node !== null) {
// 1.处理经过的节点
handler(node.key);
// 2.处理左节点
this._preOrderTraversalNode(node.left, handler);
// 3.处理右节点
this._preOrderTraversalNode(node.right, handler);
}
};
2.1.2 过程详解
以遍历以下二叉搜索树为例:
首先调用preOrderTraversal方法,在方法里再调用preOrderTraversalNode方法用于遍历二叉搜索树。在preOrderTraversalNode方法中,递归1负责遍历左子节点,递归2负责遍历右子节点。先执行递归1,执行过程如下图所示:
这里用:preOrderTraversalNode() 表示为 A(),方便图解
可以看到一共递归调用了4次方法A,分别传入11、7、5、3,最后遇到null不满足 node != null 条件结束递归1。
注意此时只是执行完最开始的递归1,并没有执行递归2,并且递归1执行到null停止后要一层层地往上返回,按顺序将调用的函数压出函数调用栈。
关于函数调用栈:之前的四次递归共把4个函数压入了函数调用栈,现在递归执行完了一层层地把函数压出栈。
值得注意的是:每一层函数都只是执行完了递归1,当返回到该层函数时,比如A(3)要继续执行递归2遍历二叉搜索树中的右子节点。
在执行递归2的过程中会不断调用方法A,并依次执行递归1和递归2,以此类推直到遇到null不满足 node != null 条件为止,才停止递归并一层层返回,如此循环。同理A(5)层、A(7)层、A(11)层都要经历上述循环,直到将二叉搜索树中的节点全部遍历完为止。
具体过程如下图所示:
2.1.3 测试代码
// 测试代码
var bst = new BinarySearchTree();
bst.insert(11);
bst.insert(7);
bst.insert(15);
bst.insert(5);
bst.insert(3);
bst.insert(9);
bst.insert(8);
bst.insert(10);
bst.insert(13);
bst.insert(12);
bst.insert(14);
bst.insert(20);
bst.insert(18);
bst.insert(25);
bst.insert(6);
var resString = " ";
bst.preOrderTraversal(function (key) {
resString += key + " ";
});
console.log(resString); // ? 11 7 5 3 6 9 8 10 15 13 12 14 20 18 25
2.2 中序遍历
实现思路:与先序遍历原理相同,只不过是遍历的顺序不一样了。
- 首先,遍历其左子树
- 然后,遍历根(父)节点
- 最后,遍历其右子树
2.2.1 代码实现
// 2.中序遍历 ==> 左 -> 根 -> 右
BinarySearchTree.prototype.midOrderTraversal = function (handler) {
this._midOrderTraversalNode(this.root, handler);
};
BinarySearchTree.prototype._midOrderTraversalNode = function (node, handler) {
if (node !== null) {
// 1.处理左节点
this._midOrderTraversalNode(node.left, handler);
// 2.处理经过的节点
handler(node.key);
// 3.处理右节点
this._midOrderTraversalNode(node.right, handler);
}
};
2.2.2 过程详解
遍历的顺序应如下图所示:
首先调用midOrderTraversal方法,在方法里再调用midOrderTraversalNode方法用于遍历二叉搜索树。
先使用递归1遍历左子树中的节点;然后,处理父节点;最后,遍历右子树中的节点。
2.2.3 测试代码
// 插入顺序和先序遍历的插入一样,这里就省略了,也可以看上图,验证中序遍历的结果
var resString = " ";
bst.midOrderTraversal(function (key) {
resString += key + " ";
});
console.log(resString); // ? 3 5 6 7 8 9 10 11 12 13 14 15 18 20 25
2.3 后序遍历
实现思路:与先序遍历原理相同,只不过是遍历的顺序不一样了。
- 首先,遍历其左子树
- 然后,遍历其右子树
- 最后,遍历根(父)节点
2.3.1 代码实现
// 3.后序遍历 ==> 左 -> 右 -> 根
BinarySearchTree.prototype.postOrderTraversal = function (handler) {
this._postOrderTraversalNode(this.root, handler);
};
BinarySearchTree.prototype._postOrderTraversalNode = function (
node,
handler
) {
if (node !== null) {
// 1.处理左节点
this._postOrderTraversalNode(node.left, handler);
// 2.处理右节点
this._postOrderTraversalNode(node.right, handler);
// 3.处理经过的节点
handler(node.key);
}
};
2.3.2 过程详解
遍历的顺序应如下图所示:
首先调用postOrderTraversal方法,在方法里再调用postOrderTraversalNode方法用于遍历二叉搜索树。
先使用递归1遍历左子树中的节点;然后,遍历右子树中的节点;最后,处理父节点。
2.3.3 测试代码
var resString = " ";
bst.postOrderTraversal(function (key) {
resString += key + " ";
});
console.log(resString); // ? 3 6 5 8 10 9 7 12 14 13 18 25 20 15 11
3. 对二叉搜索树的搜索
3.1 搜索最大值&最小值
在二叉搜索树中查找最值非常简单,最小值在二叉搜索树的最左边,最大值在二叉搜索树的最右边。只需要一直向左/右查找就能得到最值,如下图所示:
代码实现
BinarySearchTree.prototype.min = function () {
var node = this.root;
while (node.left !== null) {
node = node.left;
}
return node.key;
};
BinarySearchTree.prototype.max = function () {
var node = this.root;
while (node.right !== null) {
node = node.right;
}
return node.key;
};
3.2 实现search()
search方法可以返回某个值是否在二叉树中,若存在返回true,不存在返回false
查找二叉搜索树当中的特定值效率也非常高。只需要从根节点开始将需要查找节点的key值与之比较,若node.key < root则向左查找,若node.key > root就向右查找,直到找到或查找到null为止。这里可以使用递归实现,也可以采用循环来实现
3.2.1 代码实现
BinarySearchTree.prototype.search = function (key) {
return this._searchNode(this.root, key);
};
BinarySearchTree.prototype._searchNode = function (node, key) {
// 这里使用while循环
var node = this.root;
while (node !== null) {
if (key < node.key) {
node = node.left;
} else if (key > node.key) {
node = node.right;
} else {
return true;
}
}
return false;
// 递归调用,占用空间,
// if (node === null) return false;
// if (node.key < key) {
// // 查找右边的树
// this._searchNode(node.right, key);
// } else if (node.key > key) {
// //查找左边的树
// this._searchNode(node.left, key);
// } else {
// // 相等情况,说明找到
// return true;
// }
};
3.2.2 测试代码
// 测试代码
var bst = new BinarySearchTree();
bst.insert(11);
bst.insert(7);
bst.insert(15);
bst.insert(5);
bst.insert(3);
bst.insert(9);
bst.insert(8);
bst.insert(10);
bst.insert(13);
bst.insert(12);
bst.insert(14);
bst.insert(20);
bst.insert(18);
bst.insert(25);
bst.insert(6);
bst.search(3); // ? true
bst.search(26124); // ? false
4. 实现remove()方法
删除方法要考虑的情况比较多,是一个难点
删除思路:
- 先寻找要删除的节点
- 若没有找到要删除的节点,说明节点不存在,直接返回return false即可
- 若找到要删除的节点,我们需要先记录下节点(current),以及删除节点的父节点(parent),删除节点是父节点的左子树还是父节点的右子树(isLeftChild)
- 若找到删除的节点,我们需要考虑以下3种情况
- 要删除的是叶子节点
- 要删除的节点,只有一个子节点
- 要删除的节点,有两个子节点
4.1 寻找要删除的节点
BinarySearchTree.prototype.remove = function (key) {
var current = this.root; // current保存要删除的节点
var parent = null; // 保存要删除节点的父节点
var isLeftChild = false; // 用于判断要删除的节点是父节点的左节点还是右节点
// 寻找要删除的节点
while (current.key != key) {
parent = current;
if (key < current.key) {
isLeftChild = true;
current = current.left;
} else {
isLeftChild = false;
current = current.right;
}
// 若没有找到,说明不需要删除,返回false
if (current === null) return false;
}
}
4.2 找到了要删除的节点
当我们通过上面的代码找到了删除的节点,我们需要对以下3种情况进行展开
- 4.2.1要删除的是叶子节点
- 4.2.2要删除的节点,只有一个子节点
- 4.2.3要删除的节点,有两个子节点
4.2.1 要删除的是叶子节点
// 找到了对应的节点,进行情况分析
// 1.删除的是叶子结点
if (current.left === null && current.right === null) {
// 1.1 删除的是根节点
if (current === this.root) {
this.root = null;
} else if (isLeftChild) {
parent.left = null;
} else {
parent.right = null;
}
}
情况分析:
当该叶子节点为根节点时,如下图所示,此时current == this.root,直接通过:this.root = null,删除根节点。
当该叶子节点不为根节点时也有两种情况,如下图所示:
若current = 8,可以通过:parent.left = null
,删除节点8
若current = 10,可以通过:parent.right = null
,删除节点10
4.2.2 要删除的节点只有一个子节点
// 此处是要删除的是叶子节点代码...
// 2.删除的节点只有一个子节点
else if (current.left === null) {
// 2.1 要删除的是右节点,下面按照一个节点的情况删除即可
if (current === this.root) {
this.root = current.right;
} else if (isLeftChild) {
parent.left = current.right;
} else {
parent.right = current.right;
}
} else if (current.right === null) {
// 2.2 要删除的是左节点
if (current === this.root) {
this.root = current.left;
} else if (isLeftChild) {
parent.left = current.left;
} else {
parent.right = current.left;
}
}
情况分析:
当current存在左子节点时current.right === null
:
- 情况1:current为根节点
current === this.root
,如节点11,此时通过:this.root = current.left
,删除根节点11 - 情况2:current为父节点parent的左子节点
isLeftChild === true
,如节点5,此时通过:parent.left = current.left
,删除节点5 - 情况3:current为父节点parent的右子节点
isLeftChild == false
,如节点9,此时通过:parent.right = current.left
,删除节点9
当current存在右子节点时current.left === null
:
- 情况4:current为根节点
current === this.root
,如节点11,此时通过:this.root = current.right
,删除根节点11 - 情况5:current为父节点parent的左子节点
isLeftChild === true
,如节点5,此时通过:parent.left = current.right
,删除节点5 - 情况6:current为父节点parent的右子节点
isLeftChild == false
,如节点9,此时通过:parent.right = current.right
,删除节点9
4.2.3 要删除的节点,有两个子节点
这种情况比较棘手,让我们先来观察一下,这种情况下有没有什么规律可循
删除节点9
在保证删除节点9后原二叉树仍为二叉搜索树的前提下,有两种方式:
- 方式1:从节点9的左子树中选择一合适的节点替代节点9,可知节点8符合要求
- 方式2:从节点9的右子树中选择一合适的节点替代节点9,可知节点10符合要求
删除节点7
在保证删除节点7后原二叉树仍为二叉搜索树的前提下,也有两种方式:
- 方式1:从节点7的左子树中选择一合适的节点替代节点7,可知节点5符合要求
- 方式2:从节点7的右子树中选择一合适的节点替代节点7,可知节点8符合要求
删除节点15
在保证删除节点15后原树二叉树仍为二叉搜索树的前提下,同样有两种方式:
- 方式1:从节点15的左子树中选择一合适的节点替代节点15,可知节点14符合要求
- 方式2:从节点15的右子树中选择一合适的节点替代节点15,可知节点18符合要求
相信你已经发现其中的规律了!
规律总结:如果要删除的节点有两个子节点,甚至子节点还有子节点,这种情况下需要从要删除节点下面的子节点中找到一个合适的节点,来替换当前的节点。
若用current表示需要删除的节点,则合适的节点指的是
- current左子树中比current小一点点的节点,即current左子树中的最大值
- current右子树中比current大一点点的节点,即current右子树中的最小值
前驱&后继
在二叉搜索树中,这两个特殊的节点有特殊的名字:
- 比current小一点点的节点,称为current节点的前驱。比如下图中的节点5就是节点7的前驱;
- 比current大一点点的节点,称为current节点的后继。比如下图中的节点8就是节点7的后继;
代码实现:
- 查找需要被删除的节点current的后继时,需要在current的右子树中查找最小值,即在current的右子树中一直向左遍历查找;
- 查找前驱时,则需要在current的左子树中查找最大值,即在current的左子树中一直向右遍历查找。
下面只讨论查找current后继的情况,查找前驱的原理相同,这里暂不讨论。
// 获取后继的节点,即从要删除的节点的右边开始查找最小的值
BinarySearchTree.prototype.getSuccessor = function (delNode) {
var successor = delNode; // 保存后继
var current = delNode.right; // 保存删除节点的右子树
var successorParent = delNode; // 保存后继节点的父节点
// 循环查找 current 的右子树节点
while (current !== null) {
successorParent = successor; // 保存父节点
successor = current; // 保存后继
current = current.left;
}
// 判断寻找到的后续节点是否直接就是要删除节点的 right
if (successor !== delNode.right) {
successorParent.left = successor.right;
successor.right = delNode.right;
}
return successor;
};
代码实现
// 3.有两个子节点(难点)
else {
/**
* 规律:如果要删除的节点有两个子节点,甚至子节点还有子节点,
* 这种情况下需要从要删除节点下面的子节点中找到一个合适的节点,来替换当前的节点
* 若用 current 表示需要删除的节点,则合适的节点指的是:
* - current 左子树中比 current 小一点点的节点,即 current 左子树中的最大值
* - current 右子树中比 current 大一点点的节点,即 current 右子树中的最小值
*/
// 找到后继节点
var successor = this.getSuccessor(current);
// 判断是否为根节点
if (this.root === successor) {
this.root = successor; // 使用后继替换根节点
} else if (isLeftChild) {
parent.left = successor; // 使用后继替换掉 要删除节点的位置
} else {
parent.right = successor; // 使用后继替换掉 要删除节点的位置
}
successor.left = current.left; // 将后继节点的左子树,与要删除节点的左子树相连
}
// 删除成功
return true;
};
4.2.4 完整的remove代码
BinarySearchTree.prototype.remove = function (key) {
var current = this.root; // current保存要删除的节点
var parent = null; // 保存要删除节点的父节点
var isLeftChild = false; // 用于判断要删除的节点是父节点的左节点还是右节点
// 寻找要删除的节点
while (current.key != key) {
parent = current;
if (key < current.key) {
isLeftChild = true;
current = current.left;
} else {
isLeftChild = false;
current = current.right;
}
// 若没有找到,说明不需要删除,返回false
if (current === null) return false;
}
// 找到了对应的节点,进行情况分析
// 1.删除的是叶子结点
if (current.left === null && current.right === null) {
// 1.1 删除的是根节点
if (current === this.root) {
this.root = null;
} else if (isLeftChild) {
parent.left = null;
} else {
parent.right = null;
}
}
// 2.删除的节点只有一个子节点
else if (current.left === null) {
if (current === this.root) {
this.root = current.right;
} else if (isLeftChild) {
parent.left = current.right;
} else {
parent.right = current.right;
}
} else if (current.right === null) {
if (current === this.root) {
this.root = current.left;
} else if (isLeftChild) {
parent.left = current.left;
} else {
parent.right = current.left;
}
}
// 3.有两个子节点(难点)
else {
/**
* 规律:如果要删除的节点有两个子节点,甚至子节点还有子节点,
* 这种情况下需要从要删除节点下面的子节点中找到一个合适的节点,来替换当前的节点
* 若用 current 表示需要删除的节点,则合适的节点指的是:
* - current 左子树中比 current 小一点点的节点,即 current 左子树中的最大值
* - current 右子树中比 current 大一点点的节点,即 current 右子树中的最小值
*/
var successor = this.getSuccessor(current);
if (this.root === successor) {
this.root = successor;
} else if (isLeftChild) {
parent.left = successor;
} else {
parent.right = successor;
}
successor.left = current.left;
}
return true;
};
// 获取后继的节点,即从要删除的节点的右边开始查找最小的值
BinarySearchTree.prototype.getSuccessor = function (delNode) {
var successor = delNode;
var current = delNode.right;
var successorParent = delNode;
while (current !== null) {
successorParent = successor;
successor = current;
current = current.left;
}
if (successor !== delNode.right) {
successorParent.left = successor.right;
successor.right = delNode.right;
}
return successor;
};
5. 完整的二叉搜索树代码
function BinarySearchTree() {
function Node(key) {
this.left = null;
this.key = key;
this.right = null;
}
this.root = null;
BinarySearchTree.prototype.insert = function (key) {
// 1. 创建一个节点类
var newNode = new Node(key);
// 2. 判断根节点是否为空
if (this.root === null) {
// 2.1 直接插入新的节点
this.root = newNode;
} else {
// 2.2 插入节点类,实现根节点非空时的插入
this._insertNode(this.root, newNode);
}
};
BinarySearchTree.prototype._insertNode = function (node, newNode) {
// 向左寻找
if (node.key > newNode.key) {
if (node.left === null) {
node.left = newNode;
} else {
this._insertNode(node.left, newNode);
}
} else {
// 向右寻找
if (node.right === null) {
node.right = newNode;
} else {
this._insertNode(node.right, newNode);
}
}
};
//1.先序遍历 ==> 根 -> 左 -> 右
BinarySearchTree.prototype.preOrderTraversal = function (handler) {
this._preOrderTraversalNode(this.root, handler);
};
BinarySearchTree.prototype._preOrderTraversalNode = function (node, handler) {
if (node !== null) {
// 1.处理经过的节点
handler(node.key);
// 2.处理左节点
this._preOrderTraversalNode(node.left, handler);
// 3.处理右节点
this._preOrderTraversalNode(node.right, handler);
}
};
// 2.中序遍历 ==> 左 -> 根 -> 右
BinarySearchTree.prototype.midOrderTraversal = function (handler) {
this._midOrderTraversalNode(this.root, handler);
};
BinarySearchTree.prototype._midOrderTraversalNode = function (node, handler) {
if (node !== null) {
// 1.处理左节点
this._midOrderTraversalNode(node.left, handler);
// 2.处理经过的节点
handler(node.key);
// 3.处理右节点
this._midOrderTraversalNode(node.right, handler);
}
};
// 3.后序遍历 ==> 左 -> 右 -> 根
BinarySearchTree.prototype.postOrderTraversal = function (handler) {
this._postOrderTraversalNode(this.root, handler);
};
BinarySearchTree.prototype._postOrderTraversalNode = function (
node,
handler
) {
if (node !== null) {
// 1.处理左节点
this._postOrderTraversalNode(node.left, handler);
// 2.处理右节点
this._postOrderTraversalNode(node.right, handler);
// 3.处理经过的节点
handler(node.key);
}
};
BinarySearchTree.prototype.min = function () {
var node = this.root;
while (node.left !== null) {
node = node.left;
}
return node.key;
};
BinarySearchTree.prototype.max = function () {
var node = this.root;
while (node.right !== null) {
node = node.right;
}
return node.key;
};
BinarySearchTree.prototype.search = function (key) {
return this._searchNode(this.root, key);
};
BinarySearchTree.prototype._searchNode = function (node, key) {
// 这里使用while循环
var node = this.root;
while (node !== null) {
if (key < node.key) {
node = node.left;
} else if (key > node.key) {
node = node.right;
} else {
return true;
}
}
return false;
// 递归调用,占用空间,
// if (node === null) return false;
// if (node.key < key) {
// // 查找右边的树
// this._searchNode(node.right, key);
// } else if (node.key > key) {
// //查找左边的树
// this._searchNode(node.left, key);
// } else {
// // 相等情况,说明找到
// return true;
// }
};
BinarySearchTree.prototype.remove = function (key) {
var current = this.root; // current保存要删除的节点
var parent = null; // 保存要删除节点的父节点
var isLeftChild = false; // 用于判断要删除的节点是父节点的左节点还是右节点
// 寻找要删除的节点
while (current.key != key) {
parent = current;
if (key < current.key) {
isLeftChild = true;
current = current.left;
} else {
isLeftChild = false;
current = current.right;
}
// 若没有找到,说明不需要删除,返回false
if (current === null) return false;
}
// 找到了对应的节点,进行情况分析
// 1.删除的是叶子结点
if (current.left === null && current.right === null) {
// 1.1 删除的是根节点
if (current === this.root) {
this.root = null;
} else if (isLeftChild) {
parent.left = null;
} else {
parent.right = null;
}
}
// 2.删除的节点只有一个子节点
else if (current.left === null) {
if (current === this.root) {
this.root = current.right;
} else if (isLeftChild) {
parent.left = current.right;
} else {
parent.right = current.right;
}
} else if (current.right === null) {
if (current === this.root) {
this.root = current.left;
} else if (isLeftChild) {
parent.left = current.left;
} else {
parent.right = current.left;
}
}
// 3.有两个子节点(难点)
else {
/**
* 规律:如果要删除的节点有两个子节点,甚至子节点还有子节点,
* 这种情况下需要从要删除节点下面的子节点中找到一个合适的节点,来替换当前的节点
* 若用 current 表示需要删除的节点,则合适的节点指的是:
* - current 左子树中比 current 小一点点的节点,即 current 左子树中的最大值
* - current 右子树中比 current 大一点点的节点,即 current 右子树中的最小值
*/
var successor = this.getSuccessor(current);
if (this.root === successor) {
this.root = successor;
} else if (isLeftChild) {
parent.left = successor;
} else {
parent.right = successor;
}
successor.left = current.left;
}
return true;
};
// 获取后继的节点,即从要删除的节点的右边开始查找最小的值
BinarySearchTree.prototype.getSuccessor = function (delNode) {
var successor = delNode;
var current = delNode.right;
var successorParent = delNode;
while (current !== null) {
successorParent = successor;
successor = current;
current = current.left;
}
if (successor !== delNode.right) {
successorParent.left = successor.right;
successor.right = delNode.right;
}
return successor;
};
}
// 测试代码
var bst = new BinarySearchTree();
bst.insert(11);
bst.insert(7);
bst.insert(15);
bst.insert(5);
bst.insert(3);
bst.insert(9);
bst.insert(8);
bst.insert(10);
bst.insert(13);
bst.insert(12);
bst.insert(14);
bst.insert(20);
bst.insert(18);
bst.insert(25);
bst.insert(6);
// var resString = " ";
// bst.preOrderTraversal(function (key) {
// resString += key + " ";
// });
// console.log(resString); // ? 11 7 5 3 6 9 8 10 15 13 12 14 20 18 25
// var resString = " ";
// bst.midOrderTraversal(function (key) {
// resString += key + " ";
// });
// console.log(resString); // ? 3 5 6 7 8 9 10 11 12 13 14 15 18 20 25
// var resString = " ";
// bst.postOrderTraversal(function (key) {
// resString += key + " ";
// });
// console.log(resString); // ? 3 6 5 8 10 9 7 12 14 13 18 25 20 15 11
// console.log(bst.max()); // ? 25
// console.log(bst.min()); // ? 3
// console.log(bst.remove(8));
// console.log(bst.remove(7));
// console.log(bst.remove(78));
// var resString = " ";
// bst.midOrderTraversal(function (key) {
// resString += key + " ";
// });
// console.log(resString); // ?
三、平衡树
二叉搜索树的缺陷:当插入的数据是有序的数据,就会造成二叉搜索树的深度过大。
比如原二叉搜索树由 11 7 15 组成,如下图所示:
当插入一组有序数据:6 5 4 3 2就会变成深度过大的搜索二叉树,会严重影响二叉搜索树的性能。
非平衡树
- 比较好的二叉搜索树,它的数据应该是左右均匀分布的
- 但是插入连续数据后,二叉搜索树中的数据分布就变得不均匀了,我们称这种树为非平衡树
- 对于一棵平衡二叉树来说,插入/查找等操作的效率是O(logN)
- 而对于一棵非平衡二叉树来说,相当于编写了一个链表,查找效率变成了O(N)
树的平衡性
为了能以较快的时间O(logN)来操作一棵树,我们需要保证树总是平衡的
- 起码大部分是平衡的,此时的时间复杂度也是接近O(logN)的;
- 这就要求树中每个节点左边的子孙节点的个数,应该尽可能地等于右边的子孙节点的个数
常见的平衡树
- AVL树:是最早的一种平衡树,它通过在每个节点多存储一个额外的数据来保持树的平衡。由于AVL树是平衡树,所以它的时间复杂度也是O(logN)。但是它的整体效率不如红黑树,开发中比较少用。
- 红黑树:同样通过一些特性来保持树的平衡,时间复杂度也是O(logN)。进行插入/删除等操作时,性能优于AVL树,所以平衡树的应用基本都是红黑树。
四、关于深度优先和广度优先遍历
实际开发中,我们直接操作二叉树的情况比较少,但是操作下面这种tree机构的情况比较多,而我们对于这种树,最常见的遍历方式就是深度优先遍历(DFS)和广度优先遍历(BFS),所以在这里我简单拓展一下这两种遍历方式
const tree = {
val: "a",
children: [
{
val: "b",
children: [
{
val: "d",
children: [],
},
{
val: "e",
children: [],
},
],
},
{
val: "c",
children: [
{
val: "f",
children: [],
},
{
val: "g",
children: [],
},
],
},
],
};
1. 深度优先遍历(dfs)
这个算法会尽可能深的搜索树的分支。当节点v的所在边都己被探寻过,搜索将回溯到发现节点v的那条边的起始节点。这一过程一直进行到已发现从源节点可达的所有节点为止。如果还存在未被发现的节点,则选择其中一个作为源节点并重复以上过程,整个进程反复进行直到所有节点都被访问为止
/**
* @param {*} root 根结点
* 思路
* 访问根节点
* 对根节点的子节点诶个进行深度优先遍历 ==> 递归
*/
const dfs = (root) => {
console.log(root.val);
root.children.forEach(dfs);
};
dfs(tree); // a,b,d,e,c,f,g
2. 广度优先遍历(bfs)
又译作宽度优先搜索,或横向优先搜索,是一种图形搜索算法。简单的说,BFS是从根节点开始,沿着树的宽度遍历树的节点。如果所有节点均被访问,则算法中止
/**
* @param {*} root 根节点
* 思路:
* 1.先将根节点放入队列中
* 2.队头出队,并访问
* 3.将出队的子节点加入队列
* 4.重复23步,直到队列为空
*/
const bfs = (root) => {
let ququq = [root];
while (ququq.length > 0) {
const node = ququq.shift();
console.log(node.val);
node.children.forEach((child) => {
ququq.push(child);
});
}
};
bfs(tree); // a,b,c,d,e,f,g
五、用迭代的方法实现树的三种遍历方式
我们这里只讨论先序遍历方式如果使用迭代的方法实现,因为先、中、后序遍历只是顺序上的不一样,当我们理解先序遍历的迭代写法之后,可以举一反三,写出另外两种
虽然递归的写法简单易懂,但是如果树的层级过深,很容易出现栈溢出的情况,通常情况下,递归都是可以用迭代的方式实现的,我们这里来考虑一下如何实现🤔
这里回顾一下先序遍历的访问顺序
- 先访问当前节点
- 再遍历左节点
- 再遍历右节点
我们知道访问顺序之后,可以使用栈结构来模仿函数递归时整个调用流程
实现步骤:
- 声明一个栈内存(这里用数组表示)
- 将根节点放入栈中
- 在栈内元素不为空的情况下,重复以下步骤
- 取出栈顶元素(第一次取的时候,是根节点)
- 访问取到的元素
- 若取到的元素有右节点,将右节点入栈
- 因为先序遍历访问顺序是根==> 左 ==> 右
- 而栈的特性是先入后出的,所以这里先将右节点入栈,后将左节点入栈,节点出栈时的访问顺序就与先序遍历保存一致了
- 若取到的元素有左节点,将左节点入栈
代码实现
//1.先序遍历 ==> 根 -> 左 -> 右
BinarySearchTree.prototype.preOrderTraversal = function (handler) {
// 迭代写法
let stack = []; // 栈
stack.push(this.root); // 先将root入栈
while (stack.length !== 0) {
let node = stack.pop(); // 1.节点出栈
handler(node.key); // 2.处理节点 这里做打印即可
// 3. 因为先序遍历是先打印左节点的值,根据栈先入后出的特性
// 所以这里需要先让右节点入栈
if (node.right !== null) {
stack.push(node.right);
}
// 4.左节点入栈
if (node.left !== null) {
stack.push(node.left);
}
}
// this._preOrderTraversalNode(this.root, handler); // 递归写法
};
测试代码
var resString = " ";
bst.preOrderTraversal(function (key) {
resString += key + " ";
});
console.log(resString); // ? 11 7 5 3 6 9 8 10 15 13 12 14 20 18 25
// 与递归写法输出顺序保持一致