2.6 树
2.6 树
树的定义
定义
树(Tree) 是由 n ≥ 0
个节点与节点之间的关系组成的有限集合。当 n = 0
时称为空树,当 n > 0
时称为非空树。。
“树”这种数据结构很像现实生活中的“树”,每个元素叫作“节点”;用来连线相邻节点之间的关系,叫作“父子关系”。
比如上图中的第三个树,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。把没有父节点的节点叫作根节点,也就是图中的节点 E。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。
- 节点的高度 :节点到叶子节点的最长路径(边数)
- 节点的深度 :根节点到这个节点所经历的变得个数
- 节点的层数 :节点的深度 + 1
- 节点的度: 节点所含有的子树个数
- 树的高度:根节点的高度
二叉树
定义
二叉树(Binary Tree) :每个节点最多有两个子节点的树,称为二叉树。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。通常树中的分支节点被称为 「左子树」 或 「右子树」,并且两个子树是有序的,不可以互换。
二叉树在逻辑上可以分为 5 种基本形态,如下图所示:
满二叉树
定义
满二叉树(Full Binary Tree) :如果所有分支节点都存在左子树和右子树,并且所有叶子节点都在同一层上,则称该二叉树为满二叉树。
完全二叉树
定义
完全二叉树(Complete Binary Tree) :如果叶子节点只出现在最下面两层,并且最下层的叶子节点都依次排列在该层最左边的位置上,具有这种特点的二叉树称为完全二叉树。
二叉树的存储
存储一棵二叉树有两种方法,一种是基于指针或者引用的二叉链式存储,一种是基于数组的顺序存储。
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。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
顺序存储中,把根节点存储在下标 i = 1
的位置,左子节点存储在下标 2 * i = 2
的位置,右子节点存储在 2 * i + 1 = 3
的位置。以此类推,B 节点的左子节点存储在 2 * i = 2 * 2 = 4
的位置,右子节点存储在 2 * i + 1 = 2 * 2 + 1 = 5
的位置。
如果节点 X
存储在数组中下标为 i
的位置,下标为 2 * i
的位置存储的就是左子节点,下标为 2 * i + 1
的位置存储的就是右子节点。反过来,下标为 i / 2
的位置存储就是它的父节点。通过这种方式,我们只要知道根节点存储的位置(一般情况下,为了方便计算子节点,根节点会存储在下标为 1
的位置),这样就可以通过下标计算,把整棵树都串起来。
刚刚举的例子是一棵完全二叉树,所以仅仅“浪费”了一个下标为 0
的存储位置。如果是非完全二叉树,其实会浪费比较多的数组存储空间。
所以,如果某棵二叉树是一棵完全二叉树,那用数组存储无疑是最节省内存的一种方式。因为数组的存储方式并不需要像链式存储法那样,要存储额外的左右子节点的指针。这也是为什么完全二叉树会单独拎出来的原因,也是为什么完全二叉树要求最后一层的子节点都靠左的原因。
堆就是一种完全二叉树,最常用的存储方式就是数组。
二叉树的遍历
想要将二叉树所有节点都遍历打印出来,经典的方法有三种,前序遍历、中序遍历和后序遍历。其中,前、中、后序,表示的是节点与它的左右子树节点遍历打印的先后顺序。
前序遍历 是指,对于树中的任意节点来说,先打印这个节点,然后再打印它的左子树,最后打印它的右子树。
中序遍历 是指,对于树中的任意节点来说,先打印它的左子树,然后再打印它本身,最后打印它的右子树。
后序遍历 是指,对于树中的任意节点来说,先打印它的左子树,然后再打印它的右子树,最后打印这个节点本身。
实际上,二叉树的前、中、后序遍历就是一个递归的过程。写递归代码的关键,就是看能不能写出递推公式,而写递推公式的关键就是,如果要解决问题 A,就假设子问题 B、C 已经解决,然后再来看如何利用 B、C 来解决 A。递推公式如下:
// 前序遍历:
preOrder = (r) => {
if (r == null) return;
console.log(r);
preOrder(r.left);
preOrder(r.right);
};
// 中序遍历:
inOrder = (r) => {
if (r == null) return;
inOrder(r.left);
console.log(r);
inOrder(r.right);
};
// 后序遍历:
postOrder = (r) => {
if (r == null) return;
postOrder(r.left);
postOrder(r.right);
console.log(r);
};
二叉树的遍历中,每个节点最多会被访问两次,所以遍历操作的时间复杂度,跟节点的个数 n
成正比,即二叉树遍历的时间复杂度是 O(n)
。
前序遍历
144. 二叉树的前序遍历 - LeetCode
📌💻 题目大意
给你二叉树的根节点 root
,返回它节点值的 前序 遍历。
进阶:递归算法很简单,你可以通过迭代算法完成吗?
💡 解题思路
思路一:递归
前序遍历是指,对于树中的任意节点来说,先打印这个节点,然后再打印它的左子树,最后打印它的右子树。而在访问左子树或者右子树的时候,按照同样的方式遍历,直到遍历完整棵树。因此整个遍历过程天然具有递归的性质,可以直接用递归函数来模拟这一过程。
- 先将
root
节点的值加入答案 - 再递归调用
preorderTraversal(root.left)
来遍历root
节点的左子树 - 最后递归调用
preorderTraversal(root.right)
来遍历root
节点的右子树即可 - 递归终止的条件为碰到空节点
思路二:迭代
也可以用迭代的方式实现思路一的递归函数,两种方式是等价的,区别在于递归的时候隐式地维护了一个栈,而迭代的时候需要显式地将这个栈模拟出来,其余的实现与细节都相同,具体可以参考下面的代码。
💎 代码
var preorderTraversal = function (root) {
let res = [];
if (root == null) return res;
res.push(root.val);
res.push(...preorderTraversal(root.left));
res.push(...preorderTraversal(root.right));
return res;
};
var preorderTraversal = function (root) {
let res = [];
if (root == null) return res;
let stack = [root];
while (stack.length) {
let node = stack.pop();
res.push(node.val);
if (node.right) stack.push(node.right);
if (node.left) stack.push(node.left);
}
return res;
};
#### 📌 [144. 二叉树的前序遍历 - LeetCode](https://2xiao.github.io/leetcode-js/problem/0144.html)
#### 💻 **题目大意**
给你二叉树的根节点 `root` ,返回它节点值的 **前序** 遍历。
**进阶**:递归算法很简单,你可以通过迭代算法完成吗?
#### 💡 **解题思路**
思路一:递归
前序遍历是指,对于树中的任意节点来说,先打印这个节点,然后再打印它的左子树,最后打印它的右子树。而在访问左子树或者右子树的时候,按照同样的方式遍历,直到遍历完整棵树。因此整个遍历过程天然具有递归的性质,可以直接用递归函数来模拟这一过程。
- 先将 `root` 节点的值加入答案
- 再递归调用 `preorderTraversal(root.left)` 来遍历 `root` 节点的左子树
- 最后递归调用 `preorderTraversal(root.right)` 来遍历 `root` 节点的右子树即可
- 递归终止的条件为碰到空节点
思路二:迭代
也可以用迭代的方式实现思路一的递归函数,两种方式是等价的,区别在于递归的时候隐式地维护了一个栈,而迭代的时候需要显式地将这个栈模拟出来,其余的实现与细节都相同,具体可以参考下面的代码。
#### 💎 **代码**
::: code-tabs
@tab 递归
```javascript
var preorderTraversal = function (root) {
let res = [];
if (root == null) return res;
res.push(root.val);
res.push(...preorderTraversal(root.left));
res.push(...preorderTraversal(root.right));
return res;
};
```
@tab 迭代
```javascript
var preorderTraversal = function (root) {
let res = [];
if (root == null) return res;
let stack = [root];
while (stack.length) {
let node = stack.pop();
res.push(node.val);
if (node.right) stack.push(node.right);
if (node.left) stack.push(node.left);
}
return res;
};
```
:::
后序遍历
145. 二叉树的后序遍历 - LeetCode
📌💻 题目大意
给你二叉树的根节点 root
,返回它节点值的 后序 遍历。
进阶:递归算法很简单,你可以通过迭代算法完成吗?
💡 解题思路
思路一:递归
原理和前序遍历一样,前序遍历是中左右,后续遍历是左右中。
思路二:迭代
原理和前序遍历一样,只需要调整一下前序遍历的代码顺序,变成中右左,然后再反转 res 数组,输出的结果顺序就是左右中了。
💎 代码
var postorderTraversal = function (root) {
let res = [];
if (root == null) return res;
res.push(...postorderTraversal(root.left));
res.push(...postorderTraversal(root.right));
res.push(root.val);
return res;
};
var postorderTraversal = function (root) {
let res = [];
if (root == null) return res;
let stack = [root];
while (stack.length) {
let node = stack.pop();
res.unshift(node.val);
if (node.left) stack.push(node.left);
if (node.right) stack.push(node.right);
}
return res;
};
#### 📌 [145. 二叉树的后序遍历 - LeetCode](https://2xiao.github.io/leetcode-js/problem/0145.html)
#### 💻 **题目大意**
给你二叉树的根节点 `root` ,返回它节点值的 **后序** 遍历。
**进阶**:递归算法很简单,你可以通过迭代算法完成吗?
#### 💡 **解题思路**
思路一:递归
原理和前序遍历一样,前序遍历是中左右,后续遍历是左右中。
思路二:迭代
原理和前序遍历一样,只需要调整一下前序遍历的代码顺序,变成中右左,然后再反转 res 数组,输出的结果顺序就是左右中了。
#### 💎 **代码**
::: code-tabs
@tab 递归
```javascript
var postorderTraversal = function (root) {
let res = [];
if (root == null) return res;
res.push(...postorderTraversal(root.left));
res.push(...postorderTraversal(root.right));
res.push(root.val);
return res;
};
```
@tab 迭代
```javascript
var postorderTraversal = function (root) {
let res = [];
if (root == null) return res;
let stack = [root];
while (stack.length) {
let node = stack.pop();
res.unshift(node.val);
if (node.left) stack.push(node.left);
if (node.right) stack.push(node.right);
}
return res;
};
```
:::
中序遍历
94. 二叉树的中序遍历 - LeetCode
📌💻 题目大意
给你二叉树的根节点 root
,返回它节点值的 中序 遍历。
进阶:递归算法很简单,你可以通过迭代算法完成吗?
💡 解题思路
思路一:递归
原理和前序遍历一样,前序遍历是中左右,中续遍历是左中右。
思路二:迭代
中序遍历是左中右,先访问的是二叉树顶部的节点,然后一层一层向下访问,直到到达树左面的最底部,再开始处理节点(也就是在把节点的数值放进 res 数组中),这就造成了处理顺序和访问顺序是不一致的。那么在使用迭代法写中序遍历,就需要借用指针的遍历来帮助访问节点,栈则用来处理节点上的元素。
💎 代码
var inorderTraversal = function (root) {
let res = [];
if (root == null) return res;
res.push(...inorderTraversal(root.left));
res.push(root.val);
res.push(...inorderTraversal(root.right));
return res;
};
var inorderTraversal = function (root) {
let res = [];
if (root == null) return res;
let stack = [];
let cur = root;
while (cur != null || stack.length) {
if (cur != null) {
stack.push(cur);
cur = cur.left;
} else {
cur = stack.pop();
res.push(cur.val);
cur = cur.right;
}
}
return res;
};
#### 📌 [94. 二叉树的中序遍历 - LeetCode](https://2xiao.github.io/leetcode-js/problem/0094.html)
#### 💻 **题目大意**
给你二叉树的根节点 `root` ,返回它节点值的 **中序** 遍历。
**进阶**:递归算法很简单,你可以通过迭代算法完成吗?
#### 💡 **解题思路**
思路一:递归
原理和前序遍历一样,前序遍历是中左右,中续遍历是左中右。
思路二:迭代
中序遍历是左中右,先访问的是二叉树顶部的节点,然后一层一层向下访问,直到到达树左面的最底部,再开始处理节点(也就是在把节点的数值放进 res 数组中),这就造成了处理顺序和访问顺序是不一致的。那么在使用迭代法写中序遍历,就需要借用指针的遍历来帮助访问节点,栈则用来处理节点上的元素。
#### 💎 **代码**
::: code-tabs
@tab 递归
```javascript
var inorderTraversal = function (root) {
let res = [];
if (root == null) return res;
res.push(...inorderTraversal(root.left));
res.push(root.val);
res.push(...inorderTraversal(root.right));
return res;
};
```
@tab 迭代
```javascript
var inorderTraversal = function (root) {
let res = [];
if (root == null) return res;
let stack = [];
let cur = root;
while (cur != null || stack.length) {
if (cur != null) {
stack.push(cur);
cur = cur.left;
} else {
cur = stack.pop();
res.push(cur.val);
cur = cur.right;
}
}
return res;
};
```
:::
层序遍历
102. 二叉树的层序遍历 - LeetCode
📌💻 题目大意
给你二叉树的根节点 root
,返回它节点值的 层序 遍历。(即逐层地,从左到右访问所有节点)。
💡 解题思路
思路一:广度优先遍历(BFS)
使用队列实现
- 首先将根节点放入队列中;
- 更新队列的长度
len
,遍历队列的前len
个节点; - 如果该节点存在直接子节点,将直接子节点加入队列中,并将节点的值存入一个临时数组中;
- 将队列的前
len
个节点出队,此时队列中都是下一层的子节点,将临时数组加入返回值中; - 重复步骤 2、3、4,直至队列为空;
思路二:深度优先遍历(DFS)
- 维护一个递归函数,参数为节点和该节点的深度
- 先将根节点与深度 0 传入递归函数
- 将节点放入 index 与深度对应的数组内
- 将节点的左子节点和右子节点分别传入递归函数,深度 +1
- 重复步骤 3、4,直至子节点为空
💎 代码
var levelOrder = function (root) {
let res = [];
if (root == null) return res;
let queue = [root];
while (queue.length) {
let len = queue.length;
let temp = [];
for (let i = 0; i < len; i++) {
if (queue[i].left) queue.push(queue[i].left);
if (queue[i].right) queue.push(queue[i].right);
temp.push(queue[i].val);
}
queue = queue.slice(len);
res.push(temp);
}
return res;
};
var levelOrder = function (root) {
let res = [];
const traverse = (node, deep) => {
if (node == null) return;
if (res.length == deep) {
res[deep] = [node.val];
} else {
res[deep].push(node.val);
}
traverse(node.left, deep + 1);
traverse(node.right, deep + 1);
};
traverse(root, 0);
return res;
};
#### 📌 [102. 二叉树的层序遍历 - LeetCode](https://2xiao.github.io/leetcode-js/problem/0102.html)
#### 💻 **题目大意**
给你二叉树的根节点 `root` ,返回它节点值的 **层序** 遍历。(即逐层地,从左到右访问所有节点)。
#### 💡 **解题思路**
思路一:广度优先遍历(BFS)
使用队列实现
1. 首先将根节点放入队列中;
2. 更新队列的长度 `len` ,遍历队列的前 `len` 个节点;
3. 如果该节点存在直接子节点,将直接子节点加入队列中,并将节点的值存入一个临时数组中;
4. 将队列的前 `len` 个节点出队,此时队列中都是下一层的子节点,将临时数组加入返回值中;
5. 重复步骤 2、3、4,直至队列为空;
思路二:深度优先遍历(DFS)
1. 维护一个递归函数,参数为节点和该节点的深度
2. 先将根节点与深度 0 传入递归函数
3. 将节点放入 index 与深度对应的数组内
4. 将节点的左子节点和右子节点分别传入递归函数,深度 +1
5. 重复步骤 3、4,直至子节点为空
#### 💎 **代码**
::: code-tabs
@tab 广度优先遍历(BFS)
```javascript
var levelOrder = function (root) {
let res = [];
if (root == null) return res;
let queue = [root];
while (queue.length) {
let len = queue.length;
let temp = [];
for (let i = 0; i < len; i++) {
if (queue[i].left) queue.push(queue[i].left);
if (queue[i].right) queue.push(queue[i].right);
temp.push(queue[i].val);
}
queue = queue.slice(len);
res.push(temp);
}
return res;
};
```
@tab 深度优先遍历(DFS)
```javascript
var levelOrder = function (root) {
let res = [];
const traverse = (node, deep) => {
if (node == null) return;
if (res.length == deep) {
res[deep] = [node.val];
} else {
res[deep].push(node.val);
}
traverse(node.left, deep + 1);
traverse(node.right, deep + 1);
};
traverse(root, 0);
return res;
};
```
:::
二叉树的还原
二叉树的还原:指的是通过二叉树的遍历序列,还原出对应的二叉树。
单凭 前序遍历序列 或 后序遍历序列 或 中序遍历序列 是 无法 恢复一棵二叉树的。
但是,如果已知一棵二叉树的前序序列和中序序列,可以唯一地确定这棵二叉树;如果已知一棵二叉树的中序序列和后序序列,可以唯一地确定这棵二叉树。
需要注意的是:如果已知二叉树的前序序列和后序序列,不能唯一地确定一棵二叉树。这是因为没有中序遍历序列无法确定左右部分,也就无法进行子序列的分割。
二叉树的构造问题一般都是使用「分解问题」的思路:构造整棵树 = 根节点 + 构造左子树 + 构造右子树。
105. 从前序与中序遍历序列构造二叉树 - LeetCode
📌💻 题目大意
根据一棵树的前序遍历与中序遍历构造二叉树。你可以假设树中没有重复的元素。
💡 解题思路
构造二叉树,第一件事一定是找根节点,然后想办法构造左右子树。
前序遍历结果第一个就是根节点的值,然后再根据中序遍历结果确定左右子树的节点。
不断的递归直到所有的树都生成完成。
递归时直接传入需要的 slice 范围作为输入, 可以避免申请对应 inorder 索引的内存。
💎 代码
var buildTree = function (preorder, inorder) {
if (preorder.length == 0) return null;
let root = new TreeNode(preorder[0]);
for (let i = 0; i < preorder.length; i++) {
if (inorder[i] === root.val) {
root.left = buildTree(preorder.slice(1, i + 1), inorder.slice(0, i));
root.right = buildTree(preorder.slice(i + 1), inorder.slice(i + 1));
break;
}
}
return root;
};
类似的题目还有 106. 从中序与后序遍历序列构造二叉树 - LeetCode 和 889. 根据前序和后序遍历构造二叉树 - LeetCode,原理类似,详见题解。
#### 📌 [105. 从前序与中序遍历序列构造二叉树 - LeetCode](https://2xiao.github.io/leetcode-js/problem/0105.html)
#### 💻 **题目大意**
根据一棵树的前序遍历与中序遍历构造二叉树。你可以假设树中没有重复的元素。
#### 💡 **解题思路**
构造二叉树,第一件事一定是找根节点,然后想办法构造左右子树。
前序遍历结果第一个就是根节点的值,然后再根据中序遍历结果确定左右子树的节点。
![](../image/2-6-10.png)
不断的递归直到所有的树都生成完成。
递归时直接传入需要的 slice 范围作为输入, 可以避免申请对应 inorder 索引的内存。
#### 💎 **代码**
```javascript
var buildTree = function (preorder, inorder) {
if (preorder.length == 0) return null;
let root = new TreeNode(preorder[0]);
for (let i = 0; i < preorder.length; i++) {
if (inorder[i] === root.val) {
root.left = buildTree(preorder.slice(1, i + 1), inorder.slice(0, i));
root.right = buildTree(preorder.slice(i + 1), inorder.slice(i + 1));
break;
}
}
return root;
};
```
类似的题目还有 [106. 从中序与后序遍历序列构造二叉树 - LeetCode](https://2xiao.github.io/leetcode-js/problem/0106.html) 和 [889. 根据前序和后序遍历构造二叉树 - LeetCode](https://2xiao.github.io/leetcode-js/problem/0889.html),原理类似,详见题解。
654. 最大二叉树 - LeetCode
📌💻 题目大意
给定一个不重复的整数数组 nums
。 最大二叉树 可以用下面的算法从 nums
递归地构建:
- 创建一个根节点,其值为
nums
中的最大值。 - 递归地在最大值 左边 的 子数组前缀上 构建左子树。
- 递归地在最大值 右边 的 子数组后缀上 构建右子树。
返回 nums
构建的 最大二叉树 。
示例 1:
输入:nums = [3,2,1,6,0,5]
输出:[6,3,5,null,2,0,null,null,1]
解释:递归调用如下所示:
- [3,2,1,6,0,5] 中的最大值是 6 ,左边部分是 [3,2,1] ,右边部分是 [0,5] 。
- [3,2,1] 中的最大值是 3 ,左边部分是 [] ,右边部分是 [2,1] 。
- 空数组,无子节点。
- [2,1] 中的最大值是 2 ,左边部分是 [] ,右边部分是 [1] 。
- 空数组,无子节点。
- 只有一个元素,所以子节点是一个值为 1 的节点。
- [0,5] 中的最大值是 5 ,左边部分是 [0] ,右边部分是 [] 。
- 只有一个元素,所以子节点是一个值为 0 的节点。
- 空数组,无子节点。
- [3,2,1] 中的最大值是 3 ,左边部分是 [] ,右边部分是 [2,1] 。
示例 2:
输入:nums = [3,2,1]
输出:[3,null,2,null,1]
💡 解题思路
每个二叉树节点都可以认为是一棵子树的根节点,对于根节点,首先要做的当然是把想办法把自己先构造出来,然后想办法构造自己的左右子树。
所以,我们要遍历数组把找到最大值 max
,从而把根节点 root
做出来,然后对 max
左边的数组和右边的数组进行递归构建,作为 root
的左右子树。
💎 代码
var constructMaximumBinaryTree = function (nums) {
if (nums.length == 0) return null;
let max = nums[0];
let maxIndex = 0;
for (let i = 0; i < nums.length; i++) {
if (nums[i] > max) {
max = nums[i];
maxIndex = i;
}
}
let root = new TreeNode(max);
root.left = constructMaximumBinaryTree(nums.slice(0, maxIndex));
root.right = constructMaximumBinaryTree(nums.slice(maxIndex + 1));
return root;
};
#### 📌 [654. 最大二叉树 - LeetCode](https://2xiao.github.io/leetcode-js/problem/0654.html)
#### 💻 **题目大意**
给定一个不重复的整数数组 `nums` 。 最大二叉树 可以用下面的算法从 `nums` 递归地构建:
1. 创建一个根节点,其值为 `nums` 中的最大值。
2. 递归地在最大值 左边 的 子数组前缀上 构建左子树。
3. 递归地在最大值 右边 的 子数组后缀上 构建右子树。
返回 `nums` 构建的 最大二叉树 。
**示例 1**:
```
输入:nums = [3,2,1,6,0,5]
输出:[6,3,5,null,2,0,null,null,1]
```
**解释**:递归调用如下所示:
- [3,2,1,6,0,5] 中的最大值是 6 ,左边部分是 [3,2,1] ,右边部分是 [0,5] 。
- [3,2,1] 中的最大值是 3 ,左边部分是 [] ,右边部分是 [2,1] 。
- 空数组,无子节点。
- [2,1] 中的最大值是 2 ,左边部分是 [] ,右边部分是 [1] 。
- 空数组,无子节点。
- 只有一个元素,所以子节点是一个值为 1 的节点。
- [0,5] 中的最大值是 5 ,左边部分是 [0] ,右边部分是 [] 。
- 只有一个元素,所以子节点是一个值为 0 的节点。
- 空数组,无子节点。
**示例 2**:
```
输入:nums = [3,2,1]
输出:[3,null,2,null,1]
```
#### 💡 **解题思路**
每个二叉树节点都可以认为是一棵子树的根节点,对于根节点,首先要做的当然是把想办法把自己先构造出来,然后想办法构造自己的左右子树。
所以,我们要遍历数组把找到最大值 `max`,从而把根节点 `root` 做出来,然后对 `max` 左边的数组和右边的数组进行递归构建,作为 `root` 的左右子树。
#### 💎 **代码**
```javascript
var constructMaximumBinaryTree = function (nums) {
if (nums.length == 0) return null;
let max = nums[0];
let maxIndex = 0;
for (let i = 0; i < nums.length; i++) {
if (nums[i] > max) {
max = nums[i];
maxIndex = i;
}
}
let root = new TreeNode(max);
root.left = constructMaximumBinaryTree(nums.slice(0, maxIndex));
root.right = constructMaximumBinaryTree(nums.slice(maxIndex + 1));
return root;
};
```
二叉查找树
定义
二叉查找树(Binary Search Tree) :也叫二叉搜索树,在二叉查找树中,每个节点的左子树节点值都小于该节点的值,而右子树节点值都大于该节点的值。
下图是几个二叉查找树的例子:
二叉查找树(BST)是二叉树中最常用的一种类型。二叉查找树最大的特点就是,支持动态数据集合的快速插入、删除、查找操作。在实际应用中常用于快速查找和有序插入的场景,具有良好的平均时间复杂度。
下面我们来看下,这些操作是如何实现的。
首先,我们需要定义二叉查找树的节点:
class TreeNode {
constructor(value) {
this.value = value;
this.left = null;
this.right = null;
}
}
这里,TreeNode
类代表了二叉查找树中的一个节点,包括节点的值、左子树和右子树。
接下来,我们创建一个 BinarySearchTree
类,用于实现二叉查找树的基本操作:
class BinarySearchTree {
constructor() {
this.root = null;
}
// ...(各种操作方法)
}
1. 插入操作
插入操作是向二叉查找树中插入新值的过程,通常涉及递归,因为我们需要找到新节点应该放置的位置。以下是增加节点的原理:
- 如果树为空(即根节点为
null
),则新节点将成为树的根。 - 如果树不为空,我们从树的根节点开始,比较新节点的值与当前节点的值。
- 如果新节点的值小于当前节点的值,则递归地将新节点插入到当前节点的左子树中。
- 如果新节点的值大于当前节点的值,则递归地将新节点插入到当前节点的右子树中。
- 如果新节点的值等于当前节点的值,通常可以选择将新节点丢弃,或者将其放在左子树或右子树中,取决于具体的实现策略。
class BinarySearchTree {
// ...(之前的代码)
insert(value) {
this.root = this._insert(this.root, value);
}
_insert(node, value) {
if (!node) {
return new TreeNode(value);
}
if (value < node.value) {
node.left = this._insert(node.left, value);
} else if (value > node.value) {
node.right = this._insert(node.right, value);
}
return node;
}
}
2. 查找操作
查找操作是在二叉查找树中搜索特定值的过程。它是通过递归地比较节点的值和目标值来实现的。以下是查找节点的原理:
从根节点开始,比较目标值与当前节点的值。
- 如果目标值小于当前节点的值,则在左子树中继续查找。
- 如果目标值大于当前节点的值,则在右子树中继续查找。
- 如果目标值等于当前节点的值,找到了目标节点。
重复上述步骤,直到找到目标节点或达到叶子节点(节点没有左子树和右子树)为止。
class BinarySearchTree {
// ...(之前的代码)
search(value) {
return this._search(this.root, value);
}
_search(node, value) {
if (!node || node.value === value) {
return node;
}
if (value < node.value) {
return this._search(node.left, value);
} else {
return this._search(node.right, value);
}
}
}
这两个基本操作是二叉查找树的核心。通过递归的方式,我们能够有效地在树中进行插入和查找操作。
3. 删除操作
为了删除一个节点,我们需要分几种情况讨论:
- 如果节点是叶子节点(没有左子树和右子树),直接删除即可。
- 如果节点只有一个子节点,将该节点替换为其子节点。
- 如果节点有两个子节点,找到右子树中的最小值节点,用该节点的值替换要删除的节点的值,然后递归地删除右子树中的最小值节点。
class BinarySearchTree {
// ...(之前的代码)
delete(value) {
this.root = this._delete(this.root, value);
}
_delete(node, value) {
if (!node) {
return null;
}
if (value < node.value) {
node.left = this._delete(node.left, value);
} else if (value > node.value) {
node.right = this._delete(node.right, value);
} else {
// Node to be deleted found
// Case 1 & 2: No child or one child
if (!node.left) {
return node.right;
} else if (!node.right) {
return node.left;
}
// Case 3: Two children
const minRight = this._findMin(node.right);
node.value = minRight.value;
node.right = this._delete(node.right, minRight.value);
}
return node;
}
_findMin(node) {
while (node.left) {
node = node.left;
}
return node;
}
}
4. 遍历操作
二叉查找树的遍历操作包括前序遍历、中序遍历和后序遍历,每一种遍历方式都有其特定的应用场景。
中序遍历是二叉查找树最常用的遍历方式。它按照从小到大的顺序遍历树中的节点,输出结果是有序的,时间复杂度是 O(n),非常高效 。因此,二叉查找树也叫作二叉排序树。
class BinarySearchTree {
// ...(之前的代码)
inOrderTraversal(callback) {
this._inOrderTraversal(this.root, callback);
}
_inOrderTraversal(node, callback) {
if (node) {
this._inOrderTraversal(node.left, callback);
callback(node.value);
this._inOrderTraversal(node.right, callback);
}
}
}
遍历的时间复杂度是 O(n)
,其中 n
是树中节点的数量,这是因为遍历需要访问所有节点。
👉 查看代码测试 👈
// 创建二叉查找树
const bst = new BinarySearchTree();
// 插入节点
bst.insert(5);
bst.insert(3);
bst.insert(7);
bst.insert(2);
bst.insert(4);
bst.insert(6);
bst.insert(8);
// 查找节点
const searchResult = bst.search(4);
console.log(searchResult ? `Found: ${searchResult.value}` : 'Not Found');
// 中序遍历
console.log('\nIn-order traversal:');
bst.inOrderTraversal((value) => console.log(value));
// 删除节点
bst.delete(3);
// 中序遍历查看删除后的结果
console.log('\nIn-order traversal after deletion:');
bst.inOrderTraversal((value) => console.log(value));
// 运行结果:
// Found: 4
// In-order traversal:
// 2
// 4
// 5
// 6
// 7
// 8
// In-order traversal after deletion:
// 2
// 4
// 5
// 6
// 7
// 8
除了插入、删除、查找、遍历操作之外,二叉查找树还可以支持快速地查找最大节点和最小节点、前驱节点和后继节点。
复杂度分析
- 平均情况下,二叉查找树的插入、查找和删除操作的时间复杂度是
O(log n)
。 - 最坏情况下,如果树是非平衡的,这些操作的时间复杂度会退化到
O(n)
。 - 遍历操作的时间复杂度始终为
O(n)
,因为需要访问所有节点。
因此,保持二叉查找树的平衡对于维护高效性能是非常重要的。平衡二叉查找树的实现(如 AVL 树或红黑树)确保了在各种操作中都能保持较小的树高度,从而提供了可靠的性能。
平衡二叉查找树
定义
平衡二叉查找树(Balanced Binary Search Tree) :是一种特殊的二叉查找树,其所有节点满足以下平衡性质:对于树中的每个节点,其左子树和右子树的高度差不超过 1
。
在非平衡的二叉查找树中,最坏情况下可能会导致树的高度接近线性,使得查找、插入和删除等操作的时间复杂度变为 O(n)
。而平衡二叉查找树能够保持较小的高度,确保这些操作的平均时间复杂度保持在 O(log n)
水平,提高了性能。
通过自动保持树的平衡性,确保在各种操作中具有较低的时间复杂度。常见的平衡二叉查找树实现包括 AVL 树和红黑树。
学习 AVL 树和红黑树的关键在于理解它们的平衡性质、平衡因子以及插入、删除等操作时的调整策略。
AVL 树
AVL 树是一种自平衡二叉查找树,由两位前苏联的数学家 Adelson-Velsky 和 Landis 在 1962 年提出。AVL 树通过在每次插入或删除操作后进行旋转操作,保持了树的平衡性。
平衡因子
在 AVL 树中,每个节点都有一个平衡因子(Balance Factor),定义为其左子树的高度减去右子树的高度。平衡因子的值只能是 -1
、0
或 1
。平衡因子的目标是保持所有节点的平衡因子在这个范围内。通过旋转操作,AVL 树确保所有节点的平衡因子在这个范围内,从而保持平衡。
插入操作
在插入新节点时,需要逐级更新从插入点到树根的所有节点的平衡因子,并检查是否破坏了 AVL 树的平衡性。如果发现某个节点的平衡因子超出了范围,就需要通过旋转操作来修复。
旋转操作
AVL 树通过四种基本的旋转操作来维护平衡:
- 左旋(Left Rotation): 将一个节点的右子树提升为新的根,原根成为新根的左子树。
- 右旋(Right Rotation): 将一个节点的左子树提升为新的根,原根成为新根的右子树。
- 左-右旋转(Left-Right Rotation): 先对左子树进行左旋,然后再对根节点进行右旋。
- 右-左旋转(Right-Left Rotation): 先对右子树进行右旋,然后再对根节点进行左旋。
通过这些旋转操作,AVL 树能够在插入节点后保持平衡。
红黑树
红黑树(Red-Black Tree)简称 R-B Tree,是另一种自平衡二叉查找树,它引入了颜色标记来确保平衡性,每个节点都被标记为红色或黑色。红黑树的平衡性质主要通过以下几点来维护:
- 根节点是黑色的。
- 所有叶子节点(NIL 节点)都是黑色的。
- 如果一个节点是红色的,则它的两个子节点都是黑色的。
- 从任意节点到其每个叶子的路径都包含相同数量的黑色节点。
插入操作
在红黑树中,插入节点时,首先按照二叉查找树的方式插入节点,然后通过一系列的颜色调整和旋转来保持红黑树的性质。
旋转操作
红黑树的旋转操作包括左旋和右旋,与 AVL 树相似。旋转操作的目的是通过重新组织树的结构来保持平衡性。
红黑树相对于 AVL 树的优势在于,由于不需要保持严格的平衡,红黑树的旋转操作较少,插入和删除节点时的性能更为稳定。
红黑树的高度近似 2log n
,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(log n)
。
线段树
定义
线段树(Segment Tree) :是一种解决范围查询问题的数据结构,主要用于处理数组中的子区间问题,如范围和、最小值、最大值等。
线段树是一种高效的数据结构,特别适用于需要频繁进行范围查询操作的场景。
构建线段树
线段树的节点通常包含以下信息:
start
:表示节点对应区间的起始位置。end
:表示节点对应区间的结束位置。sum
、min
、max
等:表示节点对应区间的信息。
以下是一个简单的线段树节点的 JavaScript 实现:
class SegmentTreeNode {
constructor(start, end) {
this.start = start;
this.end = end;
this.sum = 0; // 例如,表示区间和
this.left = null;
this.right = null;
}
}
构建线段树的过程涉及将数组划分为不同的区间,并在每个节点上存储对应区间的信息。
线段树通常被构造为满二叉树,它的高度是对数级别的,从而使得范围查询的时间复杂度保持在 O(log n)
的水平,其中 n
是待处理区间的长度。
function buildSegmentTree(nums, start, end) {
if (start === end) {
return new SegmentTreeNode(start, end);
}
const mid = Math.floor((start + end) / 2);
const left = buildSegmentTree(nums, start, mid);
const right = buildSegmentTree(nums, mid + 1, end);
const root = new SegmentTreeNode(start, end);
root.left = left;
root.right = right;
// 根据具体问题更新根节点的信息
root.sum = left.sum + right.sum;
return root;
}
更新操作
更新操作用于修改原始数组的值,并相应地更新线段树节点的信息。通常使用递归实现。
function update(root, index, val) {
if (root.start === root.end) {
root.sum = val; // 例如,表示区间和
return;
}
const mid = Math.floor((root.start + root.end) / 2);
if (index <= mid) {
update(root.left, index, val);
} else {
update(root.right, index, val);
}
// 更新根节点的信息
root.sum = root.left.sum + root.right.sum;
}
查询操作
查询操作用于获取数组某个范围内的信息,比如求和、最小值、最大值等。同样使用递归实现。
function query(root, queryStart, queryEnd) {
if (root.end < queryStart || root.start > queryEnd) {
return 0; // 例如,表示区间和
}
if (root.start >= queryStart && root.end <= queryEnd) {
return root.sum; // 例如,表示区间和
}
const mid = Math.floor((root.start + root.end) / 2);
const leftSum = query(root.left, queryStart, Math.min(mid, queryEnd));
const rightSum = query(root.right, Math.max(mid + 1, queryStart), queryEnd);
return leftSum + rightSum;
}
307. 区域和检索 - 数组可修改 - LeetCode
📌💻 题目大意
给定一个整数数组 nums
,请你完成两类查询:
- 更新 数组
nums
下标对应的值 - 返回数组
nums
中索引left
和right
(包含left
和right
)之间的nums
元素的 和 ,其中left <= right
实现 NumArray
类:
NumArray(int[] nums)
使用数组nums
初始化对象void update(int index, int val)
将nums[index]
的值 更新 为val
int sumRange(int i, int j)
返回数组nums
中索引left
和right
之间的元素的 总和 ,包含left
和right
两点(也就是nums[left] + nums[left + 1] + ... + nums[right]
)
示例 :
输入:
["NumArray", "sumRange", "update", "sumRange"]
[[[1, 3, 5]], [0, 2], [1, 2], [0, 2]]
输出:
[null, 9, null, 8]
解释:
NumArray numArray = new NumArray([1, 3, 5]);
numArray.sumRange(0, 2); // 返回 1 + 3 + 5 = 9
numArray.update(1, 2); // nums = [1,2,5]
numArray.sumRange(0, 2); // 返回 1 + 2 + 5 = 8
💡 解题思路
可以通过线段树来解决:
初始化: 在
NumArray
类的构造函数中,首先将输入的数组nums
存储起来,并构建一个线段树,表示整个数组的和。每个线段树节点包含一个区间的起始位置、结束位置和该区间的和。更新操作: 当调用
update
方法时,根据给定的索引和新的值,更新数组nums
对应位置的值,并在线段树中更新对应的节点的值。这个更新过程是通过递归地向下更新线段树节点实现的。区间和查询: 当调用
sumRange
方法时,需要查询数组中指定区间[i, j]
的和。在线段树中,可以通过递归地查询左右子树来获得区间[i, j]
的和:- 如果当前节点的区间完全包含在
[i, j]
中,则直接返回该节点的和。 - 否则,根据当前节点的中点将查询区间
[i, j]
分为左右两部分,递归地查询左右子树,并将两部分的和相加。
- 如果当前节点的区间完全包含在
💎 代码
class NumArray {
// @param {number[]} nums
constructor(nums) {
this.nums = nums;
this.segmentTree = this.buildSegmentTree(nums, 0, nums.length - 1);
}
// @param {number[]} nums
// @param {number} start
// @param {number} end
buildSegmentTree(nums, start, end) {
if (start == end) {
return { start, end, left: null, right: null, sum: nums[start] };
}
const mid = Math.floor((start + end) / 2);
const left = this.buildSegmentTree(nums, start, mid);
const right = this.buildSegmentTree(nums, mid + 1, end);
const sum = left.sum + right.sum;
return { start, end, left, right, sum };
}
// @param {number} index
// @param {number} val
// @return {void}
update(index, val) {
this.updateSegmentTree(this.segmentTree, index, val);
}
updateSegmentTree(root, index, val) {
if (root.start == root.end) {
root.sum = val;
return;
}
const mid = Math.floor((root.start + root.end) / 2);
if (index <= mid) {
this.updateSegmentTree(root.left, index, val);
} else {
this.updateSegmentTree(root.right, index, val);
}
root.sum =
(root.left ? root.left.sum : 0) + (root.right ? root.right.sum : 0);
}
// @param {number} left
// @param {number} right
// @return {number}
sumRange(left, right) {
return this.querySegmentTree(this.segmentTree, left, right);
}
querySegmentTree(root, start, end) {
if (root.start > end || root.end < start) return 0;
if (root.start >= start && root.end <= end) return root.sum;
const mid = Math.floor((root.start + root.end) / 2);
const leftSum = this.querySegmentTree(root.left, start, Math.min(mid, end));
const rightSum = this.querySegmentTree(
root.right,
Math.max(mid + 1, start),
end
);
return leftSum + rightSum;
}
}
#### 📌 [307. 区域和检索 - 数组可修改 - LeetCode](https://2xiao.github.io/leetcode-js/problem/0307.html)
#### 💻 **题目大意**
给定一个整数数组 `nums`,请你完成两类查询:
1. **更新** 数组 `nums` 下标对应的值
2. 返回数组 `nums` 中索引 `left` 和 `right` (包含 `left` 和 `right`)之间的 `nums` 元素的 **和** ,其中 `left <= right`
实现 `NumArray` 类:
- `NumArray(int[] nums)` 使用数组 `nums` 初始化对象
- `void update(int index, int val)` 将 `nums[index]` 的值 **更新** 为 `val`
- `int sumRange(int i, int j)` 返回数组 `nums` 中索引 `left` 和 `right` 之间的元素的 总和 ,包含 `left` 和 `right` 两点(也就是 `nums[left] + nums[left + 1] + ... + nums[right]` )
**示例 :**
> 输入:
>
> ["NumArray", "sumRange", "update", "sumRange"]
>
> [[[1, 3, 5]], [0, 2], [1, 2], [0, 2]]
>
> 输出:
>
> [null, 9, null, 8]
>
> 解释:
>
> NumArray numArray = new NumArray([1, 3, 5]);
>
> numArray.sumRange(0, 2); // 返回 1 + 3 + 5 = 9
>
> numArray.update(1, 2); // nums = [1,2,5]
>
> numArray.sumRange(0, 2); // 返回 1 + 2 + 5 = 8
#### 💡 **解题思路**
可以通过线段树来解决:
1. **初始化:** 在 `NumArray` 类的构造函数中,首先将输入的数组 `nums` 存储起来,并构建一个线段树,表示整个数组的和。每个线段树节点包含一个区间的起始位置、结束位置和该区间的和。
2. **更新操作:** 当调用 `update` 方法时,根据给定的索引和新的值,更新数组 `nums` 对应位置的值,并在线段树中更新对应的节点的值。这个更新过程是通过递归地向下更新线段树节点实现的。
3. **区间和查询:** 当调用 `sumRange` 方法时,需要查询数组中指定区间 `[i, j]` 的和。在线段树中,可以通过递归地查询左右子树来获得区间 `[i, j]` 的和:
- 如果当前节点的区间完全包含在 `[i, j]` 中,则直接返回该节点的和。
- 否则,根据当前节点的中点将查询区间 `[i, j]` 分为左右两部分,递归地查询左右子树,并将两部分的和相加。
#### 💎 **代码**
```javascript
class NumArray {
// @param {number[]} nums
constructor(nums) {
this.nums = nums;
this.segmentTree = this.buildSegmentTree(nums, 0, nums.length - 1);
}
// @param {number[]} nums
// @param {number} start
// @param {number} end
buildSegmentTree(nums, start, end) {
if (start == end) {
return { start, end, left: null, right: null, sum: nums[start] };
}
const mid = Math.floor((start + end) / 2);
const left = this.buildSegmentTree(nums, start, mid);
const right = this.buildSegmentTree(nums, mid + 1, end);
const sum = left.sum + right.sum;
return { start, end, left, right, sum };
}
// @param {number} index
// @param {number} val
// @return {void}
update(index, val) {
this.updateSegmentTree(this.segmentTree, index, val);
}
updateSegmentTree(root, index, val) {
if (root.start == root.end) {
root.sum = val;
return;
}
const mid = Math.floor((root.start + root.end) / 2);
if (index <= mid) {
this.updateSegmentTree(root.left, index, val);
} else {
this.updateSegmentTree(root.right, index, val);
}
root.sum =
(root.left ? root.left.sum : 0) + (root.right ? root.right.sum : 0);
}
// @param {number} left
// @param {number} right
// @return {number}
sumRange(left, right) {
return this.querySegmentTree(this.segmentTree, left, right);
}
querySegmentTree(root, start, end) {
if (root.start > end || root.end < start) return 0;
if (root.start >= start && root.end <= end) return root.sum;
const mid = Math.floor((root.start + root.end) / 2);
const leftSum = this.querySegmentTree(root.left, start, Math.min(mid, end));
const rightSum = this.querySegmentTree(
root.right,
Math.max(mid + 1, start),
end
);
return leftSum + rightSum;
}
}
```
相关题目
二叉树的遍历
题号 | 标题 | 题解 | 标签 | 难度 | 力扣 |
---|---|---|---|---|---|
144 | 二叉树的前序遍历 | [✓] | 栈 树 深度优先搜索 1+ | 🟢 | 🀄️ 🔗 |
94 | 二叉树的中序遍历 | [✓] | 栈 树 深度优先搜索 1+ | 🟢 | 🀄️ 🔗 |
145 | 二叉树的后序遍历 | [✓] | 栈 树 深度优先搜索 1+ | 🟢 | 🀄️ 🔗 |
102 | 二叉树的层序遍历 | [✓] | 树 广度优先搜索 二叉树 | 🟠 | 🀄️ 🔗 |
103 | 二叉树的锯齿形层序遍历 | [✓] | 树 广度优先搜索 二叉树 | 🟠 | 🀄️ 🔗 |
107 | 二叉树的层序遍历 II | [✓] | 树 广度优先搜索 二叉树 | 🟠 | 🀄️ 🔗 |
104 | 二叉树的最大深度 | [✓] | 树 深度优先搜索 广度优先搜索 1+ | 🟢 | 🀄️ 🔗 |
111 | 二叉树的最小深度 | [✓] | 树 深度优先搜索 广度优先搜索 1+ | 🟢 | 🀄️ 🔗 |
124 | 二叉树中的最大路径和 | [✓] | 树 深度优先搜索 动态规划 1+ | 🔴 | 🀄️ 🔗 |
101 | 对称二叉树 | [✓] | 树 深度优先搜索 广度优先搜索 1+ | 🟢 | 🀄️ 🔗 |
112 | 路径总和 | [✓] | 树 深度优先搜索 广度优先搜索 1+ | 🟢 | 🀄️ 🔗 |
113 | 路径总和 II | [✓] | 树 深度优先搜索 回溯 1+ | 🟠 | 🀄️ 🔗 |
236 | 二叉树的最近公共祖先 | [✓] | 树 深度优先搜索 二叉树 | 🟠 | 🀄️ 🔗 |
199 | 二叉树的右视图 | [✓] | 树 深度优先搜索 广度优先搜索 1+ | 🟠 | 🀄️ 🔗 |
226 | 翻转二叉树 | [✓] | 树 深度优先搜索 广度优先搜索 1+ | 🟢 | 🀄️ 🔗 |
958 | 二叉树的完全性检验 | [✓] | 树 广度优先搜索 二叉树 | 🟠 | 🀄️ 🔗 |
572 | 另一棵树的子树 | [✓] | 树 深度优先搜索 二叉树 2+ | 🟢 | 🀄️ 🔗 |
100 | 相同的树 | [✓] | 树 深度优先搜索 广度优先搜索 1+ | 🟢 | 🀄️ 🔗 |
116 | 填充每个节点的下一个右侧节点指针 | [✓] | 树 深度优先搜索 广度优先搜索 2+ | 🟠 | 🀄️ 🔗 |
117 | 填充每个节点的下一个右侧节点指针 II | [✓] | 树 深度优先搜索 广度优先搜索 2+ | 🟠 | 🀄️ 🔗 |
297 | 二叉树的序列化与反序列化 | [✓] | 树 深度优先搜索 广度优先搜索 3+ | 🔴 | 🀄️ 🔗 |
114 | 二叉树展开为链表 | [✓] | 栈 树 深度优先搜索 2+ | 🟠 | 🀄️ 🔗 |
二叉树的还原
题号 | 标题 | 题解 | 标签 | 难度 | 力扣 |
---|---|---|---|---|---|
105 | 从前序与中序遍历序列构造二叉树 | [✓] | 树 数组 哈希表 2+ | 🟠 | 🀄️ 🔗 |
106 | 从中序与后序遍历序列构造二叉树 | [✓] | 树 数组 哈希表 2+ | 🟠 | 🀄️ 🔗 |
889 | 根据前序和后序遍历构造二叉树 | [✓] | 树 数组 哈希表 2+ | 🟠 | 🀄️ 🔗 |
二叉搜索树
题号 | 标题 | 题解 | 标签 | 难度 | 力扣 |
---|---|---|---|---|---|
98 | 验证二叉搜索树 | [✓] | 树 深度优先搜索 二叉搜索树 1+ | 🟠 | 🀄️ 🔗 |
173 | 二叉搜索树迭代器 | [✓] | 栈 树 设计 3+ | 🟠 | 🀄️ 🔗 |
700 | 二叉搜索树中的搜索 | [✓] | 树 二叉搜索树 二叉树 | 🟢 | 🀄️ 🔗 |
701 | 二叉搜索树中的插入操作 | [✓] | 树 二叉搜索树 二叉树 | 🟠 | 🀄️ 🔗 |
450 | 删除二叉搜索树中的节点 | [✓] | 树 二叉搜索树 二叉树 | 🟠 | 🀄️ 🔗 |
703 | 数据流中的第 K 大元素 | [✓] | 树 设计 二叉搜索树 3+ | 🟢 | 🀄️ 🔗 |
剑指 Offer 54 | 二叉搜索树的第k大节点 | [✓] | 树 深度优先搜索 二叉搜索树 1+ | 🟢 | 🀄️ |
230 | 二叉搜索树中第 K 小的元素 | [✓] | 树 深度优先搜索 二叉搜索树 1+ | 🟠 | 🀄️ 🔗 |
235 | 二叉搜索树的最近公共祖先 | [✓] | 树 深度优先搜索 二叉搜索树 1+ | 🟠 | 🀄️ 🔗 |
426 | 将二叉搜索树转化为排序的双向链表 🔒 | [✓] | 栈 树 深度优先搜索 4+ | 🟠 | 🀄️ 🔗 |
108 | 将有序数组转换为二叉搜索树 | [✓] | 树 二叉搜索树 数组 2+ | 🟢 | 🀄️ 🔗 |
110 | 平衡二叉树 | [✓] | 树 深度优先搜索 二叉树 | 🟢 | 🀄️ 🔗 |
线段树
- 单点更新
题号 | 标题 | 题解 | 标签 | 难度 | 力扣 |
---|---|---|---|---|---|
303 | 区域和检索 - 数组不可变 | [✓] | 设计 数组 前缀和 | 🟢 | 🀄️ 🔗 |
307 | 区域和检索 - 数组可修改 | [✓] | 设计 树状数组 线段树 1+ | 🟠 | 🀄️ 🔗 |
354 | 俄罗斯套娃信封问题 | [✓] | 数组 二分查找 动态规划 1+ | 🔴 | 🀄️ 🔗 |
- 区间更新
题号 | 标题 | 题解 | 标签 | 难度 | 力扣 |
---|---|---|---|---|---|
370 | 区间加法 🔒 | 数组 前缀和 | 🟠 | 🀄️ 🔗 | |
1109 | 航班预订统计 | 数组 前缀和 | 🟠 | 🀄️ 🔗 | |
1450 | 在既定时间做作业的学生人数 | 数组 | 🟢 | 🀄️ 🔗 | |
673 | 最长递增子序列的个数 | 树状数组 线段树 数组 1+ | 🟠 | 🀄️ 🔗 | |
1310 | 子数组异或查询 | 位运算 数组 前缀和 | 🟠 | 🀄️ 🔗 | |
1851 | 包含每个查询的最小区间 | 数组 二分查找 排序 2+ | 🔴 | 🀄️ 🔗 |
- 区间合并
题号 | 标题 | 题解 | 标签 | 难度 | 力扣 |
---|---|---|---|---|---|
729 | 我的日程安排表 I | [✓] | 设计 线段树 数组 2+ | 🟠 | 🀄️ 🔗 |
731 | 我的日程安排表 II | [✓] | 设计 线段树 数组 3+ | 🟠 | 🀄️ 🔗 |
732 | 我的日程安排表 III | 设计 线段树 二分查找 2+ | 🔴 | 🀄️ 🔗 |
- 扫描线问题
题号 | 标题 | 题解 | 标签 | 难度 | 力扣 |
---|---|---|---|---|---|
218 | 天际线问题 | 树状数组 线段树 数组 4+ | 🔴 | 🀄️ 🔗 | |
391 | 完美矩形 | 数组 扫描线 | 🔴 | 🀄️ 🔗 | |
850 | 矩形面积 II | 线段树 数组 有序集合 1+ | 🔴 | 🀄️ 🔗 |
树状数组
题号 | 标题 | 题解 | 标签 | 难度 | 力扣 |
---|---|---|---|---|---|
303 | 区域和检索 - 数组不可变 | [✓] | 设计 数组 前缀和 | 🟢 | 🀄️ 🔗 |
307 | 区域和检索 - 数组可修改 | [✓] | 设计 树状数组 线段树 1+ | 🟠 | 🀄️ 🔗 |
315 | 计算右侧小于当前元素的个数 | 树状数组 线段树 数组 4+ | 🔴 | 🀄️ 🔗 | |
1450 | 在既定时间做作业的学生人数 | 数组 | 🟢 | 🀄️ 🔗 | |
354 | 俄罗斯套娃信封问题 | [✓] | 数组 二分查找 动态规划 1+ | 🔴 | 🀄️ 🔗 |
673 | 最长递增子序列的个数 | 树状数组 线段树 数组 1+ | 🟠 | 🀄️ 🔗 | |
1310 | 子数组异或查询 | 位运算 数组 前缀和 | 🟠 | 🀄️ 🔗 | |
1893 | 检查是否区域内所有整数都被覆盖 | 数组 哈希表 前缀和 | 🟢 | 🀄️ 🔗 |
并查集
题号 | 标题 | 题解 | 标签 | 难度 | 力扣 |
---|---|---|---|---|---|
990 | 等式方程的可满足性 | 并查集 图 数组 1+ | 🟠 | 🀄️ 🔗 | |
547 | 省份数量 | 深度优先搜索 广度优先搜索 并查集 1+ | 🟠 | 🀄️ 🔗 | |
684 | 冗余连接 | 深度优先搜索 广度优先搜索 并查集 1+ | 🟠 | 🀄️ 🔗 | |
1319 | 连通网络的操作次数 | 深度优先搜索 广度优先搜索 并查集 1+ | 🟠 | 🀄️ 🔗 | |
765 | 情侣牵手 | 贪心 深度优先搜索 广度优先搜索 2+ | 🔴 | 🀄️ 🔗 | |
399 | 除法求值 | [✓] | 深度优先搜索 广度优先搜索 并查集 4+ | 🟠 | 🀄️ 🔗 |
959 | 由斜杠划分区域 | 深度优先搜索 广度优先搜索 并查集 3+ | 🟠 | 🀄️ 🔗 | |
1631 | 最小体力消耗路径 | 深度优先搜索 广度优先搜索 并查集 4+ | 🟠 | 🀄️ 🔗 | |
778 | 水位上升的泳池中游泳 | 深度优先搜索 广度优先搜索 并查集 4+ | 🔴 | 🀄️ 🔗 | |
1202 | 交换字符串中的元素 | 深度优先搜索 广度优先搜索 并查集 4+ | 🟠 | 🀄️ 🔗 | |
947 | 移除最多的同行或同列石头 | 深度优先搜索 并查集 图 1+ | 🟠 | 🀄️ 🔗 | |
803 | 打砖块 | 并查集 数组 矩阵 | 🔴 | 🀄️ 🔗 | |
128 | 最长连续序列 | [✓] | 并查集 数组 哈希表 | 🟠 | 🀄️ 🔗 |