数据结构--二叉树-堆（1）

2023-09-11 22:23:10

文章目录

树

概念

树是一种常见的非线性的数据结构，，它是由n（n>=0）个有限结点组成一个具有层次关系的集合。把它叫做树是因为它看起来像一棵倒挂的树，也就是说它是根朝上，而叶朝下的。
在这里插入图片描述
在这里插入图片描述

相关的基本概念

在这里插入图片描述

节点的度：一个节点含有的子树的个数称为该节点的度； 如上图：A的为6叶节点或终端节点：度为0的节点称为叶节点； 如上图：B、C、H、I…等节点为叶节点

非终端节点或分支节点：度不为0的节点； 如上图：D、E、F、G…等节点为分支节点

双亲节点或父节点：若一个节点含有子节点，则这个节点称为其子节点的父节点； 如上图：A是B的父节点

孩子节点或子节点：一个节点含有的子树的根节点称为该节点的子节点； 如上图：B是A的孩子节点

兄弟节点：具有相同父节点的节点互称为兄弟节点； 如上图：B、C是兄弟节点

树的度：一棵树中，最大的节点的度称为树的度； 如上图：树的度为6
节点的层次：从根开始定义起，根为第1层，根的子节点为第2层，以此类推；

树的高度或深度：树中节点的最大层次； 如上图：树的高度为4

堂兄弟节点：双亲在同一层的节点互为堂兄弟；如上图：H、I互为兄弟节点

节点的祖先：从根到该节点所经分支上的所有节点；如上图：A是所有节点的祖先

子孙：以某节点为根的子树中任一节点都称为该节点的子孙。如上图：所有节点都是A的子孙

森林：由m（m>0）棵互不相交的树的集合称为森林；

一些概念类似于祖辈关系；
起始结点称为根节点，也就是图中的A；
树可以分为很多种子树，子树部分可以也有自己的根节点；
在这里插入图片描述
树是递归定义的。

树的表示

对于树来说，结构比较复杂，存储起来比较困难；既要保存数据，又要保证节点与节点之间的联系；在实际中，有这几种表示方法：双亲表示法，孩子表示法、孩子双亲表示法以及孩子兄弟表示法等。

这里介绍其中的一种：孩子兄弟表示法：

typedef int DataType;
struct Node
{
 struct Node* _firstChild1; // 第一个孩子结点
 struct Node* _pNextBrother; // 指向其下一个兄弟结点
 DataType _data; // 结点中的数据域
};

在这里插入图片描述

二叉树

概念

二叉树是一种特殊的树结构，每个节点最多可以有两个子节点。且这两个节点分别称之为左子树和右子树（左孩子和右孩子）；节点也可以没有子节点和只有一个子节点；
在这里插入图片描述
二叉树是有左右之分的，是一种有序树；

特殊情况：
在这里插入图片描述

特殊二叉树

满二叉树：一个二叉树，如果每一个层的结点数都达到最大值，则这个二叉树就是满二叉树。也就是说，如果一个二叉树的层数为K，且结点总数是 ，则它就是满二叉树。
完全二叉树：完全二叉树是效率很高的数据结构，完全二叉树是由满二叉树而引出来的。对于深度为K的，有n个结点的二叉树，当且仅当其每一个结点都与深度为K的满二叉树中编号从1至n的结点一一对应时称之为完全二叉树。 要注意的是满二叉树是一种特殊的完全二叉树。
. 在这里插入图片描述

性质

1.若规定根节点的层数为1，则一棵非空二叉树的第i层上最多有2^(i-1) 个结点.
2. 若规定根节点的层数为1，则深度为h的二叉树的最大结点数是2^h-1.
3. 对任何一棵二叉树, 如果度为0其叶结点个数为n0 , 度为2的分支结点个数为n2 ,则有 n2＝ n0＋1.

看下面一道例题：
在这里插入图片描述
在这里插入图片描述

堆

二叉树的顺序结构

一般的二叉树，是不适合用数组的存储结构来表示的，只有完全二叉树这种连续性的树结构才适合，在现实中，堆就是用这种结构来存储的。
注意：这里的堆和操作系统虚拟进程地址空间中的堆是两回事，一个是数据结构，一个是操作系统中管理内存的一块区域分段。
在这里插入图片描述

堆的概念

堆其实就是一颗完全二叉树，除最后一层的叶节点，其他层的节点全是满的。堆又分为大堆和小堆。在小堆中，对于任意节点i，父节点的值小于等于子节点的值；在大堆中，对于任意节点i，父节点的值大于等于子节点的值。实际中，堆还是数组，只是存储的逻辑顺序是完全二叉树的从上到下的顺序。

在这里插入图片描述

堆的实现

这是堆结构

typedef int HPDataType;
typedef struct Heap
{
	HPDataType* a; //存储的数组
	int size; //存储的大小
	int capacity; //数组的大小
}HP;

初始化

void HeapInit(HP* php)
{
	assert(php);
	php->a = NULL;
	php->capacity = php->size = 0;
}

将数组初始化为空，存储量和容量都设为0即可；

数组初始化为堆

有时我们会将一个数组变成堆的存储结构；

void HeapInitArray(HP* php, int* a, int n)
{
	assert(php);
	assert(a);
	//先将堆的数组创建空间
	php->a = (HPDataType*)malloc(sizeof(HPDataType)*n);
	if (php->a == NULL)
	{
		perror("HeapInit Fail");
		exit(-1);
	}
	php->capacity = php->size = n;

	//复制过去
	memcpy(php->a, a,sizeof(HPDataType)* n);
	//建堆
	for (int i = 1; i < n; i++)
	{
		AdjustUp(php->a, i);//向上调整
	}
}

向上调整是孩子可能会变化为父亲，所以从第1个下标开始，而不是第0个；

向上调整

这里先说一下父亲与孩子下标的关系：
在这里插入图片描述

由于堆的概念，当我们插入一个数据进去或者想将数组变化为数组时，需要对这个存储的数据进行调整；而我们调整的逻辑，就是根据堆的结构去调整的。
在这里插入图片描述

void Swap(HPDataType* p1, HPDataType* p2)
{
	HPDataType tmp = *p1;
	*p1 = *p2;
	*p2 = tmp;
}
void AdjustUp(HPDataType* a, int child)
{
	assert(a);
	//父亲节点
	HPDataType parent = (child - 1) / 2;

	while (child > 0)
	{
	//孩子节点的值比父亲节点的值小就交换
		if (a[child] < a[parent])
		{
			Swap(&a[child], &a[parent]);
			child = parent;
			parent = (parent - 1) / 2;
		}
		else
		{
			break;
		}
	}
}

利用循环来进行调整，这种调整，前提是前面的结构是堆，时间复杂度为O（logN）；

向下调整

有向上调整，自然有向下调整，对于堆顶的值的插入，就需要进行向下调整。

void AdjustDown(HPDataType* a, int n, int parent)
{
	assert(a);
	HPDataType child = parent * 2 + 1;

	while (child < n)
	{
		//判断左右孩子大小
		if (child + 1 < n && a[child + 1] < a[child])
		{
			child++;
		}
		if (a[child] < a[parent])
		{
			Swap(&a[child], &a[parent]);
			parent = child;
			child = child * 2 + 1;
		}
		else
		{
			break;
		}
	}

}

这里以左孩子为主，当右孩子比左孩子大时，就将右孩子与父亲节点进行比较；

插入

我们会在数组的size的后面进行插入，也就是堆底；

void HeapPush(HP* php, HPDataType x)
{
	assert(php);
	//满扩容
	if (php->capacity == php->size)
	{
		int newcapacity = php->capacity == 0 ? 4 : php->capacity * 2;
		HPDataType* tmp = (HPDataType*)realloc(php->a, sizeof(HPDataType) * newcapacity);
		if (tmp == NULL)
		{
			perror("Realloc fail");
			exit(-1);
		}
		php->a = tmp;
		php->capacity = newcapacity;
	}
	//插入
	php->a[php->size] = x;
	php->size++;
	//向上调整
	AdjustUp(php->a, php->size - 1);
}

删除

我们删除的是堆顶的数据，如果按常规想法，删除堆顶数据，然后进行移动，可不可行呢？
在这里插入图片描述
显然是不行的，解决方法是先将最后一个数据与堆顶数据交换，然后对交换后的堆顶值进行向下调整。因为调换删除后，除了堆顶，下面的数据都满足堆的条件。
在这里插入图片描述

void HeapPop(HP* php)
{
	assert(php);
	assert(!HeapEmpty(php));
	//堆顶与删除数据交换
	Swap(&php->a[0], &php->a[php->size - 1]);
	
	//删除
	php->size--;
	//向下调整
	AdjustDown(php->a, php->size, 0);
	
}

打印、摧毁、判空、获取堆顶数据

//打印
void HeapPrint(HP* php)
{
	assert(php);

	for (int i = 0; i < php->size; i++)
	{
		printf("%d ", php->a[i]);
	}
	printf("\n");
}
//摧毁
void HeapDestory(HP* php)
{
	assert(php);
	free(php->a);
	php->a = NULL;

	php->capacity = php->size = 0;
}
HPDataType HeapTop(HP* php)
{
	assert(php);
	assert(!HeapEmpty(php));
	return php->a[0];
}
bool HeapEmpty(HP* php)
{
	assert(php);

	return php->size == 0;
}

验证

接下来就来进行验证
先验证数组初始化为堆：

int main()
{
	int a[] = { 65,100,70,32,50,60 };
	HP heap;

	HeapInitArray(&heap, a, 6);
	HeapPrint(&heap);
	return 0
}

在这里插入图片描述
接着依次验证插入删除和获取堆顶数据：

int main()
{
	HeapInit(&heap);
	for (int i = 0; i < 6; i++)
	{
		HeapPush(&heap, a[i]);
	}
	HeapPrint(&heap);
	HeapPop(&heap);
	HeapPrint(&heap);
	printf("%d", HeapTop(&heap));

	HeapDestory(&heap);

	return 0;
}

在这里插入图片描述

堆的应用

接着说堆比较常用的两个应用，堆排序和TopK问题。

堆排序

第一种方法，我们的思路是，先建立一个堆结构，然后利用堆的删除思想进行排序。

//小堆
void HeapSort(int* a, int n)
{
	//建堆
	HP hp;
	HeapInit(&hp);
	for (int i = 0; i < n; i++)
	{
		HeapPush(&hp, a[i]);
	}

	//利用堆删除原理来进行排序
	int i = 0;
	while (!HeapEmpty(&hp))
	{
		a[i++] = HeapTop(&hp);
		HeapPop(&hp);
	}
	
	HeapDestory(&hp);
}
int main()
{

	int a[] = { 2,3,5,7,4,6,8 };
	HeapSort(a, sizeof(a) / sizeof(a[0]));

	return 0;
}

在这里插入图片描述

这种方法，小堆对应的是升序；利用堆顶是最小的，然后对它取值后删除的原理进行排序，时间复杂度为O(N* logN * N);

还有一种方法，先对数组进行建堆，将堆顶与最后一个数据进行替换，以升序建大堆为例，最大的值与堆底替换后，那么最大的值就放在了最后的空间里了，再对数组长度做限制，那就可以完成排序了；

//小堆
void HeapSort(int* a, int n)
{
	//升序：大堆    降序：小堆
	for (int i = 1; i < n; i++)
	{
		AdjustUp(a, i);
	}

	int end = n - 1;
	while (end > 0)
	{
		Swap(&a[0], &a[end]);
		AdjustDown(a, end, 0);
		--end;
	}
}

int main()
{

	int a[] = { 2,3,5,7,4,6,8 };
	HeapSort(a, sizeof(a) / sizeof(a[0]));

	return 0;
}

在这里插入图片描述
时间复杂度O(N)=N*logN
显然下面方法排序的更快。

TopK问题

即求数据结合中前K个最大的元素或者最小的元素，一般情况下数据量都比较大。
比如：专业前10名、世界500强、富豪榜、游戏中前100的活跃玩家等。
对于Top-K问题，能想到的最简单直接的方式就是排序，但是：如果数据量非常大，排序就不太可取了(可能数据都不能一下子全部加载到内存中)。最佳的方式就是用堆来解决，基本思路如下：

  1. 用数据集合中前K个元素来建堆
    前k个最大的元素，则建小堆
    前k个最小的元素，则建大堆
  2. 用剩余的N-K个元素依次与堆顶元素来比较，不满足则替换堆顶元素

将剩余N-K个元素依次与堆顶元素比完之后，堆中剩余的K个元素就是所求的前K个最小或者最大的元素。

void PrintTopk(const char* filename, int k)
{
	//建堆
	FILE* fout = fopen(filename, "r");
	if (fout == NULL)
	{
		perror("fout fail");
		exit(-1);
	}

	int* minheap = (int*)malloc(sizeof(int) * k);
	if (minheap == NULL)
	{
		perror("minheap fail");
		exit(-1);
	}
	//数据输入
	for (int i = 0; i < k; i++)
	{
		fscanf(fout, "%d", &minheap[i]);
	}
	//建堆
	/*for (int i = 1; i < k; i++)
	{
		AdjustUp(minheap, i);
	}*/
	for (int i = (k - 1-1) / 2; i >= 0; i--)
	{
		AdjustDown(minheap, k, i);
	}

	//交换
	int x = 0;
	while (fscanf(fout, "%d", &x) != EOF)
	{
		if (x > minheap[0])
		{
			minheap[0] = x;
			AdjustDown(minheap, k, 0);
		}
	}

	for (int i = 0; i < k; i++)
	{
		printf("%d\n", minheap[i]);
	}
	fclose(fout);
}

//数据创建
void CreateNDate()
{
	int n = 1000000;
	srand(time(NULL));
	const char* file = "data.txt";
	FILE* bin = fopen(file, "w");
	if (bin == NULL)
	{
		perror("FILE Fail");
		exit(-1);
	}

	for (int i = 0; i < n; i++)
	{
		int x = (rand() + i) % 1000000;
		fprintf(bin, "%d\n", x);
	}

	fclose(bin);

}

int main()
{
	//CreateNDate();

	PrintTopk("data.txt", 5);

	return 0;
}

在这里插入图片描述

先利用随机数创建一个数据文件，然后先将k个数据存储进数组中，接着建堆，最后将n-k个数据与堆顶进行比较，大于堆顶就进堆；

这里有两种建堆方法，一种是向上调整的建堆，另一种是向下调整的建堆；

向上调整的建堆：
在这里插入图片描述
在这里插入图片描述

向下调整的建堆：
在这里插入图片描述
在这里插入图片描述
时间复杂度T(N)=N;

从简单的角度来看，向上调整时，堆底的最底层数据几乎是堆的一半，都需要向上调整；而向下调整，堆顶只有一个，相比之下，向下调整肯定所用时间比较少。

更多推荐

Spring 篇

1、什么是Spring？Spring是一个轻量级的IOC和AOP容器框架。是为Java应用程序提供基础性服务的一套框架，目的是用于简化企业应用程序的开发，它使得开发者只需要关心业务需求。常见的配置方式有三种：基于XML的配置、基于注解的配置、基于Java的配置。主要由以下几个模块组成：SpringCore：核心类库，提

RFID技术在工业智能制造生产线中的应用

随着自动化和信息化的快速发展，工业智能制造成为制造业的重要趋势，在制造商的生产线上，准确获取和管理工艺流程等各个环节的信息至关重要，作为物联网感知层的核心组成部分，RFID技术以其非接触式、无感知的特点，实现了智能化的识别和数据采集，通过RFID电子标签实现了设备的互联，在复杂的工业制造环境中，结合RFID电子标签、R

xterm使用

xterm使用前言1.xterm介绍2.xterm使用2.1xterm简单示例2.2xterm监听输入并在终端中实时显示方式1:onKey监听方式2:onData监听onData和onKey什么区别2.3xterm与vue整合2.3xterm+vue+websocket附录配置说明前言vue与xterm整合记录1.xt

让开源数据开发平台助力提质增效！

用低代码技术平台，可以提高办公协作效率，可以让数据资源变得更有意义和价值，也可以为企业做出更理想的发展决策。作为开源数据开发平台服务商，流辰信息谨守研发初心，一直在低代码技术平台领域努力耕耘，为行业的进步和数字化发展贡献力量。由于社会的发展和进步，传统的表单制作工具已经无法为企业创造高效益，如果想要获得发展和壮大，需要

初探微前端

微前端一、微前端的背景和概述1.1概念1.2特点1.3背景二、微前端的实现方式2.1服务端集成2.2运行时集成三、现有的解决方案3.1single-spa3.2qiankun3.3micro-app四、总结🚀🚀🚀随着互联网技术的不断发展，前端应用规模和复杂性也在不断增加。传统的单体前端应用面临着很多挑战，比如应用

webpack：系统的了解webpack一些核心概念

文章目录webpack如何处理应用程序？何为webpack模块chunk？入口(entry)输出(output)loader开发loader插件(plugin)简介流程插件开发：Tapable类监听(watching)compiler钩子compilation钩子compiler和compilation创建自定义插件l

有关在 Windows 上使用 Python 的常见问题解答

🎬岸边的风：个人主页🔥个人专栏:《VUE》《javaScript》⛺️生活的理想，就是为了理想的生活!目录使用pipinstall解决包安装问题使用WSL解决pip安装问题什么是py.exe？为什么运行python.exe会打开MicrosoftStore？当我复制粘贴文件路径时，为什么在Python中不起作用？什

前端js面试题 (一)

文章目录1、请你阐述一下原型与原型链。2、开发中的闭包问题。3、call、apply、bind的用途与区别4、手写一个promise5、箭头函数与普通函数6、递归与尾递归。7、await返回值是什么。8、promise.then，setInterval，Promise.resolve，执行顺序9、letconstvar

Python打包教程 PyInstaller和cx_Freeze

当我们开发Python应用程序时，通常会将代码保存在.py文件中，然后通过Python解释器运行它。这对于开发和测试是非常方便的，但在将应用程序分享给其他人或在不同环境中部署时，可能会带来一些问题。为了解决这些问题，我们可以使用打包工具将Python应用程序转换为可执行文件，这样它就可以在不需要安装Python解释器的

​​​​MyBatis友人帐之基础入门

一、简介1.1什么是MyBatisMyBatis是一个开源的、轻量级的数据持久层框架，它可以简化JDBC的操作，让开发者只需要关注SQL语句本身，而不用处理加载驱动、创建连接、创建语句等繁琐的过程。MyBatis支持自定义SQL、存储过程和高级映射，可以通过XML或注解来配置和映射原始类型、接口和JavaPOJO（普通

Android 虚拟机

文章目录Android虚拟机Java虚拟机基于栈的虚拟机栈的执行流程Dalvik虚拟机基于寄存器的虚拟机寄存器的执行流程Java虚拟机与Dalvik虚拟机区别ART虚拟机Android7.0的运行方式Android虚拟机Java虚拟机基于栈的虚拟机每一个运行时的线程，都有一个独立的栈。栈中记录了方法调用的历史，每一次方

热文推荐
  1. 公众号自定义mac命令行代码风格样式

    一直看别人的公众号发的文章的代码排版是这样的风格：mac命令行风格样式看着很有逼格的样子，今天也尝试学习写了一下没想到成功了记录一下首先感谢一个网站：http://md.aclickall.com/一个专门让程序员写技术文章排版用的我这个样式就是基于大佬们的模版改了一些自己想要的样式网站打开是这样的：我这里用的是dar

  2. LeetCode 847. Shortest Path Visiting All Nodes【状态压缩,BFS；动态规划,最短路】2200

    本文属于「征服LeetCode」系列文章之一，这一系列正式开始于2021/08/12。由于LeetCode上部分题目有锁，本系列将至少持续到刷完所有无锁题之日为止；由于LeetCode还在不断地创建新题，本系列的终止日期可能是永远。在这一系列刷题文章中，我不仅会讲解多种解题思路及其优化，还会用多种编程语言实现题解，涉及

  3. 【Python】使用 pyecharts 模块绘制动态时间线柱状图 ① ( 列表排序 | 使用 sorted 函数对容器进行排序 | 使用 list.sort 函数对列表进行排序 | 设置排序函数 )

    文章目录一、列表排序1、使用sorted函数对容器进行排序2、使用list.sort函数对列表进行排序3、使用list.sort函数对列表进行排序-设置排序函数4、使用list.sort函数对列表进行排序-设置lambda匿名排序函数pyecharts画廊网站:https://gallery.pyecharts.org

  4. 健康云HIS系统源码，满足基层医疗机构业务需求，提供挂号支持、病患问诊、电子病历、开药发药、会员管理、统计查询、医生站和护士站等功能

    云his系统源码二级医院HIS系统全套源代码自主研发，自主版权一款满足基层医疗机构各类业务需要的健康云HIS系统。该系统能帮助基层医疗机构完成日常各类业务，提供病患挂号支持、病患问诊、电子病历、开药发药、会员管理、统计查询、医生站和护士站等一系列常规功能，能与公卫、PACS等各类外部系统融合，实现多层机构之间的融合管理

  5. 怎样定制开发小程序微商城_流程_报价_OctShop

    互联网和5G的快速发展，变化速度1天比1天快了，小程序微商城的开发也这在浪潮中得到了蓬勃发展，小程序微商城在我们的生活当中已经非常普通了，很多人通过扫描小程序微商城二维码，进入小程序微商城进行购物。随着互联网与5G的发展，很多企业或商家通过微信生态，如：微信群，朋友圈等来发展自己企业的业务。如果我们想通过朋友圈或微信群

  6. Redis代码实践总结

    一、背景：redis从安装到实践，做一些具体的记录。1.1Redis和RedisStack和RedisEnterpriseredis简介Redis是一种开源（BSD许可）内存中数据结构存储，用作数据库、缓存、消息代理和流引擎。Redis提供数据结构，例如字符串、散列、列表、集合、带范围查询的排序集、位图、超级日志、地理

  7. 别再盯着40系，这些才是目前性价比最高的显卡

    有人说，当前畸形的显卡市场成了咱们升级电脑配置的最大阻碍。在小忆看来这话说得还真没啥毛病！CPU、主板、内存、硬盘、电源，哪个不是一台电脑中的重要核心硬件；它们飘了吗？没有，各个品牌在竞争中相互制约，价格呢也都维持在一个相对合理的状态。唯独显卡领域，NVIDIA独领风骚，彻底掌控定价权。RTX40系列疯狂挤牙膏价格不降

  8. 回归测试策略指南

    作为一名软件测试人员，我们需要进行回归测试，以确保代码修改后软件的既有功能不会受到影响。那么如何设计和执行有效的回归测试策略呢?本文将为大家提供一些专业建议。明确回归测试的范围回归测试不可能也不需要对软件做完整测试，要识别出核心功能和关键业务场景，将回归测试的范围控制在可管理的范围内。比如在一个电商网站修改了订单模块代

  9. 实战经验分享：如何通过HTTP代理解决频繁封IP问题

    在网络爬虫和数据采集等应用中，频繁遇到目标网站封锁或限制IP的情况是非常常见的。为了解决这个问题，使用HTTP代理是一种有效的方法。本文将与您分享一些实战经验，帮助您通过HTTP代理解决频繁封IP问题，确保您的数据采集工作顺利进行。一、了解频繁封IP问题频繁封IP问题是指目标网站采取措施检测并封锁过多请求来自同一IP地