• 数据结构--二叉树-堆（1）

    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
};

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    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;

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    初始化

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

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    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
	}
}



    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23

    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;
		}
	}
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27

    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;
		}
	}

}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25

    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);
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22

    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);
	
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    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;
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32

    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
}


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    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;
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16

    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;
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29

    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;
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26

    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;
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70
    • 71
    • 72
    • 73
    • 74
    • 75
    • 76
    • 77
    • 78
    • 79
    • 80

    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。

  • 相关阅读:
    Python、Rust中的协程
    Python学习笔记
    React生命周期和响应式原理(Fiber架构)
    3W字，Docker 从入门到精通
    数据库优化 | 干货
    湖仓一体电商项目（十六）：业务实现之编写写入ODS层业务代码
    SpringBoot项目添加2FA双因素身份认证
    Python使用pymysql来操作MySQL
    制作Windows下可移植Python环境和使用cx_Oracle
    线程安全集合类
  • 原文地址：https://blog.csdn.net/m0_74068921/article/details/132814946