菜单
×
   ❮   
HTML CSS JAVASCRIPT SQL PYTHON JAVA PHP HOW TO W3.CSS C C++ C# BOOTSTRAP REACT MYSQL JQUERY EXCEL XML DJANGO NUMPY PANDAS NODEJS R TYPESCRIPT ANGULAR GIT POSTGRESQL MONGODB ASP AI GO KOTLIN SASS VUE DSA GEN AI SCIPY AWS CYBERSECURITY DATA SCIENCE
     ❯   

DSA 数组实现


二叉树的数组实现

为了避免使用数组时所有内存移动的开销,使用指针从一个元素指向下一个元素来实现了二叉树,就像之前实现二叉树那样,这在二叉树经常被修改时尤其有用。

但是,如果我们从二叉树读取的次数远多于修改的次数,那么二叉树的数组实现是可行的,因为它需要的内存更少,实现起来可能更简单,并且由于缓存局部性,某些操作可能更快。

缓存局部性是指计算机中的快速缓存内存存储了最近访问过的内存部分,或者当缓存存储了当前访问地址附近的内存部分时。这是因为 CPU 在下一个周期很可能需要与它在上一个周期使用的东西相近的东西,无论是时间上的接近还是空间上的接近。

由于数组元素在内存中是连续存储的,一个元素紧挨着另一个元素,因此有时计算机在读取数组时速度更快,因为下一个元素已经在缓存中,以防 CPU 在下一个周期需要它时可以快速访问。

数组在内存中的存储方式在此处有更详细的解释:此处

考虑这个二叉树

R A B C D E F G

这个二叉树可以存储在一个数组中,根节点 R 放在索引 0。树的其余部分可以通过取出存储在索引 \(i\) 的节点来构建,将其左子节点存储在索引 \(2\cdot i+1\),将其右子节点存储在索引 \(2\cdot i+2\)。

下面是二叉树的数组实现。

示例

Python

binary_tree_array = ['R', 'A', 'B', 'C', 'D', 'E', 'F', None, None, None, None, None, None, 'G']

def left_child_index(index):
    return 2 * index + 1

def right_child_index(index):
    return 2 * index + 2

def get_data(index):
    if 0 <= index < len(binary_tree_array):
        return binary_tree_array[index]
    return None

right_child = right_child_index(0)
left_child_of_right_child = left_child_index(right_child)
data = get_data(left_child_of_right_child)

print("root.right.left.data:", data)
运行示例 »

在此数组实现中,由于二叉树节点放置在数组中,大部分代码都与使用索引访问节点以及如何找到正确的索引有关。

假设我们要找到节点 B 的左子节点和右子节点。因为 B 在索引 2,B 的左子节点在索引 \(2\cdot 2+1=5\),即节点 E,对吗? B 的右子节点在索引 \(2\cdot 2+2=6\),即节点 F,这也与上面的图吻合,对吗?

正如你在第 1 行所见,此实现需要在节点没有子节点的地方留出空数组元素。因此,为了避免在空数组元素上浪费空间,使用数组实现的二叉树应该是“完美”二叉树,或者接近完美的二叉树。

完美二叉树是指每个内部节点恰好有两个子节点,并且所有叶节点都在同一层。

如果我们从上面的二叉树中移除 G 节点,它看起来像这样

R A B C D E F

并且上面的代码的第一行可以这样写,而不会浪费空数组元素的空间

binary_tree_array = ['R', 'A', 'B', 'C', 'D', 'E', 'F']

这就是如何对二叉树的数组实现进行三种不同的 DFS 遍历。

示例

Python

binary_tree_array = ['R', 'A', 'B', 'C', 'D', 'E', 'F', None, None, None, None, None, None, 'G']

def left_child_index(index):
    return 2 * index + 1

def right_child_index(index):
    return 2 * index + 2

def pre_order(index):
    if index >= len(binary_tree_array) or binary_tree_array[index] is None:
        return []
    return [binary_tree_array[index]] + pre_order(left_child_index(index)) + pre_order(right_child_index(index))

def in_order(index):
    if index >= len(binary_tree_array) or binary_tree_array[index] is None:
        return []
    return in_order(left_child_index(index)) + [binary_tree_array[index]] + in_order(right_child_index(index))

def post_order(index):
    if index >= len(binary_tree_array) or binary_tree_array[index] is None:
        return []
    return post_order(left_child_index(index)) + post_order(right_child_index(index)) + [binary_tree_array[index]]

print("Pre-order Traversal:", pre_order(0))
print("In-order Traversal:", in_order(0))
print("Post-order Traversal:", post_order(0))
运行示例 »

通过将这些遍历在数组实现中的执行方式与指针实现中的遍历方式进行比较,你可以看到 前序中序后序 遍历以相同的方式递归工作。



×

联系销售

如果您想将 W3Schools 服务用于教育机构、团队或企业,请发送电子邮件给我们
sales@w3schools.com

报告错误

如果您想报告错误,或想提出建议,请发送电子邮件给我们
help@w3schools.com

W3Schools 经过优化,旨在方便学习和培训。示例可能经过简化,以提高阅读和学习体验。教程、参考资料和示例会不断审查,以避免错误,但我们无法保证所有内容的完全正确性。使用 W3Schools 即表示您已阅读并接受我们的使用条款Cookie 和隐私政策

版权所有 1999-2024 Refsnes Data。保留所有权利。W3Schools 由 W3.CSS 提供支持