初学二叉搜索树踩坑多？C++ 从原理到代码，搞定增删查全流程

Ne0inhk

— 14 min read
初学二叉搜索树踩坑多？C++ 从原理到代码，搞定增删查全流程

个人主页



🎬 个人主页：Vect个人主页

🎬 GitHub：Vect的代码仓库
🔥 个人专栏: 《数据结构与算法》《C++学习之旅》《计算机基础》

⛺️Per aspera ad astra.

文章目录

1. 二叉搜索树相关概念

如下图所示，二叉搜索树(binary search tree)满足下列条件：

  1. 对于根节点，左子树中所有节点的值<根节点的值<右子树中所有节点的值
  2. 任意节点的左、右字数也是二叉搜索树，同样满足条件1
在这里插入图片描述

而下图就不是二叉搜索树：

在这里插入图片描述

2. 二叉搜索树的操作

我们将二叉搜索树封装为一个类BSTree，并声明一个_root变量，指向树的根节点

// 节点类template<classK>structBSTNode{ BSTNode<K>* _left; BSTNode<K>* _right; K _key;// 构造BSTNode(const K& val):_left(nullptr),_right(nullptr),_key(val){}};// 二叉搜索树类template<classK>classBSTree{public:typedef BSTNode<K> Node;private: Node* _root;};

2.1. 查找节点

给定目标val，可以声明一个节点cur，从二叉搜索树的根节点_root出发，循环比较cur._key和val之间的大小关系：

  • 若val < cur._key，说明目标节点在cur的左子树，执行cur = cur._left
  • 若val > cur._key，说明目标节点在cur的右子树，执行cur = cur._right
  • 若val == cur._key，说明找到目标节点，跳出循环并返回该节点

与二分查找原理一致，每轮排除一半的情况，当二叉树平衡时，循环次数最多为二叉树的高度， O ( l o g n ) O(logn) O(logn)

// 查找节点  Node*find(const K& val){ Node* cur = _root;while(cur){if(val < cur->_key) cur = cur->_left;elseif(val > cur->_key) cur = cur->_right;elsebreak;}return cur;}

2.2. 插入节点

给定一个待插入元素val，为了保持左子树<根节点<右子树的性质，插入流程如下：

  1. 查找插入位置： 与查找操作相同逻辑，从根节点出发，根据当前节点值和val的大小关系循环向下搜索，直到越过叶子节点（遍历到None）跳出循环
  2. 在该位置插入节点：new一个新节点，将新节点置于None的位置

注意：

  • 二叉搜索树不允许存在重复节点，否则将违反其定义。因此，若待插入节点在树中已存在，则不执行插入，直接返回。
  • 为了实现插入节点，我们需要借助节点pre 保存上一轮循环的节点。这样在遍历至 None时，我们可以获取到其父节点，从而完成节点插入操作。
boolinsert(const K& val){// 空树 直接插入if(_root ==nullptr){ Node* newNode =newNode(val); _root = newNode;returntrue;}// 非空树 先找待插入节点的位置 Node* cur = _root; Node* curPre =nullptr;// 保存cur的父节点 while(cur){if(val == cur->_key)returnfalse;// 重复值 不插入elseif(val < cur->_key){// 小于键值 往左走 同时更新cur的父节点 curPre = cur; cur = cur->_left;}else{// 大于键值 往右走 同时更新cur的父节点 curPre = cur; cur = cur->_right;}}// cur的位置是待插入位置 Node* newNode =newNode(val);// 判断cur在curPre的左边还是右边 确定新节点位置if(curPre->_left == cur) curPre->_left = newNode;else curPre->_right = newNode;returntrue;}

2.3. 删除节点

先在二叉树中查找到目标节点，再将其删除。与插入节点一样，我们需要保证在删除操作完成后，保证二叉搜索树的“左子树 < 根节点 < 右子树”的性质不变

根据待删除节点的孩子数量，分0、1和2三种情况

  • 待删除结点是叶子节点，直接删除
在这里插入图片描述
  • 待删除节点有一个孩子，将待删除节点的子节点和其替换即可
在这里插入图片描述
  • 待删除节点2个孩子，不能直接删除，需要用一个节点替换该节点，保持“左子树 < 根节点 < 右子树”的性质不变，可以选择右子树最小节点或左子树最大节点

假设我们选择右子树最小节点，如下流程：

  1. 找到待删除节点cur的右子树最小节点rightMin
  2. 用rightMin的值覆盖cur，并删除rightMin
在这里插入图片描述

总共有如下几种情况：

cur 有两个孩子；rightMin 在更下方；rightMin 只有右孩子（B1）触发：cur->_right有左孩子，沿左链找到 rightMin，且 rightMin->_right != nullptr操作：cur->_key = rightMin->_key；令 rightMinPre->_left = rightMin->_right；删除 rightMin。示意：

cur(•) \ ... / rightMin \ X

cur 有两个孩子；rightMin 在更下方；rightMin 无右孩子（B0）触发：cur->_right有左孩子，沿左链找到 rightMin，且 rightMin->_right == nullptr操作：cur->_key = rightMin->_key；令 rightMinPre->_left = nullptr；删除 rightMin。示意：

cur(•) \ ... / rightMin

cur 有两个孩子；rightMin 就是 cur->_right；rightMin 只有右孩子（A1）触发：cur->_right没有左孩子，且 cur->_right->_right != nullptr操作：cur->_key = rightMin->_key；令 cur->_right = rightMin->_right；删除 rightMin。示意：

cur(•) / \ (...) rightMin \ X

cur 有两个孩子；右子树最小节点 rightMin 就是 cur->_right；rightMin 无右孩子（A0）触发：cur->_right没有左孩子，且 cur->_right->_right == nullptr操作：cur->_key = rightMin->_key；令 cur->_right = nullptr；删除 rightMin。示意：

cur(•) / \ (...) rightMin 
boolerase(const K& val){// 空树无法删除if(_root ==nullptr)returnfalse;// 查找待删除节点 Node* cur = _root; Node* curPre =nullptr;while(cur){if(val < cur->_key){// 向左找 curPre = cur; cur = cur->_left;}elseif(val > cur->_key){// 向右找 curPre = cur; cur = cur->_right;}elsebreak;// 命中}// cur为空 无法删除if(cur ==nullptr)returnfalse;// 找到cur了// 孩子0/1个的情况if(cur->_left ==nullptr|| cur->_right ==nullptr){// 找到待删除节点的孩子 Node* curNext = cur->_left ==nullptr? cur->_right : cur->_left;if(cur != _root){// 删除的不是根节点if(curPre->_left == cur) curPre->_left = curNext;else curPre->_right = curNext;}else{// 删除的是根节点 _root = curNext;}delete cur;}else{// 2个孩子// 1. 找右子树最小节点 Node* rightMin = cur->_right; Node* rightMinPre = cur;while(rightMin->_left){ rightMinPre = rightMin; rightMin = rightMin->_left;}// 2. 用rightMin的值覆盖待删除节点的值 cur->_key = rightMin->_key;// 3. 删除rightMin 要处理rightMin的孩子 Node* rightMinNext = rightMin->_right;if(rightMinPre->_left == rightMin) rightMinPre->_left = rightMinNext;else rightMinPre->_right = rightMinNext;// 右子树最小节点是cur->_right的情况delete rightMin;}returntrue;}

再次总结：

查找阶段

  • 用 cur 定位待删，curPre 记录父。
  • 终止条件：命中或走到空。
  • 注意：若支持自定义比较器，等价判断应为“!(val<key) && !(key<val)”。

0/1 个孩子：真正移除 cur 节点

  • curNext = (cur->_left ? cur->_left : cur->_right)。
  • 若 cur != _root：把 curPre 的相应孩子指向 curNext。
  • 若 cur == _root：_root = curNext。
  • delete cur。
  • 要点：这是必须对“根”特判的地方（根没有父指针可改）。

2 个孩子：值覆盖 + 删后继（不移动 cur 本体）

  • 覆盖键值：cur->_key = rightMin->_key;（若有 value，一并拷/搬移）。
  • 要点：这里不需要根特判，因为根节点对象没被删除，只是“值被改写”。

删除 rightMin：

Node* rightMinNext = rightMin->_right; // 只可能有右孩子或空 if (rightMinPre->_left == rightMin) rightMinPre->_left = rightMinNext; else rightMinPre->_right = rightMinNext; // 当 rightMin 就是 cur->_right delete rightMin;

找右子树最小：

Node* rightMin = cur->_right; Node* rightMinPre = cur; while (rightMin->_left) { rightMinPre = rightMin; rightMin = rightMin->_left; }

3. 二叉搜索树的实现

#pragmaonce#include<iostream>#include<vector>usingnamespace std;namespace BSTKey {template<classK>structBSTNode{ BSTNode<K>* _left; BSTNode<K>* _right; K _key;// 构造BSTNode(const K& val):_left(nullptr),_right(nullptr),_key(val){}};template<classK>classBSTree{public:typedef BSTNode<K> Node;BSTree()=default;// 析构 需要辅助析构函数~BSTree(){destroy(_root); _root =nullptr;}// 查找节点  Node*find(const K& val){ Node* cur = _root;while(cur){if(val < cur->_key) cur = cur->_left;elseif(val > cur->_key) cur = cur->_right;elsebreak;}return cur;}boolinsert(const K& val){// 空树 直接插入if(_root ==nullptr){ Node* newNode =newNode(val); _root = newNode;returntrue;}// 非空树 先找待插入节点的位置 Node* cur = _root; Node* curPre =nullptr;// 保存cur的父节点 while(cur){if(val == cur->_key)returnfalse;// 重复值 不插入elseif(val < cur->_key){// 小于键值 往左走 同时更新cur的父节点 curPre = cur; cur = cur->_left;}else{// 大于键值 往右走 同时更新cur的父节点 curPre = cur; cur = cur->_right;}}// cur的位置是待插入位置 Node* newNode =newNode(val);// 判断cur在curPre的左边还是右边 确定新节点位置if(curPre->_left == cur) curPre->_left = newNode;else curPre->_right = newNode;returntrue;}boolerase(const K& val){// 空树无法删除if(_root ==nullptr)returnfalse;// 查找待删除节点 Node* cur = _root; Node* curPre =nullptr;while(cur){if(val < cur->_key){// 向左找 curPre = cur; cur = cur->_left;}elseif(val > cur->_key){// 向右找 curPre = cur; cur = cur->_right;}elsebreak;// 命中}// cur为空 无法删除if(cur ==nullptr)returnfalse;// 找到cur了// 孩子0/1个的情况if(cur->_left ==nullptr|| cur->_right ==nullptr){// 找到待删除节点的孩子 Node* curNext = cur->_left ==nullptr? cur->_right : cur->_left;if(cur != _root){// 删除的不是根节点if(curPre->_left == cur) curPre->_left = curNext;else curPre->_right = curNext;}else{// 删除的是根节点 _root = curNext;}delete cur;}else{// 2个孩子// 1. 找右子树最小节点 Node* rightMin = cur->_right; Node* rightMinPre = cur;while(rightMin->_left){ rightMinPre = rightMin; rightMin = rightMin->_left;}// 2. 用rightMin的值覆盖待删除节点的值 cur->_key = rightMin->_key;// 3. 删除rightMin 要处理rightMin的孩子 Node* rightMinNext = rightMin->_right;if(rightMinPre->_left == rightMin) rightMinPre->_left = rightMinNext;else rightMinPre->_right = rightMinNext;// 右子树最小节点是cur->_right的情况delete rightMin;}returntrue;}voidinOrder(){_inOrder(_root); cout << endl;}private: Node* _root;// 后续析构voiddestroy(Node* root){if(root ==nullptr)return;destroy(root->_left);destroy(root->_right);delete root;}void_inOrder(Node* root){if(root ==nullptr)return;_inOrder(root->_left); cout << root->_key <<" ";_inOrder(root->_right);}};voidtestBST(){ BSTree<int> bst; vector<int> arr ={8,3,10,1,6,14,5,7,13}; cout <<"=== 1. 创建二叉搜索树 ===\n"; cout <<"初始数据：-> ";for(constauto& e : arr) cout << e <<" "; cout <<"\n创建完成数据：-> ";for(constauto& e : arr) bst.insert(e); bst.inOrder(); cout <<"=== 2. 查找数据 ===\n"; cout <<"查找不存在数据：28 查找结果："<< bst.find(28)<< endl; cout <<"查找存在数据：14 查找结果："<< bst.find(14)<< endl; cout <<"\n=== 3. 删除数据 ===\n"; cout <<"删除前的序列：->"; bst.inOrder(); cout <<"删除节点6后的序列：->"; bst.erase(6); bst.inOrder(); cout <<"删除不存在的节点86后的序列：->"; bst.erase(86); bst.inOrder(); cout <<"\n销毁二叉树：->"; bst.~BSTree(); bst.inOrder();}}

4. 二叉搜索树的应用

4.1. K模型

只有key作为关键码（需要搜索到的值），结构中只存储key即可

例如：给一个单词word，判断该单词是否正确

  • 以词库中所有单词集合中的每个单词作为key，构建一颗二叉搜索树
  • 在二叉搜索树中检索该单词是否存在，存在则拼写正确，不存在则拼写错误

又比如门禁系统，只关注对象在不在

第三节实现的就是K模型

4.2. KV模型

每个关键码key，都有与之对应的值value，即<key，value>的键值对，例如：

  • 简单英汉词典中英文和中文是相互对应的关系，通过英文可快速找到其对应的中文，例如：<book,书>就是一种键值对
  • 车库收费系统，一个键值记录车牌号，另一个键值记录停留时间，随后交给收费系统处理缴费事宜
  • 统计单词出现次数，统计成功之后，给定单词就可快速找到其出现的次数，单词与其出现的次数就是<word,count>一种键值对

我们将K模型改造成KV模型

template<classK,classV>structBSTNode{ K _key; V _value; BSTNode<K, V>* _left; BSTNode<K, V>* _right;BSTNode(const K& k,const V& v):_key(k),_value(v),_left(nullptr),_right(nullptr){}};template<classK,classV>classBSTree{public:typedef BSTNode<K, V> Node;// ... 接口实现private: Node* _root =nullptr;// ...辅助接口实现}};
// 输入中文 输出对应英文voiddictionary(){ BSTree<string, string> dict; dict.insert("书包","bag"); dict.insert("水果","fruit"); dict.insert("钢笔","pen"); dict.insert("书","book"); dict.insert("树","tree");// 插入词库中所有单词 string str;while(cin >> str){auto ret = dict.find(str);if(ret ==nullptr) cout <<"输入错误或词库中未包含该词"<< str << endl;else cout << str <<"英文单词：->"<< ret->_value << endl;}}// 计数voidcount(){ string arr[]={"苹果","西瓜","苹果","西瓜","苹果","苹果","西瓜","苹果","香蕉","苹果","香蕉"}; BSTree<string,int> cntTree;for(constauto& s : arr){// 先查找水果在不在搜索树中// 1. 不在，说明水果第一次出现，则插入<水果, 1>// 2. 在，则查找到的节点中水果对应的次数++auto ret = cntTree.find(s);if(ret ==nullptr) cntTree.insert(s,1);else ret->_value++;} cntTree.inOrder();}

完整代码请详见此链接：二叉搜索树
二叉搜索树的核心价值，在于用 “左子树 < 根节点 < 右子树” 的简单规则，换来了查找、插入、删除操作的高效性 —— 平衡状态下$ O (logn)$ 的时间复杂度，让它成为处理动态数据查找场景的基础选择。无论是仅需判断 “存在性” 的 K 模型，还是需键值关联的 KV 模型，都能通过其核心操作快速适配，覆盖词典查询、计数统计等常见需求。

但需注意，二叉搜索树的性能依赖结构平衡：若插入数据有序，会退化为单链表，此时操作复杂度飙升至 O ( n ) O(n) O(n)。这也催生了 AVL 树、红黑树等平衡二叉搜索树 —— 它们通过自平衡机制维持树的高度，兼顾了二叉搜索树的简洁性与稳定高效的性能，是后续深入学习的重要方向。

Read more

从语法纠错到项目重构：Python+Copilot 的全流程开发效率提升指南

从语法纠错到项目重构：Python+Copilot 的全流程开发效率提升指南

文章目录 * 从语法纠错到项目重构：Python+Copilot 的全流程开发效率提升指南 💻✨ * 一、语法纠错：Copilot 如何成为你的“实时校对员” ✅ * 示例 1：自动修复缩进错误 * 示例 2：括号/引号自动闭合与修复 * 示例 3：类型注解缺失的智能补充 * 实战技巧：结合 Linter 使用 Copilot * 二、代码生成：从单行补全到完整函数实现 🧠⚡ * 示例 4：用注释驱动函数生成 * 示例 5：生成单元测试 * 示例 6：异步 HTTP 请求生成 * 三、调试辅助：Copilot 如何帮你“读懂”错误信息 🐞🔍 * 场景：遇到 `KeyError` 怎么办？ * 场景：

By Ne0inhk
Stable Diffusion 3.5 FP8：从精度妥协到架构革命的范式转变

Stable Diffusion 3.5 FP8：从精度妥协到架构革命的范式转变

最近在生产环境跑 SD 3.5 FP8,发现了一些违反直觉的现象。本来以为 FP8 量化会牺牲质量,结果测下来几乎无损,反而推理速度翻倍、显存砍一半。这背后的技术逻辑值得聊聊,因为它改变了我对扩散模型的理解。 FP8 量化:一个被误解的技术选择 为什么扩散模型"不怕"降精度? 大部分人(包括之前的我)觉得量化就是拿精度换性能。但实际跑 SD 3.5 FP8 的时候发现,这个理解太粗暴了。 扩散模型的去噪过程本质上是个迭代纠错的过程。50 步采样里,单步的小误差会被后续步骤自动修正。打个比方,就像你用橡皮擦一张纸上的铅笔痕迹,擦 50 遍,每一遍稍微偏一点其实不影响最终结果。 实测下来: * FP32 → FP16: 肉眼基本看不出区别 * FP16 → FP8: 关键在于怎么量化,而不是精度本身

By Ne0inhk
Llama 3-8B-Instruct 在昇腾 NPU 上的 SGLang 性能实测

Llama 3-8B-Instruct 在昇腾 NPU 上的 SGLang 性能实测

1.引言 随着大模型在各类智能应用中的广泛应用，高效的推理硬件成为关键瓶颈。昇腾 NPU（Ascend Neural Processing Unit）凭借其高算力、低能耗以及对 SGLang 的深度优化，能够显著提升大模型推理性能。本文以 Llama 3-8B-Instruct 为例，通过在昇腾 NPU 上的实测，展示其在吞吐量、延迟和资源利用方面的优势，并探索可行的优化策略，为开发者在今后的开发中提供可参考的案例。 在本篇文章中我们会使用到Gitcode的Notebook来进行实战，GitCode Notebook 提供了开箱即用的云端开发环境，支持 Python、SGLang 及昇腾 NPU 相关依赖，无需本地复杂环境配置即可直接运行代码和进行实验。对于没有硬件平台的小伙伴来说是非常便利的。 GitCode Notebook使用链接：https://gitcode.com/user/m0_49476241/notebook。 2.实验环境与准备 2.

By Ne0inhk

GitHub Copilot 使用笔记

GitHub Copilot 是 VSCode 自带的 AI Agent 插件，需要登录 GitHub 账号使用，分为免费版和付费版。 关于个人额度，可以在 Github 的 Copilot 菜单里查看 支持模型 添加第三方模型 通过 Manage Models 选中对应厂商。 可以通过 OpenRouter 来导入免费的模型，需要先到 OpenRouter 注册 API Key，输入后即可使用，也可以使用兼容 OpenAI 接口的三方 API，比如 硅基流动 SiliconFlow 使用帮助信息 切换到 Ask 模式，输入 /help 即可获取帮助命令，可以查看当前有什么可用命令和使用方法。 翻译后的内容，方便查看，

By Ne0inhk