【Java】从树形结构到二叉树:一篇搞懂数据结构里的“家族树”

【Java】从树形结构到二叉树:一篇搞懂数据结构里的“家族树”
在这里插入图片描述
🎁个人主页:User_芊芊君子
🎉欢迎大家点赞👍评论📝收藏⭐文章
🔍系列专栏:Java.数据结构
在这里插入图片描述


在这里插入图片描述


【前言】

你有没有想过,电脑里的文件分类、通讯录的层级关系,其实都藏着“树”的影子?树形结构是数据结构里最像“现实家族关系”的存在,而二叉树更是其中的“明星选手”——它规则清晰、操作灵活,是很多复杂数据处理的基础。这篇文章会从树形结构的概念入手,一步步拆解二叉树的类型、性质、存储和操作,帮你把这些抽象的结构变成能上手用的知识~

文章目录:

一、树形结构

1.树形结构的概念

树是一种非线性的数据结构,它模拟了自然界中树的结构。树形结构由若干个节点(node)组成,这些节点之间存在明确的层次关系。

树是递归定义的结点的度:⼀个结点含有⼦树的个数称为该结点的度;树的度:⼀棵树中,所有结点度的最⼤值称为树的度;叶⼦结点或终端结点:度为0的结点称为叶结点;双亲结点或⽗结点:指向其他节点的节点孩⼦结点或⼦结点:被其他节点指向的节点根结点:每个树形结构有一个根节点(root),它是树的起点 ;⾮终端结点或分⽀结点:度不为0的结点;兄弟结点:具有相同⽗结点的结点互称为兄弟结点;堂兄弟结点:双亲在同⼀层的结点互为堂兄弟;
在这里插入图片描述

2.树的表示形式

双亲表⽰法,孩⼦表⽰法、孩⼦双亲表⽰法、孩⼦兄弟表⽰法…

classNode{int value;//数据域 Node firstChild;//第一个孩子 Node nextBrother;//下一个兄弟 }
在这里插入图片描述

二、二叉树

1.概念

二叉树是一种非线性数据结构,其中每个节点最多有两棵树,分别称为左子树和右子树。

在这里插入图片描述

2.二叉树类型

二叉树分为两种:满二叉树和完全二叉树

2.1 满二叉树

定义:==每个节点都有0个或2个子节点 ==

特点:没有只有1个子节点的节点

在这里插入图片描述

2.2 完全二叉树

定义:==除最后一层外,所有层都完全填满,且最后一层节点尽可能靠左 ==

应用:常用于堆的实现

在这里插入图片描述

3.二叉树的性质

  • 若规定根结点的层数为1,则⼀棵⾮空⼆叉树的第i层上最多有2^(i-1)个结点(i>0)
  • 若规定只有根结点的⼆叉树的深度为1,则深度为K的⼆叉树的最⼤结点数是(2^k)-1(k>=0)
  • 对任何⼀棵⼆叉树,如果其叶结点个数为n0,度为2的⾮叶结点个数为n2,则有n0=n2+1
  • 具有n个结点的完全⼆叉树的==深度k为log(n+1)==上取整
  • 对于具有n个结点的完全⼆叉树,如果按照从上⾄下从左⾄右的顺序对所有节点从0开始编号,则对于序号为i的结点有:
若i>0,双亲序号:(i-1)/2;i=0,i为根结点编号,⽆双亲结点
若2i+1<n,左孩⼦序号:2i+1,否则⽆左孩⼦
若2i+2<n,右孩⼦序号:2i+2,否则⽆右孩⼦

4.二叉树的存储

⼆叉树的存储结构分为:顺序存储和类似于链表的链式存储。
⼆叉树的链式存储是通过⼀个⼀个的节点引⽤起来的,常⻅的表⽰⽅式有⼆叉和三叉表⽰⽅式

//孩子表示法classNode{int val;//数据域Node left;//左孩子的引用Node right;//右孩子的引用}//孩子双亲表示法classNode1{int val;//数据域Node left;//左孩子的引用Node right;//右孩子的引用Node parent;//当前节点的根节点}

5.二叉树的基本操作

5.1手动创建二叉树

publicstaticclassNode{publicchar val;publicNode left;publicNode right;publicNode(char val){this.val = val;}}//根节点publicNodecreatTree(){NodeA=newNode('A');NodeB=newNode('B');NodeC=newNode('C');NodeD=newNode('D');NodeE=newNode('E');NodeF=newNode('F');NodeG=newNode('G');NodeH=newNode('H');A.left =B;A.right =C;B.left =D;B.right =E;E.right =H;C.left =F;C.right =G;returnA;}

5.2 二叉树的遍历

1.前序遍历

访问顺序:根节点 → 左子树 → 右子树

//前序遍历publicvoidpreOrder(Node root){if(root ==null){return;}System.out.println(root.val);preOrder(root.left);preOrder(root.right);}
2.中序遍历

访问顺序:左子树 → 根节点 → 右子树

//中序遍历publicvoidinOrder(Node root){if(root ==null){return;}preOrder(root.left);System.out.println(root.val);preOrder(root.right);}
3.后序遍历

访问顺序:左子树 → 右子树 → 根节点

//后序遍历publicvoidpostOrder(Node root){if(root ==null){return;}preOrder(root.left);preOrder(root.right);System.out.println(root.val);}

5.3 二叉树操作方法实现

//节点个数publicstaticint count =0;//获取节点个数publicvoidsize(Node root){if(root ==null){return;} count++;size(root.left);size(root.right);}//获取节点个数publicintsize2(Node root){if(root ==null){return0;}returnsize2(root.right)+size2(root.left)+1;}//获取叶子节点个数publicintgetleafNodeCount(Node root){if(root ==null){return0;}if(root.left ==null&&root.right ==null){return1;}returngetleafNodeCount(root.left)+getleafNodeCount(root.right);}//获取第k层节点个数publicintgetLevelNodeCount(Node root,int k){if(root ==null){return0;}if(k ==1){return1;}returngetLevelNodeCount(root.left,k-1)+getLevelNodeCount(root.right,k-1);}//获取二叉树高度publicintgetHight(Node root){if(root ==null){return0;}int leftH =getHight(root.left);int rightH =getHight(root.right);returnMath.max(leftH,rightH)+1;}//找val元素是否存在publicNodefind(Node root,char val){if(root ==null){returnnull;}if(root.val != val ){return root;}Node ret =find(root.left,val);if(ret !=null){return ret;}Node ret1 =find(root.right,val);if(ret !=null){return ret1;}returnnull;}}

三、总结

树形结构是一种“一对多”的层级数据组织方式,而二叉树作为它的特殊形式(每个节点最多俩孩子),凭借满二叉树、完全二叉树等细分类型,以及明确的性质(比如节点数和层数的关系),成了实际开发中常用的结构。我们可以用不同方式存储二叉树,也能通过前/中/后序遍历“逛遍”树里的每个节点——掌握这些内容,不仅能理解数据的组织逻辑,也能为后续学更复杂的树结构(比如红黑树)打牢基础。

Read more

【优选算法】滑动窗口算法:专题一

【优选算法】滑动窗口算法:专题一

目录 引言:  【209. 长度最小的子数组】 题目描述: 实现核心及思路: 思路可视化: 代码实现: 【无重复字符的最长子串】 题目描述: 实现核心及思路: 思路可视化: 代码实现: 【最大连续1的个数III】 题目描述: 实现核心及思路: 代码实现: 【1658.将x减到0的最小操作数】 题目描述: 实现核心即思路: 代码实现: 引言: 滑动窗口?用两个指针维护一个动态的 “窗口” 区间,通过移动指针来扩大或缩小窗口,在一次遍历中完成计算,时间复杂度通常为 O (n)。 典型应用:寻找最长无重复字符的子串找到和为目标值的最短子数组字符串的排列匹配 一般步骤(模板): (1)定义left 和 right 指针同时指向数组首元素; (2)当符合要求时,right++,模拟进窗口; (3)不满足要求时,left++,模拟出窗口; (4)

By Ne0inhk
Flutter 三方库 image_compare 鸿蒙图像治理算法域双向适配解析:突破千万级相册视觉感知哈希运算指纹比对墙,大体量空间冗余清扫提供高精雷达矩阵-适配鸿蒙 HarmonyOS ohos

Flutter 三方库 image_compare 鸿蒙图像治理算法域双向适配解析:突破千万级相册视觉感知哈希运算指纹比对墙,大体量空间冗余清扫提供高精雷达矩阵-适配鸿蒙 HarmonyOS ohos

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 image_compare 鸿蒙图像治理算法域双向适配解析:突破千万级相册视觉感知哈希运算指纹比对墙,为大体量空间冗余清扫提供高精雷达矩阵 前言 在 OpenHarmony 应用的内容社交或相册管理开发中,由于重复下载或连拍,用户的磁盘空间极易被重复图像挤占。image_compare 为 Flutter 开发者提供了一套高性能、专注于图像指纹算法的对比方案。本文将介绍如何在鸿蒙端打造极致的视觉资产治理底座。 一、原理解析 / 概念介绍 1.1 基础原理/概念介绍 image_compare 的核心逻辑是基于 感知哈希(Perceptual Hashing, pHash)与颜色直方图空间映射 (Visual-Entropy Map)。它并非简单的逐像素二进制对比,而是通过将图像进行灰度化、离散余弦变换(DCT)降噪,提取反映图像“骨架结构”的

By Ne0inhk

智能驾驶之激光雷达算法详解02

第3章 激光雷达-车体的外参标定 3.1 引言 在本章,我们将介绍如何获取激光雷达相对车体的位置和姿态,即如何对激光雷达进行外参标定。在获取激光雷达外参后,我们才能将激光雷达感知的目标转换至车体坐标系下,以供后续模块使用。根据标定过程中自车是否运动,我们可将LiDAR-车体的外参标定分为静态标定和动态标定两类。静态标定一般需要专业的标定设备和场地,结合四轮定位台架(或摆正器)、标定板、激光测距仪及全站仪等设备进行。图3-1展示了华为智能车BU建立的极狐感知系统传感器静态标定间。 图3-1 感知系统传感器静态标定间示例 (注:图片来自ADS高阶智能驾驶官方公众号) 目前在汽车工业中,整车厂主要通过静态标定间对LiDAR、相机、雷达等进行标定。静态标定的原理相对简单,其标定精度主要取决于标定设备的精度和传感器数据的质量,而高精度的标定件通常需要几十万到几百万人民币不等(根据配置和精度不同,其价格有较大浮动)。此外,当车辆交付用户使用以后,由于长期的振动甚至行驶中的剐蹭,也可能使得传感器外参发生变化,进而影响后续辅助驾驶系统的感知或定位功能。因此,近年来一些研究机构和整车厂正

By Ne0inhk
Python——Pandas库,超详细教程

Python——Pandas库,超详细教程

前言 1、Python的Pandas是一个基于Python构建的开源数据分析库,它提供了强大的数据结构和运算功能。 2、 * Series:一维数组,类似于Numpy中的一维array,但具有索引标签,可以保存不同类型的数据,如字符串、布尔值、数字等。 * DataFrame:二维表格型数据结构,与SQL表或Excel工作表类似,每列可以是不同的数据类型(如数值、字符串或日期),并且具有列名和行索引。DataFrame是Pandas的核心数据结构,提供了丰富的数据操作方法。 接下来我们将逐步介绍他的用法 一、导入Pandas库         简写为pd import pandas as pd 二、使用Series,创建一维数组 从0开始存储 三、index查看下标,values查看下标的值 注意:不知道标签和下标的区别请看目录五的解释 1、index的输出类似于range:         start代表起始标签;stop代表结束标签(不会到这个值,到n-1值);step代表步长。 2、valuses:         直接查看下标的值,记

By Ne0inhk