红黑树rbtree 二叉排序树
map 就是采用红黑树存储的,红黑树(RB Tree)是平衡二叉树,其优点就是树到叶子节点深度一致,查找的效率也就一样,为logN.在实行查找,插入,删除的效率都一致,而当是全部静态数据时,没有太多优势,可能采用hash表各合适。
hash_map是一个hash table占用内存更多,查找效率高一些,但是hash的时间比较费时。
总 体来说,hash_map 查找速度会比map快,而且查找速度基本和数据数据量大小,属于常数级别;而map的查找速度是log(n)级别。并不一定常数就比log(n)小, hash还有hash函数的耗时,明白了吧,如果你考虑效率,特别是在元素达到一定数量级时,考虑考虑hash_map。但若你对内存使用特别严格,希望 程序尽可能少消耗内存,那么一定要小心,hash_map可能会让你陷入尴尬,特别是当你的hash_map对象特别多时,你就更无法控制了,而且 hash_map的构造速度较慢。
现在知道如何选择了吗?权衡三个因素: 查找速度, 数据量, 内存使用。
trie树Double Array 字典查找树
Trie树既可用于一般的字典搜索,也可用于索引查找。
每个节点相当于DFA的一个状态,终止状态为查找结束。有序查找的过程相当于状态的不断转换
对于给定的一个字符串a1,a2,a3,...,an.则
采用TRIE树搜索经过n次搜索即可完成一次查找。不过好像还是没有B树的搜索效率高,B树搜索算法复杂度为logt(n+1/2).当t趋向大,搜索效率变得高效。怪不得DB2的访问内存设置为虚拟内存的一个PAGE大小,而且帧切换频率降低,无需经常的PAGE切换。
B树
即二叉搜索树:
1.所有非叶子结点至多拥有两个儿子(Left和Right);
2.所有结点存储一个关键字;
3.非叶子结点的左指针指向小于其关键字的子树,右指针指向大于其关键字的子树;
如:
B树的搜索,从根结点开始,如果查询的关键字与结点的关键字相等,那么就命中;否则,如果查询关键字比结点关键字小,就进入左儿子;如果比结点关键字大,就进入右儿子;如果左儿子或右儿子的指针为空,则报告找不到相应的关键字;
如果B树的所有非叶子结点的左右子树的结点数目均保持差不多(平衡),那么B树的搜索性能逼近二分查找;但它比连续内存空间的二分查找的优点是,改变B树结构(插入与删除结点)不需要移动大段的内存数据,甚至通常是常数开销;
如:
但B树在经过多次插入与删除后,有可能导致不同的结构:
右边也是一个B树,但它的搜索性能已经是线性的了;同样的关键字集合有可能导致不同的树结构索引;所以,使用B树还要考虑尽可能让B树保持左图的结构,和避免右图的结构,也就是所谓的“平衡”问题;
实际使用的B树都是在原B树的基础上加上平衡算法,即“平衡二叉树”;如何保持B树结点分布均匀的平衡算法是平衡二叉树的关键;平衡算法是一种在B树中插入和删除结点的策略;
B-树
是一种多路搜索树(并不是二叉的):
1.定义任意非叶子结点最多只有M个儿子;且M>2;
2.根结点的儿子数为[2, M];
3.除根结点以外的非叶子结点的儿子数为[M/2, M];
4.每个结点存放至少M/2-1(取上整)和至多M-1个关键字;(至少2个关键字)
5.非叶子结点的关键字个数=指向儿子的指针个数-1;
6.非叶子结点的关键字:K[1], K[2], …, K[M-1];且K[i] < K[i+1];
7.非叶子结点的指针:P[1], P[2], …, P[M];其中P[1]指向关键字小于K[1]的子树,P[M]指向关键字大于K[M-1]的子树,其它P[i]指向关键字属于(K[i-1], K[i])的子树;
8.所有叶子结点位于同一层;
如:(M=3)
B-树的搜索,从根结点开始,对结点内的关键字(有序)序列进行二分查找,如果命中则结束,否则进入查询关键字所属范围的儿子结点;重复,直到所对应的儿子指针为空,或已经是叶子结点;
B-树的特性:
1.关键字集合分布在整颗树中;
2.任何一个关键字出现且只出现在一个结点中;
3.搜索有可能在非叶子结点结束;
4.其搜索性能等价于在关键字全集内做一次二分查找;
5.自动层次控制;
由于限制了除根结点以外的非叶子结点,至少含有M/2个儿子,确保了结点的至少利用率,其最底搜索性能为:
其中,M为设定的非叶子结点最多子树个数,N为关键字总数;
所以B-树的性能总是等价于二分查找(与M值无关),也就没有B树平衡的问题;
由于M/2的限制,在插入结点时,如果结点已满,需要将结点分裂为两个各占M/2的结点;删除结点时,需将两个不足M/2的兄弟结点合并;
B+树
B+树是B-树的变体,也是一种多路搜索树:
1.其定义基本与B-树同,除了:
2.非叶子结点的子树指针与关键字个数相同;
3.非叶子结点的子树指针P[i],指向关键字值属于[K[i], K[i+1])的子树(B-树是开区间);
5.为所有叶子结点增加一个链指针;
6.所有关键字都在叶子结点出现;
如:(M=3)
B+的搜索与B-树也基本相同,区别是B+树只有达到叶子结点才命中(B-树可以在非叶子结点命中),其性能也等价于在关键字全集做一次二分查找;
B+的特性:
1.所有关键字都出现在叶子结点的链表中(稠密索引),且链表中的关键字恰好是有序的;
2.不可能在非叶子结点命中;
3.非叶子结点相当于是叶子结点的索引(稀疏索引),叶子结点相当于是存储(关键字)数据的数据层;
4.更适合文件索引系统;
B*树
是B+树的变体,在B+树的非根和非叶子结点再增加指向兄弟的指针;
B*树定义了非叶子结点关键字个数至少为(2/3)*M,即块的最低使用率为2/3(代替B+树的1/2);
B+树的分裂:当一个结点满时,分配一个新的结点,并将原结点中1/2的数据复制到新结点,最后在父结点中增加新结点的指针;B+树的分裂只影响原结点和父结点,而不会影响兄弟结点,所以它不需要指向兄弟的指针;
B*树的分裂:当一个结点满时,如果它的下一个兄弟结点未满,那么将一部分数据移到兄弟结点中,再在原结点插入关键字,最后修改父结点中兄弟结点的关键字(因为兄弟结点的关键字范围改变了);如果兄弟也满了,则在原结点与兄弟结点之间增加新结点,并各复制1/3的数据到新结点,最后在父结点增加新结点的指针;
所以,B*树分配新结点的概率比B+树要低,空间使用率更高;
小结
B树:二叉树,每个结点只存储一个关键字,等于则命中,小于走左结点,大于走右结点;
B-树:多路搜索树,每个结点存储M/2到M个关键字,非叶子结点存储指向关键字范围的子结点;
所有关键字在整颗树中出现,且只出现一次,非叶子结点可以命中;
B+树:在B-树基础上,为叶子结点增加链表指针,所有关键字都在叶子结点中出现,非叶子结点作为叶子结点的索引;B+树总是到叶子结点才命中;
B*树:在B+树基础上,为非叶子结点也增加链表指针,将结点的最低利用率从1/2提高到2/3;
相关推荐
- 红黑树是一种自平衡二叉搜索树,具有良好的最坏情况时间复杂度。 **2. 栈** - **括号配对** - 检查括号是否正确配对通常使用栈来实现。 **3. 链表** - **单向链表交点问题** - 给定两个单向链表,判断它们...
- **红黑树**:弱平衡二叉查找树,插入和删除操作比AVL树更高效,但查找效率略低。 2. **高级数据结构**: - **B树**:适用于大数据量的存储系统,减少磁盘I/O,常见于文件系统。 - **B+树**:B树的变种,所有...
- **红黑树**:自平衡二叉查找树,确保树的高度不超过2logn。 - **AVL平衡树**:保持高度平衡的二叉查找树。 - **Treap**:结合二叉查找树和堆性质的数据结构。 - **Splay**:根据访问频率自调整的二叉查找树。 - **...
- **红黑树**:自平衡的二叉查找树。 - **Trie树**:用于字符串检索。 ### 三、经典算法详解 #### 3.1 排序算法 - **冒泡排序**:通过比较相邻元素进行交换。 - **插入排序**:将未排序部分的元素插入到已排序部分...
- **平衡树**:如AVL树和红黑树,保证了树的高度平衡,从而提高查询效率。 - **堆**:可以是最大堆或最小堆,常用于优先队列的实现。 3. **图数据结构**: - **图的表示**:邻接矩阵和邻接表,前者适用于稠密图...
- **平衡二叉树**:左右子树的高度差不超过1,如AVL树和红黑树。 - **堆**:一种特殊的树形数据结构,满足堆序性质,如最大堆和最小堆。 - **B树** 和 **B+树**:多路搜索树,常用于数据库和文件系统中。 - **...
- **红黑树**:自平衡二叉搜索树的一种,保证了树的高度始终为log n级别。 - **B树**:用于文件系统和数据库系统的高级数据结构,支持高效的数据插入、删除和查找操作。 - **Trie树**:用于字符串检索的高效数据结构...
- **红黑树**:一种自平衡二叉查找树,保证了树的高度始终保持在O(log n)。 - **AVL平衡树**:一种自平衡二叉查找树,任何节点的左右子树的高度差不超过1。 - **Treap**:结合了二叉查找树和堆的特点的数据结构。 - ...
- **定义**:红黑树是一种自平衡二叉查找树,通过对任何路径进行特定操作(如旋转、重新着色节点)来确保树的高度保持接近对数级别。 - **应用场景**:C++ STL库中的map和set等容器内部实现。 - **特点**: - ...
- **搜索树**:红黑树、B树等高级数据结构的介绍与应用。 **10. 索引** - **索引结构**:如B+树、倒排索引等在数据库系统中的作用。 - **索引优化**:提高查询效率的策略与技巧。 **11. 图** - **图的基本概念**...
- **红黑树**:一种自平衡二叉搜索树,它能保持树的近似平衡,从而保证操作的时间复杂度为O(log n)。 **2. 栈** - **括号配对**:检查一个字符串中括号是否匹配的问题。 **3. 链表** - **单向链表交点问题**:...
- Java标准库中并没有内置的树数据结构,但可以使用`java.util.TreeSet`或`java.util.TreeMap`,它们基于红黑树实现。 - 自定义实现树结构,需要创建表示节点的类,并提供插入、删除、查找等方法。 以上内容涵盖...
- **平衡二叉树**:左右子树高度差不超过1,包括AVL树和红黑树等。 - **B树**:一种自平衡的多路搜索树,常用于数据库和文件系统。 - **堆**:一种特殊的树形数据结构,通常满足最大堆或最小堆性质。 3. **树的...
本文将深入探讨几种重要的数据结构,包括AVL树、B树、红黑树、二叉搜索树、并查集、哈夫曼树和字典树,并概述它们的实现原理和应用场景。 首先,我们来看**AVL树**,它是一种自平衡的二叉搜索树。在AVL树中,任意...
- **红黑树**:自平衡二叉查找树,保证插入和删除操作的高效性。 - **B树和B+树**:用于数据库索引,支持快速查找大范围数据。 - **字典树(Trie)**:用于字符串的高效查找和前缀匹配。 - **跳表**:一种随机化...
- **平衡二叉树**:左右子树的高度差不超过1,如AVL树和红黑树。 - **堆**:特殊的树形数据结构,满足堆性质(最大堆或最小堆)。 - **B树**:多路搜索树,常用于数据库和文件系统。 - **Trie树**:也叫字典树,...
- **基本数据结构**:数组、链表、栈、队列、哈希表、树(二叉树、AVL树、红黑树)等。 - **复杂数据结构**:图、堆、B树、Trie树等,以及它们的常见操作和应用。 4. **算法**: - **排序与搜索**:快速排序、...