Java 内功修炼 之 数据结构与算法（一）
一、基本认识
1、数据结构与算法的关系？
（1）数据结构（data structure）：
数据结构指的是 数据与数据 之间的结构关系。比如：数组、队列、哈希、树 等结构。
（2）算法：
算法指的是 解决问题的步骤。
（3）两者关系：
程序 = 数据结构 + 算法。
解决问题可以有很多种方式，不同的算法实现 会得到不同的结果。正确的数据结构 是 好算法的基础（算法好坏取决于 如何利用合适的数据结构去 处理数据、解决问题）。
（4）数据结构动态演示地址：
https://www.cs.usfca.edu/~galles/visualization/Algorithms.html
2、数据结构分类？
（1）分类：
数据结构 可以分为 两种：线性数据结构、非线性数据结构。
（2）线性数据结构：
线性数据结构指的是 数据元素之间存在一对一的线性关系。比如：一维数组、链表、队列、栈。
其又可以分为：
顺序存储结构：指的是 使用一组地址连续的存储单元 存储数据元素 的结构，其每个元素节点仅用于 保存数据元素。比如：一维数组。
链式存储结构：指的是 可使用一组地址不连续的存储单元 存储数据元素 的结构，其每个元素节点 保存数据元素 以及 相邻数据元素的地址 信息。比如：链表。
（3）非线性数据结构：
非线性数据结构指的是 数据元素之间存在 一对多、多对多 的关系。比如：二维数组、多维数组、树、图 等。
3、时间复杂度、空间复杂度
（1）分析多个算法执行时间：
事前估算时间：程序运行前，通过分析某个算法的时间复杂度来判断算法解决问题是否合适。
事后统计时间：程序运行后，通过计算程序运行时间来判断（容易被计算机硬件、软件等影响）。
注：
一般分析算法都是采用 事前估算时间，即估算分析 算法的 时间复杂度。
（2）时间频度、时间复杂度：
时间频度（ T(n) ）：
一个算法中 语句执行的次数 称为 语句频度 或者 时间频度，记为 T(n)。
通常 一个算法花费的时间 与 算法中 语句的执行次数 成正比，即 某算法语句执行次数多，其花费时间就长。
时间复杂度（ O(f(n)) ）：
存在某个辅助函数 f(n)，当 n 接近无穷大时，若 T(n) / f(n) 的极限值为不等于零的常数，则称 f(n) 为 T(n) 的同数量级函数，记为 T(n) = O(f(n))，称 O(f(n)) 为算法的渐进时间复杂度，简称 时间复杂度。
（3）通过 时间频度（ T(n) ）推算 时间复杂度 （ O(f(n)) ）：
对于一个 T(n) 表达式，比如： T(n) = an^2 + bn + c，其推算为 O(n) 需要遵循以下规则：
rule1：使用常数 1 替代表达式中的常数，若表达式存在高阶项，则忽略常数项。
即：若 T(n) = 8，则其时间复杂度为 O(1)。若 T(n) = n^2 + 8，则其时间复杂度为 O(n^2)。
rule2：只保留最高阶项，忽略所有低次项。
即：T(n) = 3n^2 + n^4 + 3n，其时间复杂度为 O(n^4)。
rule3：去除最高阶项的系数。
即：T(n) = 3n^2 + 4n^3，其时间复杂度为 O(n^3)。
注：
T(n) 表达式不同，但是其对应的时间复杂度可能相同。
比如：T(n) = n^2 + n 与 T(n) = 3n^2 + 1 的时间复杂度均为 O(n^2)。
（4）常见时间复杂度
【常见时间复杂度（由小到大排序如下）：】
O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(n^k) < O(2^n)
注：
时间复杂度越大，算法执行效率越低。 【常数阶 O(1) ：】
算法复杂度 与 问题规模无关。
比如：
int a = 1;
int b = 2;
int c = a + b;
分析：
代码中不存在循环、递归等结构，其时间复杂度即为 O(1)。 【对数阶 O(logn) ：】
算法复杂度 与 问题规模成对数关系。
比如：
int i = 1;
while(i < n) {
i*=2; // 不断乘 2
}
分析：
上述代码中存在循环，设循环执行次数为 x，则循环退出条件为 2^x >= n。
从而推算出 x = logn，此时 log 以 2 为底，即时间复杂度为 O(logn)。 【线性阶 O(n) ：】
算法复杂度 与 问题规模成线性关系。
比如：
for(int i = 0; i < n; i++) {
System.out.println(i);
}
分析：
代码中存在循环，且循环次数为 n，即时间频度为 T(n)，从而时间复杂度为 O(n)。 【线性对数阶 O(nlogn) ：】
算法复杂度 与 问题规模成线性对数关系（循环嵌套）。
比如：
for(int j = 0; j < n; j++) {
int i = 1;
while(i < n) {
i*=2; // 不断乘 2
}
}
分析：
代码中循环嵌套，完成 for 循环需要执行 n 次，每次均执行 while 循环 logn 次，
即总时间频度为 T(nlogn)， 从而时间复杂度为 O(nlogn)。 【平方阶 O(n^2) ：】
算法复杂度 与 问题规模成平方关系（循环嵌套）。
比如：
for(int i = 0; i < n; i++) {
for(int j = 0; j < n; j++) {
System.out.println(i + j);
}
}
分析：
代码中循环嵌套，总时间频度为 T(n*n)，即时间复杂度为 O(n^2) 【立方阶 O(n^3) 、k 次方阶 O(n^k) ：】
类似于平方阶 O(n^2)，只是循环嵌套的层数更多了。
O(n^3) 表示三层循环。O(n^K) 表示四层循环。 【指数阶 O(2^n) ：】
算法复杂度 与 问题规模成指数关系（循环嵌套）。
这个算法的执行效率非常糟糕，一般都不考虑。
比如：
int n = 3;
for (int i = 0; i < Math.pow(2, n); i++) {
System.out.println(i);
}
分析：
上面循环，总时间频度为 T(2^n)，即时间复杂度为 O(2^n)。
（5）空间复杂度
空间复杂度 指的是算法所需耗费的存储空间。与时间复杂度类似，但其关注的是算法执行所需占用的临时空间（非语句执行次数）。
一般算法分析更看重 时间复杂度，即保证程序执行速度快，比如：缓存 就是空间换时间。
二、基本数据结构以及代码实现
1、稀疏数组（Sparse Array）
（1）什么是稀疏数组？
当数组中 值为 0 的元素 大于 非 0 元素 且 非 0 元素 分布无规律时，可以使用 稀疏数组 来表示该数组，其将一个大数组整理、压缩成一个小数组，用于节约磁盘空间。
注：
不一定必须为 值为 0 的元素，一般 同一元素在数组中过多时即可。
使用 稀疏数组 的目的是为了 压缩数组结构、节约磁盘空间（比如：一个二维数组 a[10][10] 可以存储 100 个元素，但是其只存储了 3 个元素后，那么将会有 97 个空间被闲置，此时可以将 二维数组 转为 稀疏数组 存储，其最终转换成 b[4][3] 数组进行保存，即从 a[10][10] 的数组 压缩到 b[4][3]，从而减少空间浪费）。
【举例：】
定义二维数组 a[4][5]，并存储 3 个值如下：
0 0 0 0 0
0 1 0 2 0
0 0 0 0 0
0 0 1 0 0
此时，数组中元素为 0 的个数大于 非 0 元素个数，所以可以作为 稀疏数组 处理。 换种方式，比如 将 0 替换成 5 如下，也可以视为 稀疏数组 处理。
5 5 5 5 5
5 1 5 2 5
5 5 5 5 5
5 5 1 5 5
（2）二维数组转为稀疏数组：
【如何处理：】
Step1：先记录数组 有几行几列，有多少个不同的值。
Step2：将不同的值 的元素 的 行、列、值 记录在一个 小规模的 数组中，从而将 大数组 缩减成 小数组。 【举例：】
原二维数组如下：
0 0 0 0 0
0 1 0 2 0
0 0 0 0 0
0 0 1 0 0 经过处理后变为 稀疏数组 如下：
行 列 值
4 5 3 // 首先记录原二维数组 有 几行、几列、几个不同值 1 1 1 // 表示原二维数组中 a[1][1] = 1
1 3 2 // 表示原二维数组中 a[1][3] = 2
3 2 1 // 表示原二维数组中 a[3][2] = 1 可以看到，原二维数组 a[4][5] 转为 稀疏数组 b[4][3]，空间得到利用、压缩。
（3）二维数组、稀疏数组 互相转换实现
【二维数组 转 稀疏数组：】
Step1：遍历原始二维数组，得到 有效数据 个数 num。
Step2：根据有效数据个数创建 稀疏数组 a[num + 1][3]。
Step3：将原二维数组中有效数据存储到 稀疏数组中。
注：
稀疏数组有 三列：分别为：行、 列、 值。
稀疏数组 第一行 存储的为 原二维数组的行、列 以及 有效数据个数。其余行存储 有效数据所在的 行、列、值。
所以数组定义为 [num + 1][3] 【稀疏数组 转 二维数组：】
Step1：读取 稀疏数组 第一行数据并创建 二维数组 b[行][列]。
Step2：读取其余行，并赋值到新的二维数组中。 【代码实现：】
package com.lyh.array; import java.util.HashMap;
import java.util.Map; public class SparseArray {
public static void main(String[] args) {
// 创建原始 二维数组，定义为 4 行 10 列，并存储 两个 元素。
int[][] arrays = new int[4][10];
arrays[1][5] = 8;
arrays[2][3] = 7; // 遍历输出原始 二维数组
System.out.println("原始二维数组如下：");
showArray(arrays); // 二维数组 转 稀疏数组
System.out.println("\n二维数组 转 稀疏数组如下：");
int[][] sparseArray = arrayToSparseArray(arrays);
showArray(sparseArray); // 稀疏数组 再次 转为 二维数组
System.out.println("\n稀疏数组 转 二维数组如下：");
int[][] sparseToArray = sparseToArray(sparseArray);
showArray(sparseToArray);
} /**
* 二维数组 转 稀疏数组
* @param arrays 二维数组
* @return 稀疏数组
*/
public static int[][] arrayToSparseArray(int[][] arrays) {
// count 用于记录有效数据个数
int count = 0;
// HashMap 用于保存有效数据（把 行,列 用逗号分隔拼接作为 key，值作为 value）
Map<String, Integer> map = new HashMap<>();
// 遍历得到有效数据、以及总个数
for (int i = 0; i < arrays.length; i++) {
for (int j = 0; j < arrays[i].length; j++) {
if (arrays[i][j] != 0) {
count++;
map.put(i + "," + j, arrays[i][j]);
}
}
}
// 根据有效数据总个数定义 稀疏数组，并赋值
int[][] result = new int[count + 1][3];
result[0][0] = arrays.length;
result[0][1] = arrays[0].length;
result[0][2] = count;
// 把有效数据从 HashMap 中取出 并放到 稀疏数组中
for(Map.Entry<String, Integer> entry : map.entrySet()) {
String[] temp = entry.getKey().split(",");
result[count][0] = Integer.valueOf(temp[0]);
result[count][1] = Integer.valueOf(temp[1]);
result[count][2] = entry.getValue();
--count;
}
return result;
} /**
* 遍历输出 二维数组
* @param arrays 二维数组
*/
public static void showArray(int[][] arrays) {
for (int[] a : arrays) {
for (int data : a) {
System.out.print(data + " ");
}
System.out.println();
}
} /**
* 稀疏数组 转 二维数组
* @param arrays 稀疏数组
* @return 二维数组
*/
public static int[][] sparseToArray(int[][] arrays) {
int[][] result = new int[arrays[0][0]][arrays[0][1]];
for (int i = 1; i < arrays.length; i++) {
result[arrays[i][0]][arrays[i][1]] = arrays[i][2];
}
return result;
}
} 【输出结果：】
原始二维数组如下：
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 8 0 0 0 0
0 0 0 7 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 二维数组 转 稀疏数组如下：
4 10 2
1 5 8
2 3 7 稀疏数组 转 二维数组如下：
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 8 0 0 0 0
0 0 0 7 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
2、队列（Queue）、环形队列
（1）什么是队列？
队列指的是一种 受限的、线性的数据结构，其仅允许在 一端进行插入操作（队尾插入，rear），且在另一端进行 删除操作（队首删除，front）。
队列可以使用 数组 或者 链表 实现（一般采用数组实现，仅在首尾增删，效率比链表高）。
其遵循 先进先出（First In First Out，FIFO） 原则，即先存入 队列的值 先取出。
【使用 数组实现 队列：】
需要注意三个值：
maxSize： 表示队列最大容量。
front： 表示队列头元素下标（指向队列头部的第一个元素的前一个位置），初始值为 -1.
rear： 表示队列尾元素下标（指向队列尾部的最后一个元素），初始值为 -1。 临界条件：
front == rear 时，表示队列为 空。
rear == maxSize - 1 时，表示队列已满。
rear - front， 表示队列的存储元素的个数。 数据进入队列时：
front 不动，rear++。 数据出队列时：
rear 不动，front++。
如下图：
红色表示入队操作，rear 加 1。
黄色表示出队操作，front 加 1。
每次入队，向当前实际数组尾部添加元素，每次出队，从当前实际数组头部取出元素，符合 先进先出原则。
可以很明显的看到，如果按照这种方式实现队列，黄色区域的空间将不会被再次使用，即此时的队列是一次性的。
那么如何重复利用 黄色区域的空间？可以采用 环形队列实现（看成一个环来实现）。
环形队列在 上面队列的基础上稍作修改，当成环处理（数据首尾相连，可以通过 % 进行取模运算实现），核心是考虑 队列 什么时候为空，什么时候为满。
一般采用 牺牲一个 数组空间 作为判断当前队列是否已满的条件。
【使用 数组 实现环形队列：（此处仅供参考）】
需要注意三个值：
maxSize： 表示队列最大容量。
front： 表示队列头元素下标（指向队列头部的第一个元素），初始值为 0。
rear： 表示队列尾元素下标（指向队列尾部的最后一个元素的后一个位置），初始值为 0。 临界条件：
front == rear 时，表示队列为 空。
(rear + 1) % maxSize == front 时，表示队列已满。
(rear - front + maxSize) % maxSize， 表示队列的存储元素的个数。 数据进入队列时：
front 不动，rear = (rear + 1) % maxSize。 数据出队列时：
rear 不动，front = (front + 1) % maxSize。
（2）使用数组实现队列
【代码实现：】
package com.lyh.queue; public class ArrayQueue<E> { private int maxSize; // 队列最大容量
private int front; // 队列首元素
private int rear; // 队列尾元素
private Object[] queue; // 存储队列 /**
* 构造初始队列
* @param maxSize 队列最大容量
*/
public ArrayQueue(int maxSize) {
this.maxSize = maxSize;
queue = new Object[maxSize];
front = -1;
rear = -1;
} /**
* 添加数据进入队列
* @param e 待入数据
*/
public void addQueue(E e) {
if (isFull()) {
System.out.println("队列已满");
return;
}
// 队列未满时，添加数据，rear 向后移动一位
queue[++rear] = e;
} /**
* 从队列中取出数据
* @return 待取数据
*/
public E getQueue() {
if (isEmpty()) {
System.out.println("队列已空");
return null;
}
// 队列不空时，取出数据，front 向后移动一位
return (E)queue[++front];
} /**
* 输出当前队列所有元素
*/
public void showQueue() {
if (isEmpty()) {
System.out.println("队列已空");
return;
}
System.out.print("当前队列存储元素总个数为：" + getSize() + " 当前队列为：");
for(int i = front + 1; i <= rear; i++) {
System.out.print(queue[i] + " ");
}
System.out.println();
} /**
* 获取当前队列实际大小
* @return 队列实际存储数据数量
*/
public int getSize() {
return rear - front;
} /**
* 判断队列是否为空
* @return true 为空
*/
public boolean isEmpty() {
return front == rear;
} /**
* 判断队列是否已满
* @return true 已满
*/
public boolean isFull() {
return rear == maxSize - 1;
} public static void main(String[] args) {
// 创建队列
ArrayQueue<Integer> arrayQueue = new ArrayQueue<>(6);
// 添加数据
arrayQueue.addQueue(10);
arrayQueue.addQueue(8);
arrayQueue.addQueue(9);
arrayQueue.showQueue(); // 取数据
System.out.println(arrayQueue.getQueue());
System.out.println(arrayQueue.getQueue());
arrayQueue.showQueue();
}
} 【输出结果：】
当前队列存储元素总个数为：3 当前队列为：10 8 9
10
8
当前队列存储元素总个数为：1 当前队列为：9
（3）使用数组实现环形队列
【代码实现：】
package com.lyh.queue; public class ArrayCircleQueue<E> { private int maxSize; // 队列最大容量
private int front; // 队列首元素
private int rear; // 队列尾元素
private Object[] queue; // 存储队列 /**
* 构造初始队列
* @param maxSize 队列最大容量
*/
public ArrayCircleQueue(int maxSize) {
this.maxSize = maxSize;
queue = new Object[maxSize];
front = 0;
rear = 0;
} /**
* 添加数据进入队列
* @param e 待入数据
*/
public void addQueue(E e) {
if (isFull()) {
System.out.println("队列已满");
return;
}
// 队列未满时，添加数据，rear 向后移动一位
queue[rear] = e;
rear = (rear + 1) % maxSize;
} /**
* 从队列中取出数据
* @return 待取数据
*/
public E getQueue() {
if (isEmpty()) {
System.out.println("队列已空");
return null;
}
// 队列不空时，取出数据，front 向后移动一位
E result = (E)queue[front];
front = (front + 1) % maxSize;
return result;
} /**
* 输出当前队列所有元素
*/
public void showQueue() {
if (isEmpty()) {
System.out.println("队列已空");
return;
}
System.out.print("当前队列存储元素总个数为：" + getSize() + " 当前队列为：");
for(int i = front; i < front + getSize(); i++) {
System.out.print(queue[i] + " ");
}
System.out.println();
} /**
* 获取当前队列实际大小
* @return 队列实际存储数据数量
*/
public int getSize() {
return (rear - front + maxSize) % maxSize;
} /**
* 判断队列是否为空
* @return true 为空
*/
public boolean isEmpty() {
return front == rear;
} /**
* 判断队列是否已满
* @return true 已满
*/
public boolean isFull() {
return (rear + 1) % maxSize == front;
} public static void main(String[] args) {
// 创建队列
ArrayCircleQueue<Integer> arrayQueue = new ArrayCircleQueue<>(3);
// 添加数据
arrayQueue.addQueue(10);
arrayQueue.addQueue(8);
arrayQueue.addQueue(9);
arrayQueue.showQueue(); // 取数据
System.out.println(arrayQueue.getQueue());
System.out.println(arrayQueue.getQueue());
arrayQueue.showQueue();
}
} 【输出结果：】
队列已满
当前队列存储元素总个数为：2 当前队列为：10 8
10
8
队列已空
3、链表（Linked list）-- 单链表 以及 常见笔试题
（1）什么是链表？
链表指的是 物理上非连续、非顺序，但是 逻辑上 有序 的 线性的数据结构。
链表 由 一系列节点 组成，节点之间通过指针相连，每个节点只有一个前驱节点、只有一个后续节点。节点包含两部分：存储数据元素的数据域 （data）、存储下一个节点的指针域 （next)。
可以使用 数组、指针 实现。比如：Java 中 ArrayList 以及 LinkedList。
（2）单链表实现？
单链表 指的是 单向链表，首节点没有前驱节点，尾节点没有后续节点。只能沿着一个方向进行 遍历、获取数据的操作（即某个节点无法获取上一个节点的数据）。
可参考：https://www.cnblogs.com/l-y-h/p/11385295.html
注：
头节点（非必须）：仅用于作为链表起点，放在链表第一个节点前，无实际意义。
首节点：指链表第一个节点，即头节点后面的第一个节点。
头节点是非必须的，使用头节点是方便操作链表而设立的。如下代码实现采用 头节点 方式实现。
【模拟 指针形式 实现 单链表：】
模拟节点：
节点包括 数据域（保存数据） 以及 指针域（指向下一个节点）。
class Node<E> {
E data; // 数据域，存储节点数据
Node next; // 指针域，指向下一个节点 public Node(E data) {
this.data = data;
} public Node(E data, Node<E> next) {
this.data = data;
this.next = next;
}
} 【增删节点：】
直接添加节点 A 到链表末尾：
先得遍历得到最后一个节点 B 所在位置，条件为： B.next == null，
然后将最后一个节点 B 的 next 指向该节点， 即 B.next = A。 向指定位置插入节点：
比如： A->B 中插入 C， 即 A->C->B，此时，先让 C 指向 B，再让 A 指向 C。
即
C.next = A.next; // 此时 A.next = B
A.next = C; 直接删除链表末尾节点：
先遍历到倒数第二个节点 C 位置，条件为：C.next.next == null;
然后将其指向的下一个节点置为 null 即可，即 C.next = null。 删除指定位置的节点：
比如： A->C->B 中删除 C，此时，直接让 A 指向 B。
即：
A.next = C.next;
【代码实现：】
package com.lyh.com.lyh.linkedlist; public class SingleLinkedList<E> { private int size; // 用于保存链表实际长度
private Node<E> header; // 用于保存链表头节点，仅用作 起点，不存储数据。 public SingleLinkedList(Node<E> header) {
this.header = header;
} /**
* 在链表末尾添加节点
* @param data 节点数据
*/
public void addLastNode(E data) {
Node<E> newNode = new Node<>(data); // 根据数据创建一个 新节点
Node<E> temp = header; // 使用临时变量保存头节点，用于辅助遍历链表
// 遍历链表
while(temp.next != null) {
temp = temp.next;
}
// 在链表末尾添加节点，链表长度加 1
temp.next = newNode;
size++;
} /**
* 在链表末尾添加节点
* @param newNode 节点
*/
public void addLastNode(Node<E> newNode) {
Node<E> temp = header; // 使用临时变量保存头节点，用于辅助遍历链表
// 遍历链表
while(temp.next != null) {
temp = temp.next;
}
// 在链表末尾添加节点，链表长度加 1
temp.next = newNode;
size++;
} /**
* 在链表指定位置 插入节点
* @param node 待插入节点
* @param index 指定位置（1 ~ n， 1 表示第一个节点位置）
*/
public void insert(Node<E> node, int index) {
Node<E> temp = header; // 使用临时变量保存头节点，用于辅助遍历链表
// 节点越界则抛出异常
if (index < 1 || index > size) {
throw new IndexOutOfBoundsException("Index: " + index + ", Size: " + size);
}
// 若节点为链表末尾，则调用 末尾添加 节点的方法
if (index == size) {
addLastNode(node);
return;
}
// 若节点不是链表末尾，则遍历找到插入位置
while(index != 1) {
temp = temp.next;
index--;
}
// A -> B 变为 A -> C -> B， 即 A.next = B 变为 C.next = A.next, A.next = C，即 A 指向 C，C 指向 B。
node.next = temp.next;
temp.next = node;
size++;
} /**
* 返回链表长度
* @return 链表长度
*/
public int size() {
return size;
} /**
* 输出链表
*/
public void showList() {
Node<E> temp = header.next; // 使用临时变量保存第一个节点，用于辅助遍历链表
if (size == 0) {
System.out.println("当前链表为空");
return;
}
// 链表不为空时遍历链表
System.out.print("当前链表长度为： " + size + " 当前链表为： ");
while(temp != null) {
System.out.print(temp + " ===> ");
temp = temp.next;
}
System.out.println();
} /**
* 删除最后一个节点
*/
public void deleteLastNode() {
Node<E> temp = header; // 使用临时变量保存头节点，用于遍历链表
if (size == 0) {
System.out.println("当前链表为空，无需删除");
return;
}
while(temp.next.next != null) {
temp = temp.next;
}
temp.next = null;
size--;
} /**
* 删除指定位置的元素
* @param index 指定位置（1 ~ n， 1 表示第一个节点位置）
*/
public void delete(int index) {
Node<E> temp = header; // 使用临时变量保存头节点，用于辅助遍历链表
// 节点越界则抛出异常
if (index < 1 || index > size) {
throw new IndexOutOfBoundsException("Index: " + index + ", Size: " + size);
}
// 若节点为链表末尾，则调用 末尾删除 节点的方法
if (index == size) {
deleteLastNode();
return;
}
// 遍历链表，找到删除位置
while(index != 1) {
index--;
temp = temp.next;
}
// A -> C -> B 变为 A -> B，即 A.next = C, C.next = B 变为 A.next = C.next，即 A 直接指向 B
temp.next = temp.next.next;
size--;
} public static void main(String[] args) {
// 创建一个单链表
SingleLinkedList<String> singleLinkedList = new SingleLinkedList(new Node("Header"));
// 输出，此时链表为空
singleLinkedList.showList();
System.out.println("======================================="); // 给链表添加数据
singleLinkedList.addLastNode("Java");
singleLinkedList.addLastNode(new Node<>("JavaScript"));
singleLinkedList.insert(new Node<>("Phthon"), 1);
singleLinkedList.insert(new Node<>("C"), 3);
// 输出链表
singleLinkedList.showList();
System.out.println("======================================="); // 删除链表数据
singleLinkedList.deleteLastNode();
singleLinkedList.delete(2);
// 输出链表
singleLinkedList.showList();
System.out.println("=======================================");
}
} class Node<E> {
E data; // 数据域，存储节点数据
Node<E> next; // 指针域，指向下一个节点 public Node(E data) {
this.data = data;
} public Node(E data, Node<E> next) {
this.data = data;
this.next = next;
} @Override
public String toString() {
return "Node{ data = " + data + " }";
}
} 【输出结果：】
当前链表为空
=======================================
当前链表长度为： 4 当前链表为： Node{ data = Phthon } ===> Node{ data = Java } ===> Node{ data = JavaScript } ===> Node{ data = C } ===>
=======================================
当前链表长度为： 2 当前链表为： Node{ data = Phthon } ===> Node{ data = JavaScript } ===>
=======================================
（3）常见的单链表笔试题
【笔试题一：】
找到当前链表中倒数 第 K 个节点。 【笔试题一解决思路：】
思路一：
链表长度 size 可知时，则可以遍历 size - k 个节点，从而找到倒数第 K 个节点。
当然 size 可以通过遍历一遍链表得到，这会消耗时间。 思路二：
链表长度 size 未知时，可使用 快慢指针 解决。
使用两个指针 A、B 同时遍历，且指针 B 始终比指针 A 快 K 个节点，
当 指针 B 遍历到链表末尾时，此时 指针 A 指向的下一个节点即为倒数第 K 个节点。 【核心代码如下：】
/**
* 获取倒数第 K 个节点。
* 方式一：
* size 可知，遍历 size - k 个节点即可
* @param k K 值，（1 ~ n，1 表示倒数第一个节点）
* @return 倒数第 K 个节点
*/
public Node<E> getLastKNode(int k) {
Node<E> temp = header.next; // 使用临时变量存储第一个节点，用于辅助链表遍历
// 判断节点是否越界
if (k < 1 || k > size) {
throw new IndexOutOfBoundsException("Index: " + k + ", Size: " + size);
}
// 遍历 size - k 个节点，即可找到倒数第 K 个节点
for (int i = 0; i < size - k; i++) {
temp = temp.next;
}
return temp;
} /**
* 获取倒数第 K 个节点。
* 方式二：
* size 未知时，使用快慢节点，
* 节点 A 比节点 B 始终快 k 个节点，A,B 同时向后遍历，当 A 遍历完成后，B 遍历的位置下一个位置即为倒数第 K 个节点。
* @param k K 值，（1 ~ n，1 表示倒数第一个节点）
* @return 倒数第 K 个节点
*/
public Node<E> getLastKNode2(int k) {
Node<E> tempA = header; // 使用临时变量存储头节点，用于辅助链表遍历
Node<E> tempB = header; // 使用临时变量存储头节点，用于辅助链表遍历
// 节点越界判断
if (k < 1) {
throw new IndexOutOfBoundsException("Index: " + k);
}
// A 比 B 快 K 个节点
while(tempA.next != null && k != 0) {
tempA = tempA.next;
k--;
}
// 节点越界判断
if (k != 0) {
throw new IndexOutOfBoundsException("K 值大于链表长度");
}
// 遍历，当 A 到链表末尾时，B 所处位置下一个位置即为倒数第 K 个节点
while(tempA.next != null) {
tempA = tempA.next;
tempB = tempB.next;
}
return tempB.next;
}
【笔试题二：】
找到当前链表的中间节点（链表长度未知）。 【笔试题二解决思路：】
链表长度未知，可以采用 快慢指针 方式解决。
此处与解决 上题 倒数第 K 个节点类似，只是此时节点 B 比 节点 A 每次都快 1 个节点（即 A 每次遍历移动一个节点，B 会遍历移动两个节点）。 【核心代码如下：】
/**
* 链表长度未知时，获取链表中间节点
* @return 链表中间节点
*/
public Node<E> getHalfNode() {
Node<E> tempA = header.next; // 使用临时变量保存第一个节点，用于辅助遍历链表
Node<E> tempB = header.next; // 使用临时变量保存第一个节点，用于辅助遍历链表
// 循环遍历 B 节点，B 节点每次都比 A 节点快一个节点（每次多走一个节点），所以当 B 遍历完成后，A 节点所处位置即为中间节点。
while(tempB.next != null && tempB.next.next != null) {
tempA = tempA.next;
tempB = tempB.next.next;
}
return tempA;
}
【笔试题三：】
反转链表。 【笔试题三解决思路：】
思路一：
头插法，新建一个链表，遍历原始链表，将每个节点通过头插法插入新链表。
头插法，即每次均在第一个节点位置处进行插入操作。 思路二：
直接反转。
通过三个指针来辅助，beforeNode、currentNode、afterNode，此时 beforeNode -> currentNode -> afterNode。
其中：
beforeNode 为当前节点上一个节点。
currentNode 为当前节点。
afterNode 为当前节点下一个节点。
遍历链表，使 currentNode -> beforeNode。 【核心代码如下：】
/**
* 链表反转。
* 方式一：
* 头插法，新建一个链表，遍历原始链表，将每个节点通过头插法插入新链表。
* @return
*/
public SingleLinkedList<E> reverseList() {
Node<E> temp = header.next; // 使用临时变量存储第一个节点，用于辅助遍历原链表
SingleLinkedList singleLinkedList = new SingleLinkedList(new Node("newHeader")); // 新建一个链表
// 若原链表为空，则直接返回 空的 新链表
if (temp == null) {
return singleLinkedList;
}
// 遍历原链表，并调用新链表的 头插法添加节点
while(temp != null) {
singleLinkedList.addFirstNode(new Node(temp.data));
temp = temp.next;
}
return singleLinkedList;
} /**
* 头插法插入节点，每次均在第一个节点位置处进行插入
* @param node 待插入节点
*/
public void addFirstNode(Node<E> node) {
Node<E> temp = header.next; // 使用临时变量保存第一个节点，用于辅助遍历链表
// 若链表为空，则直接赋值即可
if (temp == null) {
header.next = node;
size++;
return;
}
// 若链表不为空，则在第一个节点位置进行插入
node.next = temp;
header.next = node;
size++;
} /**
* 链表反转。
* 方式二：
* 直接反转，通过三个指针进行辅助。此方式会直接变化当前链表。
*/
public void reverseList2() {
// 链表为空直接返回
if (header.next == null) {
System.out.println("当前链表为空");
return;
}
Node<E> beforeNode = null; // 指向当前节点的上个节点
Node<E> currentNode = header.next; // 指向当前节点
Node<E> afterNode = null; // 指向当前节点的下一个节点
// 遍历节点
while(currentNode != null) {
afterNode = currentNode.next; // 获取当前节点的下一个节点
currentNode.next = beforeNode; // 将当前节点指向上一个节点
beforeNode = currentNode; // 上一个节点后移
currentNode = afterNode; // 当前节点后移，为了下一个遍历
}
header.next = beforeNode; // 遍历结束后，beforeNode 为最后一个节点，使用 头节点 指向该节点，即可完成链表反转
}
【笔试题四：】
打印输出反转链表，不能反转原链表。 【笔试题四解决思路：】
思路一（此处不重复演示，详见上例代码）：
由于不能反转原链表，可以与上例头插法相同，
新建一个链表并使用头插法添加节点，最后遍历输出新链表。 思路二：
使用栈进行辅助。栈属于先进后出结构。
可以先遍历链表并存入栈中，然后依次取出栈顶元素即可。 思路三：
使用数组进行辅助（有序结构存储一般均可，比如 TreeMap 存储，根据 key 倒序输出亦可）。
遍历链表并存入数组，然后反序输出数组即可（注：若是反序存入数组，可以顺序输出）。 【核心代码如下：】
/**
* 不改变当前链表下，反序输出链表。
* 方式一：
* 借用栈结构进行辅助。栈是先进后出结构。
* 先遍历链表并依次存入栈，然后从栈顶挨个取出数据，即可得到反序链表。
*/
public void printReverseList() {
Node<E> temp = header.next; // 使用临时变量保存第一个节点，用于辅助链表遍历
Stack<Node<E>> stack = new Stack(); // 使用栈存储节点
// 判断链表是否为空
if (temp == null) {
System.out.println("当前链表为空");
return;
}
// 遍历节点，使用栈存储链表各节点。
while(temp != null) {
stack.push(temp);
temp = temp.next;
}
// 遍历输出栈
while(stack.size() > 0) {
System.out.print(stack.pop() + "==>");
}
System.out.println();
} /**
* 不改变当前链表下，反序输出链表。
* 方式二：
* 采用数组辅助。
* 遍历链表存入数组，最后反序输出数组即可（注：若是反序存入数组，可以顺序输出）。
*/
public void printReverseList2() {
Node<E> temp = header.next; // 使用临时变量保存第一个节点，用于辅助链表遍历
int length = size();
Node<E>[] nodes = new Node[length]; // 使用数组存储链表节点
// 判断链表是否为空
if(temp == null) {
System.out.println("当前链表为空");
return;
}
// 遍历链表，存入数组，此处反序存入数组，后面顺序输出即可
while(temp != null) {
nodes[--length] = temp;
temp = temp.next;
}
System.out.println(Arrays.toString(nodes));
}
上述所有单链表相关代码完整版如下（有部分地方还需修改，仅供参考）：
【代码：】
package com.lyh.com.lyh.linkedlist; import java.util.Arrays;
import java.util.Stack; public class SingleLinkedList<E> { private int size; // 用于保存链表实际长度
private Node<E> header; // 用于保存链表头节点，仅用作 起点，不存储数据。 public SingleLinkedList(Node<E> header) {
this.header = header;
} /**
* 在链表末尾添加节点
* @param data 节点数据
*/
public void addLastNode(E data) {
Node<E> newNode = new Node<>(data); // 根据数据创建一个 新节点
Node<E> temp = header; // 使用临时变量保存头节点，用于辅助遍历链表
// 遍历链表
while(temp.next != null) {
temp = temp.next;
}
// 在链表末尾添加节点，链表长度加 1
temp.next = newNode;
size++;
} /**
* 在链表末尾添加节点
* @param newNode 节点
*/
public void addLastNode(Node<E> newNode) {
Node<E> temp = header; // 使用临时变量保存头节点，用于辅助遍历链表
// 遍历链表
while(temp.next != null) {
temp = temp.next;
}
// 在链表末尾添加节点，链表长度加 1
temp.next = newNode;
size++;
} /**
* 在链表指定位置 插入节点
* @param node 待插入节点
* @param index 指定位置（1 ~ n， 1 表示第一个节点位置）
*/
public void insert(Node<E> node, int index) {
Node<E> temp = header; // 使用临时变量保存头节点，用于辅助遍历链表
// 节点越界则抛出异常
if (index < 1 || index > size) {
throw new IndexOutOfBoundsException("Index: " + index + ", Size: " + size);
}
// 若节点为链表末尾，则调用 末尾添加 节点的方法
if (index == size) {
addLastNode(node);
return;
}
// 若节点不是链表末尾，则遍历找到插入位置
while (index != 1) {
temp = temp.next;
index--;
}
// A -> B 变为 A -> C -> B， 即 A.next = B 变为 C.next = A.next, A.next = C，即 A 指向 C，C 指向 B。
node.next = temp.next;
temp.next = node;
size++;
} /**
* 返回链表长度
* @return 链表长度
*/
public int size() {
return size;
} /**
* 输出链表
*/
public void showList() {
Node<E> temp = header.next; // 使用临时变量保存第一个节点，用于辅助遍历链表
if (size == 0) {
System.out.println("当前链表为空");
return;
}
// 链表不为空时遍历链表
System.out.print("当前链表长度为： " + size + " 当前链表为： ");
while(temp != null) {
System.out.print(temp + " ===> ");
temp = temp.next;
}
System.out.println();
} /**
* 删除最后一个节点
*/
public void deleteLastNode() {
Node<E> temp = header; // 使用临时变量保存头节点，用于遍历链表
if (size == 0) {
System.out.println("当前链表为空，无需删除");
return;
}
while(temp.next.next != null) {
temp = temp.next;
}
temp.next = null;
size--;
} /**
* 删除指定位置的元素
* @param index 指定位置（1 ~ n， 1 表示第一个节点位置）
*/
public void delete(int index) {
Node<E> temp = header; // 使用临时变量保存头节点，用于辅助遍历链表
// 节点越界则抛出异常
if (index < 1 || index > size) {
throw new IndexOutOfBoundsException("Index: " + index + ", Size: " + size);
}
// 若节点为链表末尾，则调用 末尾删除 节点的方法
if (index == size) {
deleteLastNode();
return;
}
// 遍历链表，找到删除位置
while(index != 1) {
index--;
temp = temp.next;
}
// A -> C -> B 变为 A -> B，即 A.next = C, C.next = B 变为 A.next = C.next，即 A 直接指向 B
temp.next = temp.next.next;
size--;
} /**
* 获取倒数第 K 个节点。
* 方式一：
* size 可知，遍历 size - k 个节点即可
* @param k K 值，（1 ~ n，1 表示倒数第一个节点）
* @return 倒数第 K 个节点
*/
public Node<E> getLastKNode(int k) {
Node<E> temp = header.next; // 使用临时变量存储第一个节点，用于辅助链表遍历
// 判断节点是否越界
if (k < 1 || k > size) {
throw new IndexOutOfBoundsException("Index: " + k + ", Size: " + size);
}
// 遍历 size - k 个节点，即可找到倒数第 K 个节点
for (int i = 0; i < size - k; i++) {
temp = temp.next;
}
return temp;
} /**
* 获取倒数第 K 个节点。
* 方式二：
* size 未知时，使用快慢节点，
* 节点 A 比节点 B 始终快 k 个节点，A,B 同时向后遍历，当 A 遍历完成后，B 遍历的位置下一个位置即为倒数第 K 个节点。
* @param k K 值，（1 ~ n，1 表示倒数第一个节点）
* @return 倒数第 K 个节点
*/
public Node<E> getLastKNode2(int k) {
Node<E> tempA = header; // 使用临时变量存储头节点，用于辅助链表遍历
Node<E> tempB = header; // 使用临时变量存储头节点，用于辅助链表遍历
// 节点越界判断
if (k < 1) {
throw new IndexOutOfBoundsException("Index: " + k);
}
// A 比 B 快 K 个节点
while(tempA.next != null && k != 0) {
tempA = tempA.next;
k--;
}
// 节点越界判断
if (k != 0) {
throw new IndexOutOfBoundsException("K 值大于链表长度");
}
// 遍历，当 A 到链表末尾时，B 所处位置下一个位置即为倒数第 K 个节点
while(tempA.next != null) {
tempA = tempA.next;
tempB = tempB.next;
}
return tempB.next;
} /**
* 链表长度未知时，获取链表中间节点
* @return 链表中间节点
*/
public Node<E> getHalfNode() {
Node<E> tempA = header.next; // 使用临时变量保存第一个节点，用于辅助遍历链表
Node<E> tempB = header.next; // 使用临时变量保存第一个节点，用于辅助遍历链表
// 循环遍历 B 节点，B 节点每次都比 A 节点快一个节点（每次多走一个节点），所以当 B 遍历完成后，A 节点所处位置即为中间节点。
while(tempB.next != null && tempB.next.next != null) {
tempA = tempA.next;
tempB = tempB.next.next;
}
return tempA;
} /**
* 链表反转。
* 方式一：
* 头插法，新建一个链表，遍历原始链表，将每个节点通过头插法插入新链表。
* @return
*/
public SingleLinkedList<E> reverseList() {
Node<E> temp = header.next; // 使用临时变量存储第一个节点，用于辅助遍历原链表
SingleLinkedList singleLinkedList = new SingleLinkedList(new Node("newHeader")); // 新建一个链表
// 若原链表为空，则直接返回 空的 新链表
if (temp == null) {
return singleLinkedList;
}
// 遍历原链表，并调用新链表的 头插法添加节点
while(temp != null) {
singleLinkedList.addFirstNode(new Node(temp.data));
temp = temp.next;
}
return singleLinkedList;
} /**
* 头插法插入节点，每次均在第一个节点位置处进行插入
* @param node 待插入节点
*/
public void addFirstNode(Node<E> node) {
Node<E> temp = header.next; // 使用临时变量保存第一个节点，用于辅助遍历链表
// 若链表为空，则直接赋值即可
if (temp == null) {
header.next = node;
size++;
return;
}
// 若链表不为空，则在第一个节点位置进行插入
node.next = temp;
header.next = node;
size++;
} /**
* 链表反转。
* 方式二：
* 直接反转，通过三个指针进行辅助。此方式会直接变化当前链表。
*/
public void reverseList2() {
// 链表为空直接返回
if (header.next == null) {
System.out.println("当前链表为空");
return;
}
Node<E> beforeNode = null; // 指向当前节点的上个节点
Node<E> currentNode = header.next; // 指向当前节点
Node<E> afterNode = null; // 指向当前节点的下一个节点
// 遍历节点
while(currentNode != null) {
afterNode = currentNode.next; // 获取当前节点的下一个节点
currentNode.next = beforeNode; // 将当前节点指向上一个节点
beforeNode = currentNode; // 上一个节点后移
currentNode = afterNode; // 当前节点后移，为了下一个遍历
}
header.next = beforeNode; // 遍历结束后，beforeNode 为最后一个节点，使用 头节点 指向该节点，即可完成链表反转
} /**
* 不改变当前链表下，反序输出链表。
* 方式一：
* 借用栈结构进行辅助。栈是先进后出结构。
* 先遍历链表并依次存入栈，然后从栈顶挨个取出数据，即可得到反序链表。
*/
public void printReverseList() {
Node<E> temp = header.next; // 使用临时变量保存第一个节点，用于辅助链表遍历
Stack<Node<E>> stack = new Stack(); // 使用栈存储节点
// 判断链表是否为空
if (temp == null) {
System.out.println("当前链表为空");
return;
}
// 遍历节点，使用栈存储链表各节点。
while(temp != null) {
stack.push(temp);
temp = temp.next;
}
// 遍历输出栈
while(stack.size() > 0) {
System.out.print(stack.pop() + "==>");
}
System.out.println();
} /**
* 不改变当前链表下，反序输出链表。
* 方式二：
* 采用数组辅助。
* 遍历链表存入数组，最后反序输出数组即可（注：若是反序存入数组，可以顺序输出）。
*/
public void printReverseList2() {
Node<E> temp = header.next; // 使用临时变量保存第一个节点，用于辅助链表遍历
int length = size();
Node<E>[] nodes = new Node[length]; // 使用数组存储链表节点
// 判断链表是否为空
if(temp == null) {
System.out.println("当前链表为空");
return;
}
// 遍历链表，存入数组，此处反序存入数组，后面顺序输出即可
while(temp != null) {
nodes[--length] = temp;
temp = temp.next;
}
System.out.println(Arrays.toString(nodes));
} public static void main(String[] args) {
// 创建一个单链表
SingleLinkedList<String> singleLinkedList = new SingleLinkedList(new Node("Header"));
// 输出，此时链表为空
singleLinkedList.showList();
System.out.println("======================================="); // 给链表添加数据
singleLinkedList.addLastNode("Java");
singleLinkedList.addLastNode(new Node<>("JavaScript"));
singleLinkedList.insert(new Node<>("Phthon"), 1);
singleLinkedList.insert(new Node<>("C"), 3);
// 输出链表
singleLinkedList.showList();
System.out.println("======================================="); // 删除链表数据
// singleLinkedList.deleteLastNode();
// singleLinkedList.delete(2);
// // 输出链表
// singleLinkedList.showList();
// System.out.println("======================================="); // 获取倒数第 k 个节点
// System.out.println(singleLinkedList.getLastKNode(1));
// System.out.println(singleLinkedList.getLastKNode2(2));
System.out.println("======================================="); // 获取链表中间节点
// System.out.println(singleLinkedList.getHalfNode());
System.out.println("======================================="); // 反转链表（头插法新建一个新的链表）
SingleLinkedList singleLinkedList2 = singleLinkedList.reverseList();
singleLinkedList2.showList();
System.out.println("======================================="); // 反转链表（直接反转）
singleLinkedList2.reverseList2();
singleLinkedList2.showList();
System.out.println("======================================="); // 不改变原链表下，反序输出链表（借助栈实现）
singleLinkedList2.printReverseList();
System.out.println("======================================="); // 不改变原链表下，反序输出链表（借助数组实现）
singleLinkedList2.printReverseList2();
System.out.println("=======================================");
}
} class Node<E> {
E data; // 数据域，存储节点数据
Node<E> next; // 指针域，指向下一个节点 public Node(E data) {
this.data = data;
} public Node(E data, Node<E> next) {
this.data = data;
this.next = next;
} @Override
public String toString() {
return "Node{ data = " + data + " }";
}
} 【输出结果：】
当前链表为空
=======================================
当前链表长度为： 4 当前链表为： Node{ data = Phthon } ===> Node{ data = Java } ===> Node{ data = JavaScript } ===> Node{ data = C } ===>
=======================================
当前链表长度为： 2 当前链表为： Node{ data = Phthon } ===> Node{ data = JavaScript } ===>
=======================================
Node{ data = JavaScript }
Node{ data = Phthon }
=======================================
Node{ data = Phthon }
=======================================
当前链表长度为： 2 当前链表为： Node{ data = JavaScript } ===> Node{ data = Phthon } ===>
=======================================
当前链表长度为： 2 当前链表为： Node{ data = Phthon } ===> Node{ data = JavaScript } ===>
=======================================
Node{ data = JavaScript }==>Node{ data = Phthon }==>
=======================================
[Node{ data = JavaScript }, Node{ data = Phthon }]
=======================================
单链表相关代码完整版
4、链表（Linked list）-- 双向链表、环形链表（约瑟夫环）
（1）双向链表
通过上面单链表相关操作，可以知道 单链表的 查找方向唯一。
而双向链表在 单链表的 基础上在 添加一个指针域（pre），这个指针域用来指向 当前节点的上一个节点，从而实现 链表 双向查找（某种程度上提高查找效率）。
【使用指针 模拟实现 双向链表：】
模拟节点：
在单链表的基础上，增加了一个 指向上一个节点的 指针域。
class Node2<E> {
Node<E> pre; // 指针域，指向当前节点的上一个节点
Node<E> next; // 指针域，指向当前节点的下一个节点
E data; // 数据域，存储节点数据 public Node2(E data) {
this.data = data;
} public Node2(E data, Node<E> pre, Node<E> next) {
this.data = data;
this.pre = pre;
this.next = next;
}
} 【增删节点：】
直接添加节点 A 到链表末尾：
首先得遍历到链表最后一个节点 B 的位置，条件： B.next = null。
然后将 B 下一个节点指向 A， A 上一个节点指向 B。即 B.next = A; A.pre = B。 指定位置添加节点 C：
比如： A -> B 变为 A -> C -> B。
即 A.next = B; B.pre = A; 变为 C.next = B; C.pre = B.pre; B.pre.next = C; B.pre = C; 直接删除链表末尾节点 A：
遍历到链表最后一个节点 B 的位置，然后将其下一个节点指向 null 即可，即 B.next = null; 删除指定位置的节点 C：
比如： A -> C -> B 变为 A -> B。
C.pre.next = C.next; C.next.pre = C.pre;
（2）双向链表代码实现如下：
【代码实现：】
package com.lyh.com.lyh.linkedlist; public class DoubleLinkedList<E> { private int size = 0; // 用于保存链表实际长度
private Node2<E> header; // 用于保存链表头节点，仅用作 起点，不存储数据。 public DoubleLinkedList(Node2<E> header) {
this.header = header;
} /**
* 直接在链表末尾添加节点
* @param node 待添加节点
*/
public void addLastNode(Node2<E> node) {
Node2<E> temp = header; // 使用临时变量保存头节点，用于辅助链表遍历
// 遍历链表至链表末尾
while(temp.next != null) {
temp = temp.next;
}
// 添加节点
temp.next = node;
node.pre = temp;
size++;
} /**
* 直接在链表末尾添加节点
* @param data 待添加数据
*/
public void addLastNode2(E data) {
Node2<E> temp = header; // 使用临时节点保存头节点，用于辅助链表遍历
Node2<E> newNode = new Node2<>(data); // 创建新节点
// 遍历链表至链表末尾
while(temp.next != null) {
temp = temp.next;
}
// 添加节点
temp.next = newNode;
newNode.pre = temp;
size++;
} /**
* 遍历输出链表
*/
public void showList() {
Node2<E> temp = header.next; // 使用临时变量保存第一个节点，用于辅助遍历链表
// 判断链表是否为空
if(temp == null) {
System.out.println("当前链表为空");
return;
}
// 遍历输出链表
System.out.print("当前链表长度为： " + size() + " == 当前链表为： ");
while(temp != null) {
System.out.print(temp + " ==> ");
temp = temp.next;
}
System.out.println();
} /**
* 返回链表长度
* @return 链表长度
*/
public int size() {
return this.size;
} /**
* 在指定位置添加节点
* @param index 1 ~ n（1 表示 第一个节点）
*/
public void insert(int index, Node2<E> newNode) {
Node2<E> temp = header; // 使用临时变量保存头节点，用于辅助链表遍历
// 遍历找到指定位置
while(index != 0 && temp.next != null) {
temp = temp.next;
index--;
}
if (index != 0) {
throw new IndexOutOfBoundsException("指定位置有误： " + index);
}
newNode.next = temp;
newNode.pre = temp.pre;
temp.pre.next = newNode;
temp.pre = newNode;
size++;
} /**
* 删除指定位置的节点
* @param index 1 ~ n(1 表示第一个节点)
*/
public void delete(int index) {
Node2<E> temp = header; // 使用临时变量保存头节点，用于辅助链表遍历
// 遍历找到待删除节点位置
while(index != 0 && temp.next != null) {
index--;
temp = temp.next;
}
// 判断节点是否存在
if (index != 0) {
throw new IndexOutOfBoundsException("指定节点位置不存在");
}
temp.pre.next = temp.next;
// 若节点为最后一个节点，则无需对下一个节点进行赋值操作
if (temp.next != null) {
temp.next.pre = temp.pre;
}
size--;
} /**
* 直接删除链表末尾节点
*/
public void deleteLastNode() {
Node2<E> temp = header; // 使用临时变量保存头节点，用于辅助链表遍历
// 判断链表是否为空
if (temp.next == null) {
System.out.println("当前链表为空");
return;
}
// 遍历链表至最后一个节点
while(temp.next != null) {
temp = temp.next;
}
temp.pre.next = null;
size--;
} public static void main(String[] args) {
// 创建双向链表
DoubleLinkedList<String> doubleLinkedList = new DoubleLinkedList<>(new Node2<>("header"));
// 输出链表
doubleLinkedList.showList();
System.out.println("=========================="); // 添加节点
doubleLinkedList.addLastNode(new Node2<>("Java"));
doubleLinkedList.addLastNode2("JavaScript");
doubleLinkedList.insert(2, new Node2<>("E"));
doubleLinkedList.insert(1, new Node2<>("F"));
// 输出链表
doubleLinkedList.showList();
System.out.println("=========================="); doubleLinkedList.delete(1);
doubleLinkedList.deleteLastNode();
// 输出链表
doubleLinkedList.showList();
System.out.println("==========================");
} } class Node2<E> {
Node2<E> pre; // 指针域，指向当前节点的上一个节点
Node2<E> next; // 指针域，指向当前节点的下一个节点
E data; // 数据域，存储节点数据 public Node2(E data) {
this.data = data;
} public Node2(E data, Node2<E> pre, Node2<E> next) {
this.data = data;
this.pre = pre;
this.next = next;
} @Override
public String toString() {
return "Node2{ pre= " + (pre != null ? pre.data : null) + ", next= " + (next != null ? next.data : null) + ", data= " + data + '}';
}
} 【输出结果：】
当前链表为空
==========================
当前链表长度为： 4 == 当前链表为： Node2{ pre= header, next= Java, data= F} ==> Node2{ pre= F, next= E, data= Java} ==> Node2{ pre= Java, next= JavaScript, data= E} ==> Node2{ pre= E, next= null, data= JavaScript} ==>
==========================
当前链表长度为： 2 == 当前链表为： Node2{ pre= header, next= E, data= Java} ==> Node2{ pre= Java, next= null, data= E} ==>
==========================
（3）单向环形链表
单向循环链表 指的是 在单链表基础上，将 最后一个节点的指针域 指向第一个节点，从而使链表变成一个环状结构。
其最常见的应用场景就是 约瑟夫环 问题。
【约瑟夫（josephu）环问题：】
已知 n 个人围成一圈，编号由 1 ~ n，从编号为 k （1 <= k <= n）的人开始从 1 报数，数到 m 的那个人出列。
并从下一个人开始重新报数，再次数到 m 的人出列，依次类推，直至所有人出列，问 n 个人的出队编号（或者最后一个出队的是谁）。 【解决思路：】
使用一个不带头节点的单向循环链表处理。
先构成一个有 n 个节点的单向循环链表（构建一个单链表，并另最后一个节点 last 指向 第一个节点，即 last.next = first），
由 k 节点开始从 1 计数，移动 m 个节点后将对应的节点从链表中删除。并从下一个节点开始计数，直至最后一个节点。 使用 两个节点指针来辅助链表遍历 -- first(指向当前第一个节点、且用于表示待移除的节点)、last(指向当前最后一个节点)。
先遍历到 k 点（即 first 指向 k 点，last 指向 k 点上一个节点），计数（包括自身，所以 first、last 移动 m - 1 个节点），
此时 first 指向的即为待输出的节点，输出后，将其移除。即 first = first.next; last.next = first;
同理，从移除节点的下一个节点开始操作，当链表只剩最后一个节点，即 first == last 时，遍历结束，输出最后一个节点 即可。
注：
last.next == first 表示环满
last == first 表示环空，即环里只有一个节点 【代码实现：】
package com.lyh.com.lyh.linkedlist; public class CircleSingleLinkedList<E> {
private Node3<E> first; // 保存第一个节点 /**
* 构成单向环形链表
* @param num 链表节点个数 （1 ~ n， 1 表示 1 个节点）
*/
public void addNode(int num) {
// 判断 num 是否合适
if (num < 1) {
throw new IndexOutOfBoundsException("数据不能构成环");
}
Node3 temp = null; // 辅助指针，用于记录尾节点
// 添加节点，构成循环链表
for (int i = 1; i <= num; i++) {
Node3 node = new Node3(i); // 构建新节点
if (i == 1) {
// 只有一个节点时，即为首节点
first = node;
temp = first;
} else {
// 添加尾节点
temp.next = node;
temp = node;
}
}
// 尾节点指向首节点，构成环
temp.next = first;
} /**
* 遍历输出当前环形链表
*/
public void showList() {
Node3<E> temp = first; // 使用临时变量存储第一个节点，用于辅助链表遍历
if (temp == null) {
System.out.println("当前链表为空");
return;
}
System.out.print("当前链表为： ");
while(temp.next != first) {
System.out.print(temp + " ==> ");
temp = temp.next;
}
System.out.println(temp);
} /**
* 按要求输出 移除节点 顺序
* @param num 节点总数(n)
* @param start 开始节点编号(1 ~ n)
* @param count 计数(1 ~ m)
*/
public void printList(int num, int start, int count) {
Node3<E> last = first; // 用于记录当前链表最后一个节点
if (last == null || start < 1 || start > num) {
throw new RuntimeException("参数不合法");
}
// 遍历，得到最后一个节点
while(last.next != first) {
last = last.next;
}
// 找到开始节点, first 表示开始节点，last 表示最后一个节点（即开始节点的上一个节点）
while(start != 1) {
last = last.next;
first = first.next;
start--;
}
// 遍历输出节点（开始节点、最后节点重合时 即链表只存在一个节点）
while(last != first) {
// 找到待移除节点，由于当前节点会被计算，所以只需移动 count - 1 个节点。
for (int i = 1; i < count; i++) {
first = first.next;
last = last.next;
}
System.out.print(first + " ==> ");
// 移除节点（first 为被移除节点， 即 last -> first -> A 变为 fisrt = A 且 last -> A）
first = first.next;
last.next = first;
}
System.out.println(last);
} public static void main(String[] args) {
// 构建一个空的循环链表
CircleSingleLinkedList<Integer> circleSingleLinkedList = new CircleSingleLinkedList<>();
circleSingleLinkedList.showList();
System.out.println("========================"); // 添加节点
int num = 5; // 节点个数
circleSingleLinkedList.addNode(num);
circleSingleLinkedList.showList();
System.out.println("========================"); // 输出节点 出链表顺序
int start = 2; // 开始编号 K
int count = 2; // 计数
circleSingleLinkedList.printList(num, start, count);
}
} class Node3<E> {
Node3<E> next; // 指针域，存储下一个节点
E data; // 数据域，存储节点数据 public Node3(E data) {
this.data = data;
} public Node3(Node3<E> next, E data) {
this.next = next;
this.data = data;
} @Override
public String toString() {
return "Node3{ data= " + data + '}';
}
} 【输出结果：】
当前链表为空
========================
当前链表为： Node3{ data= 1} ==> Node3{ data= 2} ==> Node3{ data= 3} ==> Node3{ data= 4} ==> Node3{ data= 5}
========================
Node3{ data= 3} ==> Node3{ data= 5} ==> Node3{ data= 2} ==> Node3{ data= 1} ==> Node3{ data= 4}
5、栈（Stack）
（1）什么是栈？
栈指的是一种 受限、线性的数据结构，其仅允许在 一端 进行插入（栈顶插入 push）、删除操作（栈顶删除 pop）。其允许插入、删除的一端为 栈顶（Top），另一端为栈底（Bottom）。
栈可以使用 数组 或者 链表 实现（一般采用数组实现，仅在首或尾增删，效率比链表高）。其遵循 先进后出（First In Last Out，FILO） 原则，即先存入 栈的值 后取出。
（2）常用场景：
二叉树遍历（迭代法）。
图的深度优先搜索法。
表达式转换与求值（比如：中缀表达式 转 后缀表达式）。
堆栈，比如：JVM 虚拟机栈 处理递归、子程序调用时，存储下一个指令地址 或者 参数、变量。
（3）使用数组模拟栈操作
【使用数组模拟栈操作：】
定义 top 用于记录当前栈顶指向，初始值为 -1。
数据 data 进栈时，top 先加 1 再赋值，即 stack[++top] = data。
数据 data 出栈时，先保存出栈的值，top 再减 1，即 data = stack[top--] 【代码实现：】
package com.lyh.stack; public class ArrayStack { private int maxSize; // 记录栈的大小（最大容量）
private String[] stack; // 用于记录
private int top = -1; // 用于初始化栈顶位置 public ArrayStack(int maxSize) {
this.maxSize = maxSize;
this.stack = new String[maxSize];
} /**
* 判断栈是否为空
* @return true 为空
*/
public boolean isEmpty() {
return top == -1;
} /**
* 判断栈是否已满
* @return true 表示已满
*/
public boolean isFull() {
return top == maxSize - 1;
} /**
* 数据入栈
* @param data 待入栈数据
*/
public void push(String data) {
// 判断栈是够已满，已满则不能再添加数据
if (isFull()) {
System.out.println("栈满，无法添加");
return;
}
// top 加 1，并存值
this.stack[++top] = data;
} /**
* 数据出栈
* @return 出栈数据
*/
public String pop() {
// 判断栈是否为空，为空则无法返回数据
if(isEmpty()) {
System.out.println("栈空，无数据");
return null;
}
// 取值，top 减 1
return this.stack[top--];
} /**
* 遍历输出栈元素
*/
public void showList() {
// 判断栈是否为空
if (isEmpty()) {
System.out.println("栈空");
return;
}
System.out.print("当前栈存储数据个数为： " + (top + 1) + " 当前栈输出为： ");
for(int i = top; i >= 0; i--) {
System.out.print(this.stack[i] + " == ");
}
System.out.println();
} public static void main(String[] args) {
// 实例化栈
ArrayStack arrayStack = new ArrayStack(10);
// 遍历栈
arrayStack.showList();
System.out.println("========================"); // 数据入栈
arrayStack.push("Java");
arrayStack.push("Python");
arrayStack.push("JavaScript");
// 遍历栈
arrayStack.showList();
System.out.println("========================"); // 数据出栈
System.out.println(arrayStack.pop());
System.out.println("========================"); // 遍历栈
arrayStack.showList();
System.out.println("========================");
}
} 【输出结果：】
栈空
========================
当前栈存储数据个数为： 3 当前栈输出为： JavaScript == Python == Java ==
========================
JavaScript
========================
当前栈存储数据个数为： 2 当前栈输出为： Python == Java ==
========================
6、使用栈计算 前缀（波兰）、中缀、逆波兰（后缀）表达式
（1）表达式的三种表示形式：
表达式可以分为三种表示形式：
前缀（波兰）表达式。其运算符在操作数之前。
中缀表达式。常见的算术公式（运算符在操作数中间），其括号不可省。
后缀（逆波兰）表达式。其运算符在操作数之后。
举例（以下为表达式的三种表示形式）：
前缀表达式：+ 3 4
中缀表达式：3 + 4
后缀表达式：4 3 +
注：
中缀表达式虽然易读，但是计算机处理起来稍微有点麻烦（比如：括号的处理），不如 前缀、后缀 处理方便（消除了括号）。
所以一般处理表达式时 会对表达式进行转换，比如：中缀表达式转为后缀表达式，然后再对 后缀表达式进行处理。
中缀转后缀、中缀转前缀 过程类似，需要注意的是（详细可见下面转换步骤）：
中缀转前缀时，从右至左扫描字符串，且遇到右括号 ")" 直接入栈。
中缀转后缀时，从左至右扫描字符串，且遇到左括号 "(" 直接入栈。
（2）前缀表达式 以及 中缀 转 前缀
【前缀（波兰）表达式：】
基本概念：
前缀表达式又称为 波兰表达式，其运算符（+、-、*、/）位于操作数前。 举例：
一个表达式为：(3 + 4) * 5 - 6，其 对应的前缀表达式为 - * + 3 4 5 6。 如何处理前缀表达式：
Step1：需要一个栈来存储操作数，从右至左扫描表达式。
Step1.1：如果扫描的是数字，那么就将数字入栈，
Step1.2：如果扫描的是字符（+、-、*、/），就弹出栈顶值两次，并通过运算符进行计算，最后将结果再次入栈。
Step2：重复 Step1 过程直至 表达式扫描完成，最后栈中的值即为 表达式结果。 如何处理前缀表达式（- * + 3 4 5 6）：
Step1：从右至左扫描，依次将 6 5 4 3 入栈。此时栈元素为 6 5 4 3。
Step1.1：扫描到 +，弹出栈顶值 3、4，相加（4 + 3 = 7）并入栈，即 此时栈元素为 6 5 7。
Step1.2：扫描到 *，弹出栈顶值 7、5，相乘（5 * 7 = 35）并入栈，即 此时栈元素为 6 35。
Step1.3：扫描到 -，弹出栈顶值 6、35，相减（35 - 6 = 29）并入栈，即 此时栈元素为 29。 【中缀表达式 转换为 前缀表达式：】
中缀表达式转前缀表达式步骤：
Step1：初始化两个栈 A、B，A 用于记录 运算符、B 用于记录 中间结果。
Step2：从右至左扫描 中缀表达式。
Step2.1：如果扫描的是数字，直接将其压入栈 B。
Step2.2：如果扫描的是运算符（+、-、*、/），则比较当前运算符 与 A 栈顶运算符 的优先级。
Step2.2.1：若 A 为空 或者 栈顶运算符为右括号 ")"，则当前运算符 直接入栈。
Step2.2.2：若上面条件不满足，则比较优先级，若当前运算符优先级 比 A 栈顶运算符 优先级高，则当前运算符 也入栈。
Step2.2.3：若上面条件不满足，即当前运算符优先级低，则将 A 栈顶运算符弹出并压入 B 栈。重新执行 Step2.2 进行运算符比较。
Step2.3：如果扫描的是括号
Step2.3.1：如果为右括号 ")"，则直接压入 A 栈。
Step2.3.2：如果为左括号 "("，则依次弹出 A 栈顶元素并压入 B 栈，直至遇到 右括号 ")"，此时 这对括号可以 舍弃。
Step2.4：重复上面扫描步骤，直至表达式扫描完成。
Step3：将 A 栈中剩余元素依次取出并压入 B 栈。
Step4：此时 B 栈顺序取出结果即为前缀表达式。 中缀表达式 "(3 + 4) * 5 - 6" 如何 转为前缀表达式 "- * + 3 4 5 6"：
Step1：初始化两个栈 A、B。A 存储运算符，B 存储中间结果。从右到左扫描中缀表达式。
Step1.1：扫描到 6，直接存入 B 栈，此时 A 栈元素为 空，B 栈元素为 6。
Step1.2：扫描到 -，此时 A 栈为空，直接存入 A 栈，此时 A 栈元素为 -，B 栈元素为 6。
Step1.3：扫描到 5，直接存入 B 栈，此时 A 栈元素为 -，B 栈元素为 6 5。
Step1.4：扫描到 *，当前运算符 * 比 A 栈顶运算符 优先级高，直接入栈，即此时 A 栈元素为 - *，B 栈元素为 6 5。
Step1.5：扫描到 )，直接入 A 栈，此时 A 栈元素为 - * ），B 栈元素为 6 5。
Step1.6：扫描到 4，直接存入 B 栈，此时 A 栈元素为 - * )，B 栈元素为 6 5 4。
Step1.7：扫描到 +，由于栈顶元素为右括号 ")"，直接入 A 栈，此时 A 栈元素为 - * ) +，B 栈元素为 6 5 4。
Step1.8：扫描到 3，直接入 B 栈，此时 A 栈元素为 - * ) +，B 栈元素为 6 5 4 3。
Step1.9：扫描到左括号 "("，A 栈顶元素出栈并压入 B 栈直至遇到 右括号 ")"，且移除括号，此时 A 栈元素为 - *， B 栈元素为 6 5 4 3 +。
Step2：将 A 栈剩余元素依次取出并压入 B 栈。此时 A 栈为空，B 栈元素为 6 5 4 3 + * -。
Step3：将 B 依次取出即为前缀表达式 "- * + 3 4 5 6"。
（3）中缀表达式
【中缀表达式：】
基本概念：
中缀表达式就是最常见的运算表达式，其运算符在操作数中间。
注：
中缀表达式括号不可省，其用于表示运算的优先顺序。 举例：
一个表达式为：(3 + 4) * 5 - 6，这就是中缀表达式。 如何处理中缀表达式：
Step1：需要两个栈 A、B，A 用于存放 操作数，B 用于存放 符号（运算符、括号）。
Step2：从左到右扫描 中缀表达式。
Step2.1：如果扫描的是 数字，则直接压入 A 栈。
Step2.2：如果扫描的是 运算符（+、-、*、/），则比较当前运算符 与 B 栈顶运算符 的优先级。
Step2.2.1：若 B 为空 或者 栈顶元素为左括号 "("，则当前运算符直接入栈。
Step2.2.2：若上面条件不满足，则比较优先级，若当前运算符 比 B 栈顶运算符 优先级高，则当前运算符 入 B 栈。
Step2.2.3：若上面条件不满足，即当前运算符优先级低，则将 B 栈顶运算符弹出，并弹出 A 栈顶两个数据进行 计算，最后将计算结果存入 A 栈。重新执行 Step2.2 进行运算符比较。
Step2.3：如果扫描的是括号：
Step2.3.1：若为左括号 "("，则直接压入 B 栈。
Step2.3.2：若为右括号 ")"，则依次弹出 B 栈运算符直至遇到左括号 "("，B 栈每取一个元素，A 栈取两个元素，计算后将结果重新压入 A 栈。
Step2.4：重复上面扫描步骤，直至表达式扫描完成。
Step3：依次取出 B 栈顶运算符 以及 A 栈顶元素 计算，最后结果即为 表达式结果。
注：
直接处理中缀表达式，在于其会直接通过 运算符 进行运算。 如何处理中缀表达式 "(3 + 4) * 5 - 6"：
Step1：初始化两个栈 A、B。A 用于记录 操作数， B 用于记录 运算符。
Step2：从左至右扫描 中缀表达式。
Step2.1：扫描到左括号 "("，直接入 B 栈，此时 A 栈元素为空，B 栈元素为 (。
Step2.2：扫描到 3，直接入 A 栈，此时 A 栈元素为 3，B 栈元素为 (。
Step2.3：扫描到 +，此时 B 栈顶元素为左括号 "("，直接入 B 栈，此时 A 栈元素为 3，B 栈元素为 ( +。
Step2.4：扫描到 4，直接入 A 栈，此时 A 栈元素为 4，B 栈元素为 ( +。
Step2.5：扫描到右括号 ")"，B 栈顶元素 + 出栈，A 栈弹出 4、 3，计算后重新压入 A 栈，
B 继续弹出栈顶元素为左括号 "("，直接将其出栈。此时 A 栈元素为 7，B 栈元素为空。
Step2.6：扫描到 *，B 栈元素为空，直接入 B 栈，此时 A 栈元素为 7，B 栈元素为 *。
Step2.7：扫描到 5，直接入 A 栈，此时 A 栈元素为 7 5，B 栈元素为 *。
Step2.8：扫描到 -，当前运算符 - 比 B 栈顶运算符优先级 低，B 栈顶运算符出栈，A 栈弹出 5、7，计算后压入 A 栈，
此时 B 栈为空，当前运算符直接压入 B 栈，即此时 A 栈元素为 35，B 栈元素为 -。
Step2.9：扫描到 6，直接入 A 栈，此时 A 栈元素为 35 6， B 栈元素为 -。
Step3：取出 B 栈顶元素 -，A 栈弹出元素 6、35，计算后压入 A 栈，此时 B 栈为空，即表达式计算结束，A 栈最终结果即为表达式结果，即 29。
（4）后缀表达式 以及 中缀 转 后缀
【后缀（逆波兰）表达式：】
基本概念：
后缀表达式又称为 逆波兰表达式，其运算符位于操作数之后。 举例：
一个表达式为：(3 + 4) * 5 - 6，其 对应的前缀表达式为：3 4 + 5 * 6 - 如何处理后缀表达式：
Step1：需要一个栈来存储操作数，从左至右扫描表达式。
Step1.1：如果扫描的是数字，那么就将数字入栈，
Step1.2：如果扫描的是字符（+、-、*、/），就弹出栈顶值两次，并通过运算符进行计算，最后将结果再次入栈。
Step2：重复 Step1 过程直至 表达式扫描完成，最后栈中的值即为 表达式结果。 如何处理后缀表达式（3 4 + 5 * 6 -）：
Step1：从左至右扫描，依次将 3 4 入栈。此时栈元素为 3 4。
Step1.1：扫描到 +，弹出栈顶值 3、4，相加并入栈，即 此时栈元素为 7。
Step1.2：扫描到 5，入栈，即 此时栈元素为 7 5。
Step1.3：扫描到 *，弹出栈顶值 5、7，相乘并入栈，即 此时栈元素为 35。
Step1.4：扫描到 6，入栈，即 此时栈元素为 35 6。
Step1.5：扫描到 -，弹出栈顶值 6、35，相减并入栈，即 此时栈元素为 29。 【中缀表达式 转换为 后缀表达式：】
中缀表达式转后缀表达式步骤：
Step1：初始化两个栈 A、B，A 用于记录 运算符、B 用于记录 中间结果。
Step2：从左至右扫描 中缀表达式。
Step2.1：如果扫描的是数字，直接将其压入栈 B。
Step2.2：如果扫描的是运算符（+、-、*、/），则比较当前运算符 与 A 栈顶运算符 的优先级。
Step2.2.1：若 A 为空 或者 栈顶运算符为左括号 "("，则当前运算符 直接入栈。
Step2.2.2：若上面条件不满足，则比较优先级，若当前运算符优先级 比 A 栈顶运算符 优先级高，则当前运算符 也入栈。
Step2.2.3：若上面条件不满足，即当前运算符优先级低，则将 A 栈顶运算符弹出并压入 B 栈。重新执行 Step2.2 进行运算符比较。
Step2.3：如果扫描的是括号
Step2.3.1：如果为左括号 "("，则直接压入 A 栈。
Step2.3.2：如果为右括号 ")"，则依次弹出 A 栈顶元素并压入 B 栈，直至遇到 左括号 "("，此时 这对括号可以 舍弃。
Step2.4：重复上面扫描步骤，直至表达式扫描完成。
Step3：将 A 栈中剩余元素依次取出并压入 B 栈。
Step4：此时 B 栈逆序结果即为后缀表达式。
注：
实际写代码时，由于 B 栈自始至终不会进行弹出操作，且其结果的 逆序 才是 后缀表达式。
所以为了减少一次 逆序 的过程，可以直接使用 数组 或者 链表 进行存储，然后 顺序读取即可。 中缀表达式 "(3 + 4) * 5 - 6" 如何 转为后缀表达式 "3 4 + 5 * 6 -"：
Step1：初始化两个栈 A、B。A 存储运算符，B 存储中间结果。从左至右扫描中缀表达式。
Step1.1：扫描到左括号 "("，压入 A 栈，此时 A 栈元素为 (，B 栈元素为空。
Step1.2：扫描到 3，压入 B 栈，此时 A 栈元素为 (，B 栈元素为 3。
Step1.3：扫描到 +，由于 A 栈顶元素为左括号 "("，所以直接入栈。此时 A 栈元素为 ( +，B 栈元素为 3。
Step1.4：扫描到 4，压入 B 栈，此时 A 栈元素为 ( +，B 栈元素为 3 4。
Step1.5：扫描到右括号 )，A 栈元素依次出栈压入 B 直至遇到左括号 "("，并移除括号。此时 A 栈元素为 空，B 栈元素为 3 4 +。
Step1.6：扫描到 *，由于 A 栈为空直接入栈，此时 A 栈元素为 *，B 栈元素为 3 4 +。
Step1.7：扫描到 5，压入 B 栈，A 栈元素为 *，B 栈元素为 3 4 + 5。
Step1.8：扫描到 -，当前运算符 - 优先级低于 A 优先级，所以 A 栈顶元素弹出并压入 B 栈，此时 A 栈为空，当前运算符直接存入。此时 A 栈元素为 -，B 栈元素为 3 4 + 5 *。
Step1.9：扫描到 6，压入 B 栈，此时 A 栈元素为 -，B 栈元素为 3 4 + 5 * 6。
Step2：将 A 剩余元素出栈并压入 B。此时 A 栈为空，B 栈元素为 3 4 + 5 * 6 -。
Step3：将 B 栈元素依次取出并倒序输出，即为 后缀表达式 "3 4 + 5 * 6 -"。
（5）中缀表达式、前缀表达式、后缀表达式代码实现
如下代码，实现 基本表达式（多位数且带括号）的 +、-、*、/。
此处直接使用 Stack 类作为 栈 使用，不使用自定义栈结构。
【代码实现：】
package com.lyh.stack; import java.util.ArrayList;
import java.util.List;
import java.util.Stack; public class Expression { public static void main(String[] args) {
Expression expressionDemo = new Expression();
// 定义一个表达式（默认格式正确，此处不做过多的格式校验）
// String expression = ("2+3*(7-4)+8/4").trim();
String expression = ("(13-6)*5-6").trim();
System.out.println("当前表达式为： " + expression);
System.out.println("================================"); List<String> infixExpressionList = expressionDemo.transfor(expression);
System.out.println("表达式转换后为中缀表达式： " + infixExpressionList);
System.out.println("================================"); System.out.println("中缀表达式求值为： " + expressionDemo.infixExpression(infixExpressionList));
System.out.println("================================"); List<String> prefixExpressionList = expressionDemo.infixToPrefix(infixExpressionList);
System.out.println("中缀表达式： " + infixExpressionList + " 转为 前缀表达式： " + prefixExpressionList);
System.out.println("前缀表达式求值为： " + expressionDemo.prefixExpression(prefixExpressionList));
System.out.println("================================"); List<String> suffixExpressionList = expressionDemo.infixToSuffix(infixExpressionList);
System.out.println("中缀表达式： " + infixExpressionList + " 转为 后缀表达式： " + suffixExpressionList);
System.out.println("后缀表达式求值为： " + expressionDemo.suffixExpression(suffixExpressionList));
System.out.println("================================");
} /**
* 字符串转换成集合保存，便于操作
* @param expression 待转换的表达式
* @return 转换完成的表达式
*/
public List<String> transfor(String expression) {
// 用于保存最终结果
List<String> result = new ArrayList<>();
// 用于转换多位数
String temp = "";
// 遍历字符串，将其 数据取出（可能存在多位数） 挨个存入集合
for(int i = 0; i < expression.length(); i++) {
// 遇到多位数，就使用 temp 拼接
while(i < expression.length() && expression.charAt(i) >= '0' && expression.charAt(i) <= '9') {
temp += expression.charAt(i);
i++;
}
// 将多位数存放到集合中
if (temp != "") {
result.add(temp);
temp = "";
}
// 存放符号（+、-、*、/、括号）
if (i < expression.length()) {
result.add(String.valueOf(expression.charAt(i)));
}
}
return result;
} /**
* 中缀表达式求值（从左到右扫描表达式）
* @param expression 表达式
* @return 计算结果
*/
public String infixExpression(List<String> expression) {
Stack<String> stackA = new Stack<>(); // 用于存放操作数，简称 A 栈
Stack<String> stackB = new Stack<>(); // 用于存放运算符，简称 B 栈
// 遍历集合，取出表达式中 数据 以及 运算符 存入栈中并计算
expression.forEach(x -> {
// 如果取出的是数据，直接存放进 A 栈
if (x.matches("\\d+")) {
stackA.push(x);
} else {
// 如果当前运算符为右括号 ")"
if (")".equals(x)) {
// 依次取出 B 栈顶运算符 以及 A 栈顶两个元素进行计算，计算结果再存入 A 栈，直至遇到左括号 "("
while(stackB.size() > 0 && !"(".equals(stackB.peek())) {
stackA.push(calculate(stackA.pop(), stackA.pop(), stackB.pop()));
}
// 移除左括号 "(" 与 当前运算符右括号 ")"，即此次比较结束。
stackB.pop();
} else {
// 比较运算符优先级，判断当前运算符是直接进入 B 栈，还是先取出优先级高的运算符计算后、再将当前运算符入栈。
while(true) {
// 如果 当前运算符为左括号 "(" 或者 B 栈为空 或者 B 栈顶元素为 左括号 "(" 或者 当前运算符优先级 高于 B 栈顶元素优先级，则当前运算符直接入栈
if ("(".equals(x) || stackB.size() == 0 || "(".equals(stackB.peek()) || priority(x) > priority(stackB.peek())) {
stackB.push(x);
break;
}
// 以上条件均不满足，即当前运算符优先级 小于等于 B 栈顶元素优先级
// if (priority(x) <= priority(stackB.peek())) {
// 依次取出 B 栈顶运算符 以及 A 栈顶两个元素进行计算，计算结果再存入 A 栈
stackA.push(calculate(stackA.pop(), stackA.pop(), stackB.pop()));
// }
}
}
}
});
// 依次取出 B 栈顶运算符 以及 A 栈顶两个元素进行计算，计算结果再存入 A 栈
while(stackB.size() > 0) {
stackA.push(calculate(stackA.pop(), stackA.pop(), stackB.pop()));
}
return stackA.pop();
} /**
* 返回运算符优先级
* @param operator 运算符
* @return 优先级（0 ~ n, 0 为最小优先级）
*/
public int priority(String operator) {
switch (operator) {
case "+": return 1;
case "-": return 1;
case "*": return 2;
case "/": return 2;
default: return 0;
}
} /**
* 根据运算符 计算 两数据，并返回计算结果
* @param num 数据 A
* @param num2 数据 B
* @param operator 运算符
* @return 计算结果
*/
public String calculate(String num, String num2, String operator) {
String result = "";
switch (operator) {
case "+": result = String.valueOf(Integer.valueOf(num2) + Integer.valueOf(num)); break;
case "-": result = String.valueOf(Integer.valueOf(num2) - Integer.valueOf(num)); break;
case "*": result = String.valueOf(Integer.valueOf(num2) * Integer.valueOf(num)); break;
case "/": result = String.valueOf(Integer.valueOf(num2) / Integer.valueOf(num)); break;
default: result = ""; break;
}
return result;
} /**
* 前缀表达式求值（从右到左扫描表达式）
* @param expression 前缀表达式
* @return 计算结果
*/
public String prefixExpression(List<String> expression) {
Stack<String> stackA = new Stack<>(); // 用于存储操作数，简称 A 栈
// 从右到左扫描表达式
for (int i = expression.size() - 1; i >= 0; i--) {
// 用于保存当前表达式数据（操作数 或者 运算符）
String temp = expression.get(i);
// 如果当前数据为 操作数，则直接存入 A 栈
if (temp.matches("\\d+")) {
stackA.push(temp);
} else {
// 若为运算符，则依次弹出 A 栈顶两个数据，并根据运算符进行计算，计算结果重新存入 A 栈
// 此处顺序要注意，与后缀有区别
String num2 = stackA.pop();
String num = stackA.pop();
stackA.push(calculate(num, num2, temp));
}
}
// 扫描结束后，A 栈最终结果即为 表达式结果
return stackA.pop();
} /**
* 中缀表达式转前缀表达式（从右到左扫描表达式）
* @param expression 中缀表达式
* @return 前缀表达式
*/
public List<String> infixToPrefix(List<String> expression) {
Stack<String> stackA = new Stack<>(); // 用于保存 操作符（运算符），简称 A 栈
Stack<String> stackB = new Stack<>(); // 用于保存 中间结果（存储数据以及运算符，存储过程中不会有出栈操作），简称 B 栈
List<String> result = new ArrayList<>(); // 用于记录最终结果
// 从右到左扫描表达式，取出数据、运算符 并计算
for (int i = expression.size() - 1; i >= 0; i--) {
// 用于表示集合当前取出的数据
String temp = expression.get(i);
// 如果取出的为 操作数，直接存入 B 栈
if (temp.matches("\\d+")) {
stackB.push(temp);
} else {
// 如果取出的是左括号
if ("(".equals(temp)) {
// 依次弹出 A 栈顶元素并压入 B 栈，直至遇到 右括号 ")"
while(stackA.size() > 0 && !")".equals(stackA.peek())) {
stackB.push(stackA.pop());
}
// 移除 A 栈顶右括号 ")"
stackA.pop();
} else {
// 比较运算符优先级，判断运算符直接进入 A 栈 还是 先弹出 A 栈顶元素并压入 B 栈后、再将当前运算符入 A 栈
while(true) {
// 如果当前运算符为右括号 ")" 或者 A 栈为空 或者 A 栈顶元素为右括号 ")" 或者 当前运算符优先级 高于 A 栈顶运算符，则直接入 A 栈
if (")".equals(temp) || stackA.size() == 0 || ")".equals(stackA.peek()) || priority(temp) > priority(stackA.peek())) {
stackA.push(temp);
break;
}
// 若上面条件均不满足，即当前运算符优先级小于等于 A 栈顶运算符，则弹出 A 栈顶运算符并压入 B 栈
stackB.push(stackA.pop());
}
}
}
}
// 依次将 A 栈剩余元素弹出并压入到 B 栈
while(stackA.size() > 0) {
stackB.push(stackA.pop());
}
// 依次取出 B 栈元素，即为 前缀表达式
while(stackB.size() > 0) {
result.add(stackB.pop());
}
return result;
} /**
* 中缀表达式转后缀表达式（从左到右扫描表达式）
* @param expression 中缀表达式
* @return 后缀表达式
*/
public List<String> infixToSuffix(List<String> expression) {
Stack<String> stackA = new Stack<>(); // 用于保存 操作符（运算符），简称 A 栈
// Stack<String> stackB = new Stack<>(); // 用于保存 中间结果，简称 B 栈
// 由于 B 栈反序输出才是后缀表达式，此处可以直接存放在 集合中，顺序读取即为 后缀表达式。
List<String> result = new ArrayList<>(); // 用于保存 最终结果，此处用来替代 B 栈，后面简称 B 栈。
// 从左到右扫描后缀表达式
expression.forEach(x -> {
// 如果取出的是 操作数，直接存入 B 栈
if (x.matches("\\d+")) {
result.add(x);
} else {
// 如果操作符是右括号 ")"
if (")".equals(x)) {
// 依次将 A 栈顶运算符弹出 并压入 B 栈，直至遇到左括号 "("
while(stackA.size() > 0 && !"(".equals(stackA.peek())) {
result.add(stackA.pop());
}
// 移除 A 栈顶左括号 "("
stackA.pop();
} else {
// 比较运算符优先级，判断运算符直接进入 A 栈 还是 先弹出 A 栈顶元素并压入 B 栈后、再将当前运算符入 A 栈
while(true) {
// 如果当前运算符为左括号 "(" 或者 A 栈为空 或者 A 栈顶运算符为左括号 "(" 或者 当前运算符优先级 高于 A 栈顶运算符，则直接入 A 栈
if ("(".equals(x) || stackA.size() == 0 || "(".equals(stackA.peek()) || priority(x) > priority(stackA.peek())) {
stackA.push(x);
break;
}
// 如果上面条件均不满足，即当前运算符 优先级 小于或等于 A 栈顶运算符
// 则将 A 栈顶运算符取出并 放入 B 栈
result.add(stackA.pop());
}
}
}
});
// 依次将 A 栈顶运算符取出放入 B 栈
while(stackA.size() > 0) {
result.add(stackA.pop());
}
return result;
} /**
* 后缀表达式求值（从左到右扫描表达式）
* @param expression 后缀表达式
* @return 计算结果
*/
public String suffixExpression(List<String> expression) {
Stack<String> stackA = new Stack<>(); // 用于保存 操作数，简称 A 栈
// 从左到右扫描表达式
expression.forEach(x -> {
// 如果是 数字，直接进 A 栈
if (x.matches("\\d+")) {
stackA.push(x);
} else {
// 是运算符，则取出 A 栈顶两元素，并计算，将计算结果重新压入 A 栈
stackA.push(calculate(stackA.pop(), stackA.pop(), x));
}
});
// 扫描结束后，A 栈最终结果即为 表达式结果
return stackA.pop();
}
} 【输出结果：】
当前表达式为： (13-6)*5-6
================================
表达式转换后为中缀表达式： [(, 13, -, 6, ), *, 5, -, 6]
================================
中缀表达式求值为： 29
================================
中缀表达式： [(, 13, -, 6, ), *, 5, -, 6] 转为 前缀表达式： [-, *, -, 13, 6, 5, 6]
前缀表达式求值为： 29
================================
中缀表达式： [(, 13, -, 6, ), *, 5, -, 6] 转为 后缀表达式： [13, 6, -, 5, *, 6, -]
后缀表达式求值为： 29
================================
7、递归与回溯、八皇后问题
（1）递归：
递归指的是 方法调用自身方法去解决问题的过程。
其目的是 将一个复杂的大问题 转换为 与原问题类似的小问题去求解。递归必须得有结束条件，否则将会陷入无限递归（导致栈溢出异常）。
常用场景：快排、归并排序、二分查找、汉诺塔、八皇后 等问题。
（2）回溯：
回溯指的是 类似枚举的选优搜索过程，当条件不符合时，返回上一层（即回溯）重新判断。
其解决的是 某种场景下有许多个解，依次判断每个解是否合适，如果不合适就回退到上一层，重新判断下一个解是否合适。
常见场景：八皇后 问题。
（3）八皇后问题分析
【八皇后问题介绍：】
在一个 8 * 8 的国际象棋棋盘上，摆放 八个皇后，且皇后之间不能相互攻击，总共有多少种摆法。
不能相互攻击 即： 任意两个皇后 不能同时 处在 同一行、同一列、同一斜线上。 【思路分析：】
采用 回溯 方法解决。
每次放置皇后时，均从每行的第一列开始尝试，并校验该皇后位置是否与其他皇后位置发生冲突，如果不冲突则递归调用下一个皇后进行放置，
如果冲突则尝试当前皇后位置的下一个位置是否能够放置，若当前皇后在当前行的所有列均放置失败，则回溯到上一个皇后所处位置，使上一个皇后放置在其下一列 并重新判断该位置是否冲突。 即：
Step1：第一个皇后放在第一行第一列。
Step2：第二个皇后放在第二行第一列，判断是否会攻击，如果会攻击，则将 第二个皇后放在第二行第二列 进行判断。
若仍会攻击，则依次放置下去，直至第二行第八列。若仍会攻击，则后续不用执行（此时第二个皇后 8 个位置均放置失败），回溯到 上一行 并再次枚举。
Step3：第二个皇后放好后，同理放置第三个皇后 直至 放置第八个 皇后，若均不冲突则 为一个解。 【判断皇后之间是否攻击：】
使用一维数组 a[8] 存储可行的 八皇后 放置位置（二维数组亦可）。
每一个数组元素存储范围为 0~7，分别表示第 1 ~ 8 位置。 判断皇后之间是否攻击：设当前为第 n 个皇后，记为 a[n]。
同一行：不需要考虑，每次都是不同行。
同一列：遍历一维数组，如果 a[i] == a[n]，则表示当前存在攻击。
for(int i = 0; i < n; i++) {
if (a[i] == a[n]) {
return false;
}
} 同一斜线：遍历一维数组，若 Math.abs(n - i) == Math.abs(a[n] - a[i])，则存在攻击。
for(int i = 0; i < n; i++) {
if (Math.abs(n - i) == Math.abs(a[n] - a[i])) {
return false;
}
} 注：
i 指的是第 i+1 个皇后，a[i] 指的是第 i+1 个皇后所占据的位置（0~7）。
所以 a[i] == a[n] 时表示同一列。
Math.abs(n - i) == Math.abs(a[n] - a[i]) 表示同一斜线（看成等腰直角三角形）。
【八皇后代码实现：】
package com.lyh.recursion; import java.util.Arrays; public class EightQueens { private int maxsize = 8; // 定义最大为 8 皇后
private int count = 0; // 用于记录皇后放置总解法数
private int[] arrays = new int[maxsize]; // 用于存储 8 皇后的解法，范围为 0 ~ 7，表示第 1 ~ 8 位置 public EightQueens() {
} public EightQueens(int maxsize) {
this.maxsize = maxsize;
arrays = new int[this.maxsize];
} public static void main(String[] args) {
EightQueens eightQueens = new EightQueens();
eightQueens.putQueen(0);
System.out.println("总解法： " + eightQueens.count);
} /**
* 检查当前皇后的放置位置 是否 与其他皇后位置冲突
* @param n 当前为第 n+1 皇后
* @return true 表示不冲突
*/
public boolean check(int n) {
// 遍历当前所有皇后，已放置 0 ~ n-1 个皇后，即 第 1 ~ n 皇后位置
for(int i = 0; i < n; i++) {
// arrays[i] == arrays[n] 表示两皇后在同一列
// Math.abs(n - i) == Math.abs(arrays[n] - arrays[i]) 表示两皇后在同一斜线上（看成等腰直角三角形处理）
if (arrays[i] == arrays[n] || Math.abs(n - i) == Math.abs(arrays[n] - arrays[i])) {
return false;
}
}
return true;
} /**
* 递归 + 回溯 放置皇后
* @param n 第 n+1 个皇后
*/
public void putQueen(int n) {
// 所有皇后放置完成，打印皇后放置方法
// 此处为第一个出口，即 8 个皇后全部放置完成时。
if (n == maxsize) {
System.out.println(Arrays.toString(arrays));
count++;
return;
} // 枚举依次求解，遍历 0 ~ maxsize - 1，表示当前皇后放置在第 1 ~ maxsize 个位置。
// 此处为第二个出口，若遍历完成，n 仍不为 8，即 第 n-1 个皇后 8 个位置均放置失败，后续无需再做，回溯到上一个皇后放置位置的下一个位置
for (int i = 0; i < maxsize; i++) {
// 放置皇后
arrays[n] = i;
// 当前皇后放置不冲突，则放置下一个皇后，若冲突则结束当前循环并判断下一个位置是否冲突
if (check(n)) {
putQueen(n + 1);
}
}
}
} 【输出结果：】
[0, 4, 7, 5, 2, 6, 1, 3]
[0, 5, 7, 2, 6, 3, 1, 4]
[0, 6, 3, 5, 7, 1, 4, 2]
[0, 6, 4, 7, 1, 3, 5, 2]
[1, 3, 5, 7, 2, 0, 6, 4]
[1, 4, 6, 0, 2, 7, 5, 3]
[1, 4, 6, 3, 0, 7, 5, 2]
[1, 5, 0, 6, 3, 7, 2, 4]
[1, 5, 7, 2, 0, 3, 6, 4]
[1, 6, 2, 5, 7, 4, 0, 3]
[1, 6, 4, 7, 0, 3, 5, 2]
[1, 7, 5, 0, 2, 4, 6, 3]
[2, 0, 6, 4, 7, 1, 3, 5]
[2, 4, 1, 7, 0, 6, 3, 5]
[2, 4, 1, 7, 5, 3, 6, 0]
[2, 4, 6, 0, 3, 1, 7, 5]
[2, 4, 7, 3, 0, 6, 1, 5]
[2, 5, 1, 4, 7, 0, 6, 3]
[2, 5, 1, 6, 0, 3, 7, 4]
[2, 5, 1, 6, 4, 0, 7, 3]
[2, 5, 3, 0, 7, 4, 6, 1]
[2, 5, 3, 1, 7, 4, 6, 0]
[2, 5, 7, 0, 3, 6, 4, 1]
[2, 5, 7, 0, 4, 6, 1, 3]
[2, 5, 7, 1, 3, 0, 6, 4]
[2, 6, 1, 7, 4, 0, 3, 5]
[2, 6, 1, 7, 5, 3, 0, 4]
[2, 7, 3, 6, 0, 5, 1, 4]
[3, 0, 4, 7, 1, 6, 2, 5]
[3, 0, 4, 7, 5, 2, 6, 1]
[3, 1, 4, 7, 5, 0, 2, 6]
[3, 1, 6, 2, 5, 7, 0, 4]
[3, 1, 6, 2, 5, 7, 4, 0]
[3, 1, 6, 4, 0, 7, 5, 2]
[3, 1, 7, 4, 6, 0, 2, 5]
[3, 1, 7, 5, 0, 2, 4, 6]
[3, 5, 0, 4, 1, 7, 2, 6]
[3, 5, 7, 1, 6, 0, 2, 4]
[3, 5, 7, 2, 0, 6, 4, 1]
[3, 6, 0, 7, 4, 1, 5, 2]
[3, 6, 2, 7, 1, 4, 0, 5]
[3, 6, 4, 1, 5, 0, 2, 7]
[3, 6, 4, 2, 0, 5, 7, 1]
[3, 7, 0, 2, 5, 1, 6, 4]
[3, 7, 0, 4, 6, 1, 5, 2]
[3, 7, 4, 2, 0, 6, 1, 5]
[4, 0, 3, 5, 7, 1, 6, 2]
[4, 0, 7, 3, 1, 6, 2, 5]
[4, 0, 7, 5, 2, 6, 1, 3]
[4, 1, 3, 5, 7, 2, 0, 6]
[4, 1, 3, 6, 2, 7, 5, 0]
[4, 1, 5, 0, 6, 3, 7, 2]
[4, 1, 7, 0, 3, 6, 2, 5]
[4, 2, 0, 5, 7, 1, 3, 6]
[4, 2, 0, 6, 1, 7, 5, 3]
[4, 2, 7, 3, 6, 0, 5, 1]
[4, 6, 0, 2, 7, 5, 3, 1]
[4, 6, 0, 3, 1, 7, 5, 2]
[4, 6, 1, 3, 7, 0, 2, 5]
[4, 6, 1, 5, 2, 0, 3, 7]
[4, 6, 1, 5, 2, 0, 7, 3]
[4, 6, 3, 0, 2, 7, 5, 1]
[4, 7, 3, 0, 2, 5, 1, 6]
[4, 7, 3, 0, 6, 1, 5, 2]
[5, 0, 4, 1, 7, 2, 6, 3]
[5, 1, 6, 0, 2, 4, 7, 3]
[5, 1, 6, 0, 3, 7, 4, 2]
[5, 2, 0, 6, 4, 7, 1, 3]
[5, 2, 0, 7, 3, 1, 6, 4]
[5, 2, 0, 7, 4, 1, 3, 6]
[5, 2, 4, 6, 0, 3, 1, 7]
[5, 2, 4, 7, 0, 3, 1, 6]
[5, 2, 6, 1, 3, 7, 0, 4]
[5, 2, 6, 1, 7, 4, 0, 3]
[5, 2, 6, 3, 0, 7, 1, 4]
[5, 3, 0, 4, 7, 1, 6, 2]
[5, 3, 1, 7, 4, 6, 0, 2]
[5, 3, 6, 0, 2, 4, 1, 7]
[5, 3, 6, 0, 7, 1, 4, 2]
[5, 7, 1, 3, 0, 6, 4, 2]
[6, 0, 2, 7, 5, 3, 1, 4]
[6, 1, 3, 0, 7, 4, 2, 5]
[6, 1, 5, 2, 0, 3, 7, 4]
[6, 2, 0, 5, 7, 4, 1, 3]
[6, 2, 7, 1, 4, 0, 5, 3]
[6, 3, 1, 4, 7, 0, 2, 5]
[6, 3, 1, 7, 5, 0, 2, 4]
[6, 4, 2, 0, 5, 7, 1, 3]
[7, 1, 3, 0, 6, 4, 2, 5]
[7, 1, 4, 2, 0, 6, 3, 5]
[7, 2, 0, 5, 1, 4, 6, 3]
[7, 3, 0, 2, 5, 1, 6, 4]
总解法： 92
三、排序算法
1、常见内排序
之前总结过一篇，此处不重复介绍，对其稍作补充说明。
详见：https://www.cnblogs.com/l-y-h/p/12391241.html
2、基数排序（Radix Sort）
（1）什么是基数排序？
基数排序是桶排序的扩展，其将 整数 按照 位数（个位、十位、百位等）进行划分，每次划分后将划分的结果存放到相应的桶中，最终达到排序的目的。
基数排序属于稳定排序。
【基数排序步骤：(此时无法处理负数)】
Step1：首先定义一个桶数组，编号为 0 ~ 9，分别表示用于存储符合 0 ~ 9 的数据。
且每个桶元素 又是一个数组，用于存储符合 0 ~ 9 的数据。
Step2：对于一组数据，从每个数的 个位 开始进行划分（个位范围为 0 ~ 9），将数据分别存储到 桶数组中。
然后遍历输出得到新的数组。
Step3：对于新的一组数据，从每个数的 十位 开始划分，进行 Step2 同样操作。
Step4：同理，处理 百位、千位，若一个数没有 百位、千位，则将其视为 0 处理。
注：
首先得获取当前数据中 最大数据 的位数，然后再进行 位数划分。
比如：
7 99 10 8 中最大数据为 两位数，需进行 个位、十位 划分。
45 123 34 中最大数据为 三位数，需进行 个位、十位、百位 划分。 【基数排序存在 负数 时处理：】
可以先找到 负数的最小值，然后将所有数据 整体加上 负数最小值的绝对值 加 1，记为 min = |负数最小值|，
即 让所有数据均变为 非负数，然后再去排序，最后将结果 再整体减去 min 即可。
注：
若 最大值、最小值 濒临极限时，可能会造成数据溢出（此时慎用）。 【给数据 arr {38, 65, 97, 76, 13, 27, 49} 排序，并按照从小到大的顺序输出】
Step1：首先定义一个 二维数组 a[10][arr.length] 表示桶，分别用于存储符合 0 ~ 9 的数据。 Step2：按照 个位 进行划分。
38 个位为 8，进入 a[8] 桶。
65 个位为 5，进入 a[5] 桶。
97 个位为 7，进入 a[7] 桶。
76 个位为 6，进入 a[6] 桶。
13 个位为 3，进入 a[3] 桶。
27 个位为 7，进入 a[7] 桶。
49 个位为 9，进入 a[9] 桶。
即：
0
1
2
3 13
4
5 65
6 76
7 97 27
8 38
9 49
依次取出桶中元素，存入新数组中。即 {13, 65, 76, 97, 27, 38, 49} Step3：根据新数组按照 十位 进行划分。
13 十位为 1，进入 a[1] 桶。
65 十位为 6，进入 a[6] 桶。
76 十位为 7，进入 a[7] 桶。
97 十位为 9，进入 a[9] 桶。
27 十位为 2，进入 a[2] 桶。
38 十位为 3，进入 a[3] 桶。
49 十位为 4，进入 a[4] 桶。
即：
0
1 13
2 27
3 38
4 49
5
6 65
7 76
8
9 97
依次取出桶中元素，存入新数组中。即 {13, 27, 38, 49, 65, 76, 97}
（2）代码实现
【代码实现：】
package com.lyh.sort; import java.util.Arrays; public class RadixSort {
public static void main(String[] args) {
int[] arrays = new int[]{38, 65, 97, 76, 13, 27, 49};
radixSort(arrays);
System.out.println("====================");
// int[] arrays = new int[]{38, 65, 0, -1, 13, 27, 49};
int[] arrays2 = new int[]{38, 65, 0, -1, 13, 27, -10};
radixSort(arrays2);
} /**
* 基数排序（包括负数排序）
* @param arrays 待排序数组
*/
public static void radixSort(int[] arrays) {
// 判断数组是否合法
if (arrays.length <= 0) {
System.out.println("数据为空");
return;
}
// 获取当前数据中最大值、最小值
int max = arrays[0];
int min = arrays[0];
for (int array : arrays) {
if (max < array) {
max = array;
}
if (min > array) {
min = array;
}
} // min 小于 0，即当前存在负数，则将所有数据 加上 min 的绝对值，使其变为非负数
if (min < 0) {
for (int i = 0; i < arrays.length; i++) {
arrays[i] -= min;
}
max -= min;
} // 定义二维数组，用于表示 桶，存储数据，bucket[0] ~ bucket[9] 分别用于存储 0 ~ 9 的数据
int[][] bucket = new int[10][arrays.length];
// 定义一维数组，用于表示 每个桶存储 数据的个数，bucketCount[0] ~ bucketCount[9] 分别用于存储 bucket[0] ~ bucket[9] 中数据的个数
int[] bucketCount = new int[10];
// 获取当前 最大值 的位数，根据 位数 确定需要进行 几次 数据划分操作
int maxLength = (max + "").length();
// 根据位数，按照 个位、十位、百位、千位 的顺序进行划分
for (int i = 0, m = 1; i < maxLength; i++, m *= 10) {
// 遍历数组，将数据划分到 桶中存储
for (int j = 0; j < arrays.length; j++) {
int temp = arrays[j] / m % 10; // 获取 个位、十位、百位 的值
bucket[temp][bucketCount[temp]++] = arrays[j]; // 桶存储数据，相应的 bucketCount 也要加 1
} int index = 0; // 用于记录新数组最后一个值的索引
// 遍历桶，取出数据组成新的数组, k < bucketCount.length 或者 k < bucket[0].length 均可，都表示 10（0 ~ 9）
for (int k = 0; k < bucketCount.length; k++) {
// 当前桶存在数据时，取出数据存入数组中，并将该桶置空
// 此处只需将 bucketCount 相应位置置 0 即可（无需将 bucket 置空，每次存储数据时均会覆盖，尽管会存在无用值，但无影响）
if (bucketCount[k] > 0) {
// 将桶元素复制到新数组中
// 源数组 bucket[k]， 开始位置 0， 目标数组 arrays，目标数组起始位置 index，复制源数组的数据个数 bucketCount[k]
System.arraycopy(bucket[k],0, arrays, index, bucketCount[k]);
index += bucketCount[k];
// 当前桶记录清空
bucketCount[k] = 0;
}
}
System.out.println("第 " + (i + 1) + " 次划分结果： " + Arrays.toString(arrays));
} // 如果存在负数，则需要减去 相应的值
if (min < 0) {
for (int i = 0; i < arrays.length; i++) {
arrays[i] += min;
}
}
System.out.println("最终排序结果为： " + Arrays.toString(arrays));
}
} 【输出结果：】
第 1 次划分结果： [13, 65, 76, 97, 27, 38, 49]
第 2 次划分结果： [13, 27, 38, 49, 65, 76, 97]
最终排序结果为： [13, 27, 38, 49, 65, 76, 97]
====================
第 1 次划分结果： [10, 0, 23, 75, 37, 48, 9]
第 2 次划分结果： [0, 9, 10, 23, 37, 48, 75]
最终排序结果为： [-10, -1, 0, 13, 27, 38, 65]
（3）分析：
若数据中出现相同的值，且向桶存放数据以及从桶取数据的过程中不会出现交换值的情况，故排序是稳定的。
每次均会遍历数据 n，且最大位数为 k，即 时间复杂度为 O(n*k)。
需要使用二维数组存储 桶元素，使用一维数组存储 桶存储元素个数，即空间复杂度为 O(10 * n + 10)，即空间复杂度为 O(n)。
四、查找算法
1、顺序（线性）查找
（1）什么是 线性查找？
最简单直接的一种查找方式，基本思想是 对于待查找数据 key， 从数据的第一个记录开始，逐个 与 key 比较，若存在与 key 相同的值则查找成功，若不存在则查找失败。
（2）代码实现
【代码实现：】
package com.lyh.search; public class LinearSearch { public static void main(String[] args) {
int[] arrays = new int[]{100, 40, 78, 24, 10, 16};
int key = 10;
int index = linearSearch(arrays, key);
if (index != -1) {
System.out.println("查找成功，下标为： " + index);
} else {
System.out.println("查找失败");
}
} /**
* 顺序查找，返回元素下标
* @param arrays 待查找数组
* @param key 待查找数据
* @return 查找失败返回 -1，查找成功返回 0 ~ n-1
*/
public static int linearSearch(int[] arrays, int key) {
// 遍历数组，挨个匹配
for (int i = 0; i < arrays.length; i++) {
if (arrays[i] == key) {
return i;
}
}
return -1;
}
} 【输出结果：】
查找成功，下标为： 4
（3）分析
顺序查找效率是比较低的，n 个数据最坏情况下需要比较 n 次，即时间复杂度为 O(n)。
2、二分（折半）查找
（1）什么是 折半查找？
是一个效率较高的查找方法。其要求必须采用 顺序存储结构 且 存储数据有序。
【基本实现思路：】
Step1：确定数组的中间下标。 middle = (left + right) / 2。将数据 分为左右两部分。
Step2：将待查找数据 key 与 中间元素 arrays[middle] 比较。
Step2.1：如果 key > arrays[middle]，则说明要查找数据在 middle 下标右侧，需要在右侧数据进行查找（递归）。
Step2.2：如果 key < arrays[middle]，则说明要查找数据在 middle 下标左侧，需要在左侧数据进行查找（递归）。
Step2.3：如果 key == arrays[middle]，则说明查找成功。 上面递归结束条件：
查找成功，结束递归。
查找失败，即 left > right 时，退出递归。 【举例：】
在 {13, 27, 38, 49, 65, 76, 97} 中查找 key = 27。
第一次折半：
left = 0, right = 6, middle = 3
即 a[left] = 13, a[right] = 97, a[middle] = 49。
由于待查找数据 key < a[middle]，则从左侧剩余数据 {13, 27, 38, 49} 开始查找。 第二次折半：
left = 0, right = 2, middle = 1
即 a[left] = 0, a[right] = 38, a[middle] = 27。
由于待查找数据 key == a[middle]，则查找成功。
（2）代码实现
【代码实现：】
package com.lyh.search; public class BinarySearch {
public static void main(String[] args) {
int[] arrays = new int[]{13, 27, 38, 49, 65, 76, 97};
int key = 27;
int index = binarySearch(arrays, 0, arrays.length - 1, key);
if (index != -1) {
System.out.println("查找成功，下标为： " + index);
} else {
System.out.println("查找失败");
}
} /**
* 折半查找，返回元素下标
* @param arrays 待查找数组
* @param left 最左侧下标
* @param right 最右侧下标
* @param key 待查找数据
* @return 查找失败返回 -1，查找成功返回元素下标 0 ~ n
*/
public static int binarySearch(int[] arrays, int left, int right, int key) {
// 若 left > right，则表示查找失败
if (left <= right) {
// 获取中间下标
int middle = (left + right) / 2;
if (key == arrays[middle]) {
return middle;
} else if (key > arrays[middle]) {
return binarySearch(arrays, middle + 1, right, key);
} else {
return binarySearch(arrays, left, middle - 1, key);
}
}
return -1;
}
} 【输出结果：】
查找成功，下标为： 1
（3）分析：
每次查找数据均折半，设折半次数为 x，则 2^x = n，即折半次数为 x = logn，时间复杂度为 O(logn)。效率比顺序查找高。
3、插值查找
（1）什么是插值查找？
插值查找类似于 折半查找，其区别在于 中间节点 是自适应的。
采用自适应节点是为了 使 middle 值更靠近 key，从而 减少 key 比较次数。
【插值查找、折半查找区别：】
折半查找 求 middle：
middle = (left + right) / 2 = left + (right - left) / 2. 插值查找 求 middle：
middle = left + (right - left) * (key - a[left]) / (a[right] - a[left]). 即 使用 (key - a[left]) / (a[right] - a[left]) 去替换 1 / 2，可以在某种情况下提高查找效率。
对于数据量较大、且数据分布较均匀的 数据来说，使用 插值查找 速度较快（较少比较次数）。
注：
除法可能会遇到异常（java.lang.ArithmeticException: / by zero）。 【举例：】
对于 0 ~ 99 的数，查找 27，
若采用 折半查找，需要折半 5 次。
若采用 插值查找，需要折半 1 次。
（2）代码实现
【代码实现：】
package com.lyh.search; public class InsertionSearch {
public static void main(String[] args) {
int[] arrays = new int[100];
for(int i = 0; i < arrays.length; i++) {
arrays[i] = i;
}
int key = 27;
int index = insertionSearch(arrays, 0, arrays.length - 1, key);
if (index != -1) {
System.out.println("查找成功，下标为： " + index);
} else {
System.out.println("查找失败");
}
} /**
* 插值查找，返回元素下标
* @param arrays 待查找数组
* @param left 最左侧下标
* @param right 最右侧下标
* @param key 待查找数据
* @return 查找失败返回 -1，查找成功返回元素下标 0 ~ n
*/
public static int insertionSearch(int[] arrays, int left, int right, int key) {
// 数据不符合时，退出递归
if (left > right || key > arrays[right] || key < arrays[left]) {
return -1;
}
// 自适应节点
int middle = left + (right - left) * (key - arrays[left]) / (arrays[right] - arrays[left]);
if (key == arrays[middle]) {
return middle;
} else if (key > arrays[middle]) {
return insertionSearch(arrays, middle + 1, right, key);
} else {
return insertionSearch(arrays, left, middle + 1, key);
}
}
} 【输出结果：】
查找成功，下标为： 27
4、斐波那契（黄金分割）查找
（1）什么是 斐波那契 查找？
斐波那契查找 与 折半查找、插值查找 类似，都是改变中间节点的位置。
此时的 中间节点 位于 黄金分割点 附近。
【黄金分割比例：】
黄金分割比例指 将一个整体分为两个部分，其中 较小部分 : 较大部分 = 较大部分 : 整体，且值约为 0.618，此比例称为黄金分割比例。
比如：
1 米长绳子，分为 0.618 与 0.382 两部分，则 0.382 ：0.618 == 0.618 ：1。 【斐波那契数列：】
斐波那契公式：
f(1) = 1;
f(2) = 1;
f(n) = f(n - 1) + f(n - 2); n > 2
即：数列 {1, 1, 2, 3, 5, 8, 13, 21, 34, 55, ...}
斐波那契数列两个相邻数的比例，近似于 0.618。
比如：
21 : 34 == 0.6176470588235294 : 1
34 : 55 == 0.6181818181818182 : 1 【斐波那契查找算法原理：】
如何求黄金分割点：
由于斐波那契数列公式为 f(n) = f(n - 1) + f(n - 2)， 且 f(n -1 ) : f(n - 2) == 0.618。
想要使用 斐波那契处理 数据，即将数据按照 f(n-1) 与 f(n-2) 分成两部分即可。
比如：f(n) - 1 = (f(n - 1) - 1) + (f(n - 2) - 1 + 1); 分为 (f(n - 1) - 1) 与 (f(n - 2) - 1 + 1) 两部分。
此时 left + (f(n - 1) - 1) 即为黄金分割点 middle。 斐波那契查找：
其将一组数据长度 看成是 斐波那契数列 进行处理，若当前数据长度 不满足 斐波那契数列，则使用 最后一个元素将其补齐。
长度符合后，记新数组为 temp，根据 middle 计算出中间节点，并进行判断。
若 key > temp[middle]，则需要在右侧进行递归判断，而此时右侧属于 f(n - 2) 部分，即 k = k - 2;
若 key < temp[middle]，则需要在左侧进行递归判断，而此时左侧属于 f(n - 1) 部分，即 k = k - 1;
若 key == temp[middle]，则查找成功。 【举例：】
在 {13, 27, 38, 49, 65, 76, 97} 中查找 key = 27。
Step1：补齐数据。
当前数据 arrays 长度为 7，而与之相近的斐波那契数列值为 8（f(n) = 8， n = 5），需要将其补齐。
即数据变为 temp = {13, 27, 38, 49, 65, 76, 97, 97}.
Step2：开始第一次查找操作，中间节点 middle = left + (f(n - 1) - 1)
left = 0，right = 7，n = 5，middle = 4,
key < temp[middle]，即下次在左侧 {13, 27, 38, 49} 进行查找（right = middle - 1 = 3）。
左侧部分等同于 f(n - 1) 区，所以 n 减 1, 即 n = 4。
Step3：开始第二次查找，
left = 0， right = 3，n = 4， middle = 2
key < temp[middle]，即下次在左侧 {13, 27} 进行查找（right = middle - 1 = 1）。
左侧部分等同于 f(n - 1) 区，所以 n 减 1， 即 n = 3。
Step3：开始第三次查找，
left = 0， right = 1，n = 3， middle = 1
key == temp[middle]，查找成功。
（2）代码实现
【代码实现：】
package com.lyh.search; import java.util.Arrays; public class FibonacciSearch {
public static void main(String[] args) {
int[] arrays = new int[]{13, 27, 38, 49, 65, 76, 97};
int key = 27;
int index = fibonacciSearch(arrays, key);
if (index != -1) {
System.out.println("查找成功，当前下标为： " + index);
} else {
System.out.println("查找失败");
}
} /**
* 返回斐波那契数组（使用 迭代 实现）
* @return 斐波那契数组
*/
public static int[] fibonacci(int length) {
if (length < 0) {
return null;
}
int[] fib = new int[length];
if (length >= 1) {
fib[0] = 1;
}
if (length >= 2) {
fib[1] = 1;
}
for (int i = 2; i < length; i++) {
fib[i] = fib[i - 1] + fib[i - 2];
}
return fib;
} /**
* 斐波那契查找，返回对应数据下标
* 将数据长度看成 斐波那契数列，将数据分为 f(n - 1)、 f(n - 2) 两部分
* @param arrays 待查找数组
* @param key 待查找数据
* @return 查找失败返回 -1，查找成功返回相应的下标
*/
public static int fibonacciSearch(int[] arrays, int key) {
int n = 0; // 用于记录当前 分隔点 下标
int[] fibs = fibonacci(arrays.length); // 用于记录斐波那契数列
// 获取第一次分割点下标
while (arrays.length > fibs[n]) {
n++;
} // 若当前数组长度 不满足 斐波那契数列，则使用最后一个元素 去填充新数组，使新长度满足 斐波那契数列
int[] temp = Arrays.copyOf(arrays, fibs[n]);
for (int i = arrays.length; i < fibs[n]; i++) {
temp[i] = arrays[arrays.length - 1];
} // 开始查找
int left = 0;
int right = temp.length - 1;
while(left <= right) {
// 获取中间节点，将数据区域分为 f(n - 1), f(n - 2) 两部分
int middle = left + fibs[n - 1] - 1;
if (key == temp[middle]) {
// 查找成功
return middle;
} else if (key > temp[middle]) {
// 当前查找失败，下次在右侧 f(n - 2) 区域进行查找
left = middle + 1;
n -= 2;
} else {
// 当前查找失败，下次在左侧 f(n - 1) 区域进行查找
right = middle - 1;
n -= 1;
}
}
// 查找失败，即 left > right，返回 -1
return -1;
}
} 【输出结果：】
查找成功，当前下标为： 1
四、哈希表、树
1、哈希表（散列表）
（1）什么是哈希表？
哈希表是一种 根据 关键码（key） 直接访问值（value）的 一种数据映射结构。其通过一个映射函数，将 关键码 映射到 表中的某一个位置 进行访问（可以提高查找速度）。
哈希表可以使用 数组 + 链表、 或者 数组 + 二叉树 的形式实现。
适用于 查询性能要求高、数据之间无逻辑关系 的场景。
【数组 + 链表 形式实现哈希表：】
基本结构：
使用 数组（连续的存储空间） 表示一个散列表。
每个数组元素 存储的 是一个 单链表（用于存储 映射函数 相同的值）。
即 链表数组，定义一个 链表结构，在用其 定义数组。 基本过程：
对于一个数，通过 散列函数（hash()，可以通过 取模 或者 位运算） 计算 key，并将其映射到 散列表（数组）的 某个位置。
对于相同的 hash 值（产生 hash 冲突），通常采用 拉链法来解决。
简单地讲，就是将 hash(key) 得到的结果 作为 数组的下标，若多个 key 的 hash(key) 相同，那么在当前数组下标的位置建立一个链表来保存数据。 【数组 + 链表 形式实现哈希表 核心代码结构：】
Step1：定义链表节点：
/**
* 链表节点
* @param <K> key
* @param <V> value
*/
class Node<K, V> {
K key; // key，用于 散列函数 计算的值
V value; // value，节点真实存储数据
Node<K, V> next; // 指向下一个节点 public Node(K key, V value) {
this.key = key;
this.value = value;
}
} Step2：构建链表：
/**
* 链表，用于存储数据
* @param <K>
* @param <V>
*/
class NodeList<K, V> {
Node<K, V> first; // 第一个节点，即存储真实数据，非头指针
} Step3：构建链表数组，以及散列函数。
/**
* 定义 哈希 结构，链表数组
* @param <K>
* @param <V>
*/
class HashTable<K, V> {
private int size = 16; // 默认大小为 16
NodeList<K, V>[] table; // 链表数组，散列函数 确定 数组下标位置，数组元素（链表） 用于存储值 public HashTable() {
this(16);
} public HashTable(int size) {
// 保存哈希表大小
this.size = size;
// 构建哈希表（数组）
this.table = new NodeList[this.size];
// 初始化每个数组元素 -- 链表，否则默认为 null
for (int i = 0; i < this.size; i++) {
this.table[i] = new NodeList<>();
}
} /**
* 散列函数，此处以 模运算 为例，可以使用 位运算
* @param key 待计算的 key
* @return 哈希值（数组下标）
*/
public int hash(K key) {
return key.hashCode() % size;
}
} 【实现简单的增、查：】
添加节点：
首先根据 key 通过 散列函数 计算后，得到 数组下标。
根据数组下标定位到 相应的链表，然后进行添加操作。
若当前链表为空，则添加数据为第一个节点。
若当前链表不空，则遍历链表，若发现相同 key，则替换其 value。
若没有相同 key，则遍历到链表末尾并添加节点。 查找节点：
同样根据 key 计算出数组下标，然后定位到相应的链表。
遍历链表，并比较 key，若 key 相同则返回 value，
若链表遍历完成仍不存在相同 key 则返回 null。
（2）代码实现
【代码实现：】
package com.lyh.tree; public class HashTableDemo { public static void main(String[] args) {
HashTable<Integer, String> hashTable = new HashTable<>(4);
hashTable.list(); System.out.println("=================");
for (int i = 0; i < 10; i++) {
hashTable.put(i, i + "");
}
hashTable.list(); System.out.println("=================");
hashTable.put(1, "Java");
hashTable.put(2, "Python");
hashTable.list();
System.out.println("================="); System.out.println("key = 2 的 value 为： " + hashTable.get(2));
}
} /**
* 定义 哈希 结构，链表数组
* @param <K>
* @param <V>
*/
class HashTable<K, V> {
private int size = 16; // 默认大小为 16
NodeList<K, V>[] table; // 链表数组，散列函数 确定 数组下标位置，数组元素（链表） 用于存储值 public HashTable() {
this(16);
} public HashTable(int size) {
// 保存哈希表大小
this.size = size;
// 构建哈希表（数组）
this.table = new NodeList[this.size];
// 初始化每个数组元素 -- 链表，否则默认为 null
for (int i = 0; i < this.size; i++) {
this.table[i] = new NodeList<>();
}
} /**
* 散列函数，此处以 模运算 为例，可以使用 位运算
* @param key 待计算的 key
* @return 哈希值（数组下标）
*/
public int hash(K key) {
return key.hashCode() % size;
} /**
* 向哈希表中添加数据
* @param key
* @param value
*/
public void put(K key, V value) {
// 通过 散列函数 根据 key 计算出 数组下标位置，然后向链表中添加数据
this.table[hash(key)].add(key, value);
} /**
* 查找节点
* @param key 查找条件
* @return 节点数据
*/
public V get(K key) {
// 通过 散列函数 根据 key 计算出 数组下标位置，然后从链表中取出数据
return this.table[hash(key)].find(key);
} /**
* 输出哈希表
*/
public void list() {
// 遍历数组，输出每个链表
for (int i = 0; i < this.size; i++) {
this.table[i].list(i);
}
}
} /**
* 链表，用于存储数据
* @param <K>
* @param <V>
*/
class NodeList<K, V> {
Node<K, V> first; // 第一个节点，即存储真实数据，非头指针 /**
* 在链表末尾添加节点
* @param key key
* @param value value
*/
public void add(K key, V value) {
// 保存数据到 链表第一个节点
if (first == null) {
first = new Node<>(key, value);
return;
}
Node<K, V> temp = first; // 使用临时变量保存 第一个节点，用于辅助链表遍历
// 遍历链表到末尾，并添加节点
while(temp.next != null) {
// 如果 key 相等，则替换原来的 value
if (key.equals(temp.key)) {
temp.value = value;
return;
}
temp = temp.next;
}
temp.next = new Node<>(key, value);
} /**
* 遍历输出链表
* @param i 当前数组下标，表示当前为第 i+1 链表
*/
public void list(int i) {
Node<K, V> temp = first; // 使用临时变量保存 第一个节点，用于辅助链表遍历
// 判断链表是否为空
if (temp == null) {
System.out.println("第 " + (i + 1) + " 链表为空");
return;
}
// 遍历输出链表
System.out.print("第 " + (i + 1) + " 链表为： ");
while(temp != null) {
System.out.print("[ key = " + temp.key + ", value = " + temp.value + " ] ==> ");
temp = temp.next;
}
System.out.println();
} /**
* 查找节点
* @param key 查找条件
* @return 查找失败返回 null，查找成功返回相应节点的 value
*/
public V find(K key) {
Node<K, V> temp = first; // 使用临时变量保存 第一个节点，用于辅助链表遍历
// 遍历链表，若发现相同 key，则返回
while(temp != null) {
if (key.equals(temp.key)) {
return temp.value;
}
temp = temp.next;
}
return null;
}
} /**
* 链表节点
* @param <K> key
* @param <V> value
*/
class Node<K, V> {
K key; // key，用于 散列函数 计算的值
V value; // value，节点真实存储数据
Node<K, V> next; // 指向下一个节点 public Node(K key, V value) {
this.key = key;
this.value = value;
}
} 【输出结果：】
第 1 链表为空
第 2 链表为空
第 3 链表为空
第 4 链表为空
=================
第 1 链表为： [ key = 0, value = 0 ] ==> [ key = 4, value = 4 ] ==> [ key = 8, value = 8 ] ==>
第 2 链表为： [ key = 1, value = 1 ] ==> [ key = 5, value = 5 ] ==> [ key = 9, value = 9 ] ==>
第 3 链表为： [ key = 2, value = 2 ] ==> [ key = 6, value = 6 ] ==>
第 4 链表为： [ key = 3, value = 3 ] ==> [ key = 7, value = 7 ] ==>
=================
第 1 链表为： [ key = 0, value = 0 ] ==> [ key = 4, value = 4 ] ==> [ key = 8, value = 8 ] ==>
第 2 链表为： [ key = 1, value = Java ] ==> [ key = 5, value = 5 ] ==> [ key = 9, value = 9 ] ==>
第 3 链表为： [ key = 2, value = Python ] ==> [ key = 6, value = 6 ] ==>
第 4 链表为： [ key = 3, value = 3 ] ==> [ key = 7, value = 7 ] ==>
=================
key = 2 的 value 为： Python
2、树
（1）什么是树？
树是一种 由 n 个节点组成的一种 具有层次关系的、类似树形的 数据结构。
其每个节点 均有 零个或 多个 子节点，每一个节点最多只有一个 父节点，没有父节点的 节点 称为 根节点。
（2）为什么需要树 这种 数据结构？
前面介绍了 数组、链表、以及 哈希表 等数据结构，可以用来存储数据。
所谓 存在即合理，每种数据结构的出现，必然能解决某种问题，下面分析一下优缺点。
【数组存储：】
数组采用 连续的 存储方式来 存储元素。查询快、增删慢。
优点：
可以通过 下标的方式 来访问（查找）元素，速度快。
且对于有序数组，可以通过 折半查找、插值查找 等方式提高 查找（检索）效率。
缺点：
对于 插入操作，可能会伴随着 数组扩容、数组元素整体后移等操作，效率较低。 【链表存储：】
链表采用 不连续的 存储方式来 存储元素。增删快、查询慢。
优点：
插入、删除节点时，无需整体移动元素，只需要修改 前、后 指针域 即可。效率较高。
缺点：
进行查找时，需要从头开始遍历链表，若链表过长，查询效率将会较低。 【哈希存储：】
哈希 采用 数组 + 链表 的方式存储元素，每个 数组元素 存储的是一个 链表。
优点：
其结合了 数组、链表 的优点，增、删、改、查 效率都可以，时间复杂度为 O(1)。
缺点：
由于哈希 存储的元素是无序的，若想按 顺序输出，实现起来就有点 麻烦。
且哈希只是单次查询效率高，若执行 n 次查找，时间复杂度将退化到 O(n)。
哈希表由数组实现，扩容也是影响效率的一个问题。 【树存储：（以二叉排序树为例）】
二叉排序树要求 任何一个 非叶子节点，其左子节点小于 当前节点，其右子节点 大于当前节点。
即 数据是有序的（中序遍历可得到有序序列）。其在一定程度上保证 增删 以及 查找的速率 较高。
注：
二叉排序树可能存在三种定义：
左子节点 小于等于 当前节点，右子节点 大于 当前节点。
左子节点 小于 当前节点，右子节点 大于等于 当前节点。
左子节点 小于 当前节点，右子节点 大于 当前节点。
（3）常见树分类：
二叉树、二叉排序树（BST）、平衡二叉树（AVL）、2-3 树、B 树（B-Tree）、B+ 树、赫夫曼树、红黑树 等。
3、二叉树、遍历二叉树(递归实现 前序、中序、后序 遍历)
（1）二叉树基本概念：
二叉树 是一种要求 每个节点 最多只有 两个子节点 的树结构。
注：
树 转 数组：
可以通过 前序遍历、中序遍历、后序遍历 三种遍历形式 遍历 二叉树 得到。
数组 转 树：
根据 前序遍历 + 中序遍历 得到的数组数据 逆向推出 二叉树。
根据 中序遍历 + 后序遍历 得到的数组数据 逆向推出 二叉树。
根据顺序二叉树的 特点（2*n + 1 、2*n + 2） 构建 顺序二叉树。
【二叉树常见分类：】
满二叉树：
如果 一个 n 层的二叉树 的所有叶子节点均在最后一层，
且节点总数为 2^n - 1，则该树为 满二叉树。 完全二叉树：
一棵深度为 k 的有 n 个结点的二叉树，对树中的结点按从上至下、从左到右的顺序进行编号，
如果编号为 i（1 ≤ i ≤ n）的结点与满二叉树中编号为 i 的结点在二叉树中的位置相同，则这棵二叉树称为完全二叉树。 顺序二叉树：
是二叉树的一种 存储形式（按照数组顺序，从上到下、从左到右 依次 给二叉树 添加树节点，得到一个完全二叉树 或者 满二叉树），
其 可以在 数组 与 树 之间相互转换。即 根据一个数组，可以得到 树 的结构，从树也可以反推 数组。
特点：
顺序二叉树通常只考虑 完全二叉树。
其第 n 个元素的左子节点为 2*n + 1。
其第 n 个元素的右子节点为 2*n + 2。
其第 n 个元素的父节点为 (n - 1) / 2。 （n 从 0 开始，即从数组第一个元素下标开始计数）。 线索二叉树：
对于 n 个节点的 二叉树，其总共含有 2*n - (n - 1) = n + 1 个空的指针域。
利用这些空的指针域，存放 当前节点 在 某次遍历（前序、中序、后续）下的 前驱、后继 节点的指针。
这些指向 前驱、后继 节点的指针称为 线索，使用这种线索的二叉树 称为线索二叉树。 即 线索二叉树的本质 是 将二叉树 当前节点的空闲指针 改为 指向当前节点 前驱 或者 后继 节点的过程。
而根据遍历的分类，前驱、后继节点会不同，可以分为：
前序线索二叉树、中序线索二叉树、后序线索二叉树。 还有 二叉搜索树（BST）、平衡二叉搜索树（AVT）等后续介绍。
（2）二叉树三种遍历方式（树 转 数组）
树 转 数组：
树 转 数组，也即 树的各节点 的遍历顺序，按照 当前节点、左子节点、右子节点 遍历的先后可以分为三种遍历：前序遍历、中序遍历、后序遍历。
此时以 递归方式实现，后续会补充 迭代实现。
【前序遍历：】
节点遍历顺序：
先输出 当前节点，再输出 左子节点，最后输出 右子节点。
遍历、查找步骤:
对于一颗 二叉树，若二叉树为空，则直接结束。
否则
输出 当前节点（若为查找，则在此处进行 值 比较，查找成功则退出）。
前序遍历 左子树。
前序遍历 右子树。
删除节点：
删除的规则可以自定义，不同的规则对应不同的代码实现。
比如：删除某带有左、右子树的节点，是整体删除 还是 将子节点 旋转到当前节点位置。
此处以整体删除为例：
由于二叉树是单向的（此处可以理解成 单链表 删除处理），
需要判断 当前节点的 子节点 是否为待删除的节点。若是，则直接将当前节点 子节点 置 null 即可。
即:
if (this.left.data == key) {
this.left = null;
return;
}
if (this.right.data == key) {
this.right = null;
return;
} 【中序遍历：】
节点遍历顺序：
先输出 左子节点，再输出 当前节点，最后输出 右子节点。
遍历、查找步骤:
对于一颗 二叉树，若二叉树为空，则直接结束。
否则
前序遍历 左子树。
输出 当前节点（若为查找，则在此处进行 值 比较）。
前序遍历 右子树。 【后序遍历：】
节点遍历顺序：
先输出 左子节点，再输出 右子节点，最后输出 当前节点。
遍历、查找步骤:
对于一颗 二叉树，若二叉树为空，则直接结束。
否则
前序遍历 左子树。
前序遍历 右子树。
输出 当前节点（若为查找，则在此处进行 值 比较）。 【代码实现：】
package com.lyh.tree; /**
* 构建二叉树
* @param <K>
*/
public class BinaryTree<K> {
private TreeNode<K> root; // 设置根节点 public BinaryTree(TreeNode<K> root) {
this.root = root;
} public static void main(String[] args) {
// 构建二叉树
TreeNode<String> root = new TreeNode<>("0");
TreeNode<String> treeNode = new TreeNode<>("1");
TreeNode<String> treeNode2 = new TreeNode<>("2");
TreeNode<String> treeNode3 = new TreeNode<>("3");
TreeNode<String> treeNode4 = new TreeNode<>("4");
root.left = treeNode;
root.right = treeNode2;
treeNode.left = treeNode3;
treeNode.right = treeNode4; // 设置树 根节点
BinaryTree<String> binaryTree = new BinaryTree<>(root);
// 前序遍历
System.out.print("前序遍历： ");
binaryTree.prefixList();
System.out.println("\n====================="); // 中序遍历
System.out.print("中序遍历： ");
binaryTree.infixList();
System.out.println("\n====================="); // 后序遍历
System.out.print("后序遍历： ");
binaryTree.suffixList();
System.out.println("\n====================="); // 前序查找
System.out.print("前序查找， ");
TreeNode<String> search = binaryTree.prefixSearch("1");
if (search != null) {
System.out.println("查找成功， 当前节点为： " + search + " ，其左节点为： " + search.left + " ，其右节点为： " + search.right);
} else {
System.out.println("查找失败");
}
System.out.println("\n====================="); // 删除节点
System.out.print("删除节点， ");
int result = binaryTree.deleteNode("3");
if (result != -1) {
System.out.println("成功");
} else {
System.out.println("失败");
}
System.out.print("当前树的前序遍历为： ");
binaryTree.prefixList();
System.out.println("\n=====================");
} /**
* 前序遍历
*/
public void prefixList() {
// 判断根节点是否存在
if (root == null) {
System.out.println("当前树为 空树");
return;
}
// 存在根节点，则进行前序遍历
root.prefixList();
} /**
* 前序查找
*/
public TreeNode<K> prefixSearch(K data) {
// 判断根节点是否存在
if (root == null) {
return null;
}
// 存在根节点，则进行前序遍历
return root.prefixSearch(data);
} /**
* 中序遍历
*/
public void infixList() {
// 判断根节点是否存在
if (root == null) {
System.out.println("当前树为 空树");
return;
}
// 存在根节点，则进行中序遍历
root.infixList();
} /**
* 后序遍历
*/
public void suffixList() {
// 判断根节点是否存在
if (root == null) {
System.out.println("当前树为 空树");
return;
}
// 存在根节点，则进行后序遍历
root.suffixList();
} /**
* 删除节点，删除失败返回 -1，否则返回 1
* @param data 待删除节点
* @return 删除失败返回 -1，否则返回 1
*/
public int deleteNode(K data) {
// 当根节点存在时，才可以进行删除节点操作
if (root != null) {
// 若恰好为 根节点，则直接将根节点置 null
if (data.equals(root.data)) {
root = null;
return 1;
}
// 否则递归删除
return root.deleteNode(data);
}
return -1;
}
} /**
* 定义树节点
* @param <K>
*/
class TreeNode<K> {
K data; // 保存节点数据
TreeNode<K> left; // 保存节点的 左子节点
TreeNode<K> right; // 保存节点的 右子节点 public TreeNode(K data) {
this.data = data;
} @Override
public String toString() {
return "TreeNode{ data= " + data + "}";
} /**
* 前序遍历
*/
public void prefixList() {
// 输出当前节点
System.out.print(this + " ");
// 若左子树不为空，则递归前序遍历 左子树
if (this.left != null) {
this.left.prefixList();
}
// 若右子树不为空，则递归前序遍历 右子树
if (this.right != null) {
this.right.prefixList();
}
} /**
* 前序查找
* @param data 待查找数据
* @return 查找失败返回 null，查找成功返回相应的数据
*/
public TreeNode<K> prefixSearch(K data) {
// 若当前节点即为待查找节点，则直接返回
if (data.equals(this.data)) {
return this;
}
TreeNode<K> result = null; // 用于保存查找节点
// 如果左子树不为空，则递归前序查找 左子树
if (this.left != null) {
result = this.left.prefixSearch(data);
}
// 若左子树查找成功，则返回
if (result != null) {
return result;
}
// 如果右子树不为空，则递归前序查找 右子树
if (this.right != null) {
result = this.right.prefixSearch(data);
}
return result;
} /**
* 中序遍历
*/
public void infixList() {
// 若左子树不为空，则递归中序遍历 左子树
if (this.left != null) {
this.left.infixList();
}
// 输出当前节点
System.out.print(this + " ");
// 若右子树不为空，则递归中序遍历 右子树
if (this.right != null) {
this.right.infixList();
}
} /**
* 后序遍历
*/
public void suffixList() {
// 若左子树不为空，则递归后序遍历 左子树
if (this.left != null) {
this.left.suffixList();
}
// 若右子树不为空，则递归后序遍历 右子树
if (this.right != null) {
this.right.suffixList();
}
// 输出当前节点
System.out.print(this + " ");
} /**
* 删除节点，此处若为非叶子节点，直接连同其 子节点 一起删除
* @param data 待删除数据
* @return 删除失败返回 -1，否则 返回 1
*/
public int deleteNode(K data) {
// 如果删除节点 恰好为 左子节点，则直接将 左子节点 置 null
if (this.left != null && data.equals(this.left.data)) {
this.left = null;
return 1;
}
// 如果删除节点 恰好为 右子节点，则直接将 右子节点 置 null
if (this.right != null && data.equals(this.right.data)) {
this.right = null;
return 1;
}
int result = -1;
// 若左子树不为 null，则递归左子树 查找节点并删除
if (this.left != null) {
result = this.left.deleteNode(data);
if (result != -1) {
return result;
}
}
// 若右子树不为 null，则递归右子树 查找节点并删除
if (this.right != null) {
result = this.right.deleteNode(data);
}
return result;
}
} 【输出结果：】
前序遍历： TreeNode{ data= 0} TreeNode{ data= 1} TreeNode{ data= 3} TreeNode{ data= 4} TreeNode{ data= 2}
=====================
中序遍历： TreeNode{ data= 3} TreeNode{ data= 1} TreeNode{ data= 4} TreeNode{ data= 0} TreeNode{ data= 2}
=====================
后序遍历： TreeNode{ data= 3} TreeNode{ data= 4} TreeNode{ data= 1} TreeNode{ data= 2} TreeNode{ data= 0}
=====================
前序查找， 查找成功， 当前节点为： TreeNode{ data= 1} ，其左节点为： TreeNode{ data= 3} ，其右节点为： TreeNode{ data= 4} =====================
删除节点， 成功
当前树的前序遍历为： TreeNode{ data= 0} TreeNode{ data= 1} TreeNode{ data= 4} TreeNode{ data= 2}
=====================
4、还原二叉树（前序 + 中序、后序 + 中序）
（1） 还原二叉树（数组 转 树）
前面通过 前序、中序、后序 遍历 可以 得到树的节点数据，那么根据 前序遍历、中序遍历、后序遍历 得到的数据能否反推 出 树结构呢？
数组 转 树（此处 不考虑 数组中存在相同值的情况，即各个树节点均不同）：
使用 前序遍历 + 中序遍历 或者 后序遍历 + 中序遍历 的形式可以反推。
其中：
前序遍历、后序遍历 存在是为了 定位 根节点 所在位置。
根节点定位后，就可以将 中序遍历 数组 分为 左、右 两部分（形成左、右 子树），递归处理即可。
使用 前序 + 后序 数组的方式 虽然可以定位 根节点，但是不知道如何 划分 左、右子树，从而无法正确推导出 二叉树。
（2）思路分析、代码实现
【前序遍历结果 + 中序遍历结果 还原 二叉树：】
前序遍历结果格式为：
[{根节点}{左子树}{右子树}]
中序遍历结果格式为：
[{左子树}{根节点}{右子树}] 还原步骤：
前序结果 第一个值 必为 根节点（当前节点），
通过该节点，可以将 中序结果 划分为 左子树、右子树。
通过 中序结果 划分的左子树的大小 可以将 前序结果 除根节点外 的值 划分为 左子树、右子树。
然后将 前序、中序 划分的 左子树、右子树 进行递归处理。 举例：
前序遍历结果： [0, 1, 3, 4, 2]
中序遍历结果： [3, 1, 4, 0, 2]
第一次划分：
前序结果：[0, 1, 3, 4, 2]，中序结果：[3, 1, 4, 0, 2]
根节点为 0，将中序结果划分为 左子树：[3, 1, 4], 右子树: [2]
根据中序结果 左子树大小划分 前序结果为 左子树：[1, 3 ,4], 右子树：[2]
第二次划分：
前序结果：[1, 3, 4]，中序结果：[3, 1, 4]
根节点为 1，将中序结果划分为 左子树：[3], 右子树: [4]
根据中序结果 左子树大小划分 前序结果为 左子树：[3], 右子树：[4]
第三次划分：
前序结果：[3]，中序结果：[3]
根节点为 3，将中序结果划分为 左子树：[], 右子树: []
根据中序结果 左子树大小划分 前序结果为 左子树：[], 右子树：[]
第四次划分：
前序结果、中序结果 均为空，退出。
同理依次进行处理。。。 【后序遍历结果 + 中序遍历结果 还原 二叉树：】
后序遍历结果格式为：
[{左子树}{右子树}{根节点}]
中序遍历结果格式为：
[{左子树}{根节点}{右子树}] 与 前序遍历 处理类似，只是此时根节点 位于末尾。
还原步骤：
后序结果 最后一个值 必为 根节点（当前节点），
通过该节点，可以将 中序结果 划分为 左子树、右子树。
通过 中序结果 划分的左子树的大小 可以将 后序结果 除根节点外 的值 划分为 左子树、右子树。
然后将 后序、中序 划分的 左子树、右子树 进行递归处理。 【代码实现：】
package com.lyh.tree; import java.util.ArrayList;
import java.util.Arrays;
import java.util.List; public class ArrayToBinaryTree<K> { public static void main(String[] args) {
// 构建二叉树
TreeNode6<String> root = new TreeNode6<>("0");
TreeNode6<String> treeNode = new TreeNode6<>("1");
TreeNode6<String> treeNode2 = new TreeNode6<>("2");
TreeNode6<String> treeNode3 = new TreeNode6<>("3");
TreeNode6<String> treeNode4 = new TreeNode6<>("4");
root.left = treeNode;
root.right = treeNode2;
treeNode.left = treeNode3;
treeNode.right = treeNode4; // 设置树 根节点
ArrayToBinaryTree<String> binaryTree = new ArrayToBinaryTree<>();
// 获取前序遍历结果
List<String> prefixResult = binaryTree.prefixList(root);
List<String> prefixResult2 = binaryTree.prefixList2(root);
System.out.println("前序遍历结果（方式一）： " + prefixResult);
System.out.println("前序遍历结果（方式二）： " + prefixResult2);
System.out.println("================================="); // 获取中序遍历结果
List<String> infixResult = binaryTree.infixList(root);
System.out.println("中序遍历结果： " + infixResult);
System.out.println("================================="); // 获取后序遍历结果
List<String> suffixResult = binaryTree.suffixList(root);
System.out.println("后序遍历结果： " + suffixResult);
System.out.println("================================="); // 使用 前序遍历结果 + 中序遍历结果 还原 二叉树
TreeNode6 root2 = binaryTree.prefixAndInfixToTree(prefixResult.toArray(new String[]{}), infixResult.toArray(new String[]{}));
System.out.println("还原后的二叉树前序遍历如下： " + binaryTree.prefixList(root2));
System.out.println("还原后的二叉树中序遍历如下： " + binaryTree.infixList(root2));
System.out.println("还原后的二叉树后序遍历如下： " + binaryTree.suffixList(root2));
System.out.println("================================="); // 使用 后序遍历结果 + 中序遍历结果 还原 二叉树
TreeNode6 root3 = binaryTree.suffixAndInfixToTree(suffixResult.toArray(new String[]{}), infixResult.toArray(new String[]{}));
System.out.println("还原后的二叉树前序遍历如下： " + binaryTree.prefixList(root3));
System.out.println("还原后的二叉树中序遍历如下： " + binaryTree.infixList(root3));
System.out.println("还原后的二叉树后序遍历如下： " + binaryTree.suffixList(root3));
System.out.println("=================================");
} /**
* 根据 前序遍历结果 + 中序遍历结果 还原 二叉树（此处不考虑 二叉树 节点相同值，即默认 二叉树 节点均不相同、没有重复元素）
* @param prefixResult 前序遍历结果
* @param infixResult 中序遍历结果
* @return 树的根节点
*/
public TreeNode6<K> prefixAndInfixToTree(K[] prefixResult, K[] infixResult) {
// 递归结束条件
if (prefixResult == null || infixResult == null || prefixResult.length <= 0 || infixResult.length <= 0) {
return null;
}
// 前序遍历结果 第一个值 肯定为 树的根节点
TreeNode6<K> root = new TreeNode6<>(prefixResult[0]);
// 查找、记录 中序序列 中 根节点 位置
int index = 0;
for (int i = 0; i < infixResult.length; i++) {
if (prefixResult[0].equals(infixResult[i])) {
index = i;
break;
}
} // 根据 根节点，将 中序遍历结果 划分为 左子树 以及 右子树，中序结果 左边即为左子树，右边即为 右子树
// 中序遍历结果：[{左子树}{根节点}{右子树}]
K[] leftInfixResult = Arrays.copyOfRange(infixResult, 0, index);
K[] rightInfixResult = Arrays.copyOfRange(infixResult, index + 1, infixResult.length); // 根据左子树 个数，将剩余 前序遍历 结果划分为 左子树、右子树
// 前序遍历结果为：[{根节点}{左子树}{右子树}]
K[] leftPrefixResult = Arrays.copyOfRange(prefixResult, 1, leftInfixResult.length + 1);
K[] rightPrefixResult = Arrays.copyOfRange(prefixResult, leftInfixResult.length + 1, prefixResult.length); // 设置 根（当前）节点 左、右子树
root.left = prefixAndInfixToTree(leftPrefixResult, leftInfixResult);
root.right = prefixAndInfixToTree(rightPrefixResult, rightInfixResult);
return root;
} /**
* 根据 后序遍历结果 + 前序遍历结果 还原 二叉树
* @param suffixResult 后序遍历结果
* @param infixResult 前序遍历结果
* @return 树的根节点
*/
public TreeNode6<K> suffixAndInfixToTree(K[] suffixResult, K[] infixResult) {
if (suffixResult == null || infixResult == null || suffixResult.length <= 0 || infixResult.length <= 0) {
return null;
}
// 后序遍历结果 最后一个值 肯定为 根节点（当前节点）
TreeNode6<K> root = new TreeNode6<>(suffixResult[suffixResult.length - 1]);
// 查找、记录 中序序列 中 根节点 位置
int index = 0;
for(int i = 0; i < infixResult.length; i++) {
if (root.data.equals(infixResult[i])) {
index = i;
break;
}
} // 根据 根节点，将 中序遍历结果 划分为 左子树 以及 右子树，中序结果 左边即为左子树，右边即为 右子树
// 中序遍历结果：[{左子树}{根节点}{右子树}]
K[] leftInfixResult = Arrays.copyOfRange(infixResult, 0, index);
K[] rightInfixResult = Arrays.copyOfRange(infixResult, index + 1, infixResult.length); // 根据左子树 个数，将剩余 后序遍历 结果划分为 左子树、右子树
// 后序遍历结果为：[{左子树}{右子树}{根节点}]
K[] leftSuffixResult = Arrays.copyOfRange(suffixResult, 0, leftInfixResult.length);
K[] rightSuffixResult = Arrays.copyOfRange(suffixResult, leftInfixResult.length, suffixResult.length - 1); // 设置 根（当前）节点 左、右子树
root.left = suffixAndInfixToTree(leftSuffixResult, leftInfixResult);
root.right = suffixAndInfixToTree(rightSuffixResult, rightInfixResult);
return root;
} /**
* 返回前序遍历结果（方式一）
* @param root 树的根节点
* @return 前序遍历结果
*/
public List<K> prefixList(TreeNode6<K> root) {
if (root == null) {
System.out.println("当前为空树");
return null;
}
return root.prefixList(new ArrayList<>());
} /**
* 返回前序遍历结果（方式二）
* @param root 树的根节点
* @return 前序遍历结果
*/
public List<K> prefixList2(TreeNode6<K> root) {
if (root == null) {
System.out.println("当前为空树");
return null;
}
List<K> result = new ArrayList<>();
root.prefixList2(result);
return result;
} /**
* 中序遍历
* @param root 树的根节点
* @return 中序遍历结果
*/
public List<K> infixList(TreeNode6<K> root) {
if (root == null) {
System.out.println("当前为空树");
return null;
}
List<K> result = new ArrayList<>();
root.infixList(result);
return result;
} /**
* 后序遍历
* @param root 树的根节点
* @return 后序遍历结果
*/
public List<K> suffixList(TreeNode6<K> root) {
if (root == null) {
System.out.println("当前为空树");
return null;
}
List<K> result = new ArrayList<>();
root.suffixList(result);
return result;
}
} /**
* 定义树节点
* @param <K>
*/
class TreeNode6<K> {
K data; // 保存节点数据
TreeNode6<K> left; // 保存 左子节点
TreeNode6<K> right; // 保存 右子节点 public TreeNode6(K data) {
this.data = data;
} /**
* 前序遍历（第一种方式：带有返回值的遍历）
* @param list 前序遍历序列
* @return 前序遍历结果
*/
public List<K> prefixList(List<K> list) {
// 用于保存当前序列，作用域只存在当前方法，返回时 作用域消失，即 递归时无需考虑会影响 上一次结果
List<K> result = new ArrayList<>(list);
// 添加当前节点
result.add(this.data);
// 递归添加左子节点
if (this.left != null) {
result = this.left.prefixList(result);
}
// 递归添加右子节点
if (this.right != null) {
result = this.right.prefixList(result);
}
return result;
} /**
* 前序遍历（第二种方式：无返回值的遍历）
* @param result 前序遍历序列
*/
public void prefixList2(List<K> result) {
// 保存当前节点
result.add(this.data);
// 递归添加左子节点
if (this.left != null) {
this.left.prefixList2(result);
}
// 递归添加右子节点
if (this.right != null) {
this.right.prefixList2(result);
}
} /**
* 中序遍历
* @param result 中序遍历序列
*/
public void infixList(List<K> result) {
// 递归遍历 左子节点
if (this.left != null) {
this.left.infixList(result);
}
// 保存当前节点
result.add(this.data);
// 递归遍历 右子节点
if (this.right != null) {
this.right.infixList(result);
}
} /**
* 后序遍历
* @param result 后序遍历序列
*/
public void suffixList(List<K> result) {
// 递归遍历 左子节点
if (this.left != null) {
this.left.suffixList(result);
}
// 递归遍历 右子节点
if (this.right != null) {
this.right.suffixList(result);
}
// 保存当前节点
result.add(this.data);
}
} 【输出结果：】
前序遍历结果（方式一）： [0, 1, 3, 4, 2]
前序遍历结果（方式二）： [0, 1, 3, 4, 2]
=================================
中序遍历结果： [3, 1, 4, 0, 2]
=================================
后序遍历结果： [3, 4, 1, 2, 0]
=================================
还原后的二叉树前序遍历如下： [0, 1, 3, 4, 2]
还原后的二叉树中序遍历如下： [3, 1, 4, 0, 2]
还原后的二叉树后序遍历如下： [3, 4, 1, 2, 0]
=================================
还原后的二叉树前序遍历如下： [0, 1, 3, 4, 2]
还原后的二叉树中序遍历如下： [3, 1, 4, 0, 2]
还原后的二叉树后序遍历如下： [3, 4, 1, 2, 0]
=================================
5、顺序二叉树（数组 与 树 互转）
（1）什么是顺序二叉树：
是二叉树的一种 存储形式（按照数组顺序，从上到下、从左到右 依次 给二叉树 添加树节点，得到一个完全二叉树 或者 满二叉树），
其 可以在 数组 与 树 之间相互转换。即 根据一个数组，可以得到 树 的结构，从树也可以反推 数组。
特点：
顺序二叉树通常只考虑 完全二叉树。
其第 n 个元素的左子节点为 2*n + 1。
其第 n 个元素的右子节点为 2*n + 2。
其第 n 个元素的父节点为 (n - 1) / 2。 （n 从 0 开始，即从数组第一个元素下标开始计数）。
（2）代码实现：
【核心：】
对于第 n 个元素（n 从 0 开始计数）：
其左子节点为 2*n + 1。
其右子节点为 2*n + 2。
无论 数组 转 树 还是 树 转 数组，都是根据这两个 值进行对应。
注：
通过先序、中序、后序 可以遍历树，
那么在遍历的同时将节点 设置到相应的 数组下标处，那么即可完成 树 转 数组。 【代码实现：】
package com.lyh.tree; import java.util.Arrays; public class ArrayBinaryTree<K> {
private K[] arrays; public ArrayBinaryTree(K[] arrays) {
this.arrays = arrays;
} public static void main(String[] args) {
// 构建数组
Integer[] arrays = new Integer[]{1, 2, 3, 4, 5, 6, 7};
ArrayBinaryTree<Integer> arrayBinaryTree = new ArrayBinaryTree<>(arrays); // 数组转为 树
TreeNode2 root = arrayBinaryTree.arraysToTree(); // 输出数组
System.out.println("数组为： " + Arrays.toString(arrays));
System.out.println("=============================="); // 输出树 的前序遍历结果
System.out.print("树 的前序遍历为： ");
root.prefixList();
System.out.println("\n=============================="); // 输出树 的中序遍历结果
System.out.print("树 的中序遍历为： ");
root.infixList();
System.out.println("\n=============================="); // 输出树 的后序遍历结果
System.out.print("树 的后序遍历为： ");
root.suffixList();
System.out.println("\n=============================="); System.out.print("树 转为数组为： ");
Object[] result = arrayBinaryTree.treeToArray(root);
System.out.println(Arrays.toString(result));
} /**
* 数组 转 树
* @return 树的根节点，若数组为空 则返回 null。
*/
public TreeNode2<K> arraysToTree() {
// 若数组为空，则不进行 转树 操作
if (arrays == null || arrays.length == 0) {
System.out.println("数据为空，无法转为树");
return null;
}
// 设置根节点
TreeNode2 root = new TreeNode2(arrays[0]);
// 根据数组值 构建树
root.arrayToTree(arrays, 0);
return root;
} public Object[] treeToArray(TreeNode2<K> root) {
// 判断树 是否为空树
if (root == null) {
System.out.println("数据为空，无法转为数组");
return null;
}
// 树非空，计算树节点个数
int length = root.size() + 1;
// 声明一个数组
Object[] arrays = new Object[length];
// 将树的数据 放入 数组对应 下标处
root.treeToArray(arrays, 0);
return arrays;
}
} /**
* 定义树节点
* @param <K>
*/
class TreeNode2<K> {
K data; // 保存节点数据
TreeNode2<K> left; // 保存节点的 左子节点
TreeNode2<K> right; // 保存节点的 右子节点 public TreeNode2(K data) {
this.data = data;
} @Override
public String toString() {
return "TreeNode2{ data = " + data + " }";
} /**
* 数组 转 树
* @param arrays 待转换数组
* @param index 当前数组下标（从 0 开始，表示数组第一个元素，同样表示为 根节点）
*/
public void arrayToTree(K[] arrays, int index) {
// 若当前节点存在 左节点，则递归构建 左子树
if (index * 2 + 1 < arrays.length) {
this.left = new TreeNode2<>(arrays[index * 2 + 1]);
this.left.arrayToTree(arrays, index * 2 + 1);
}
// 若当前节点存在 右节点，则递归构建 右子树
if (index * 2 + 2 < arrays.length) {
this.right = new TreeNode2<>(arrays[index * 2 + 2]);
this.right.arrayToTree(arrays, index * 2 + 2);
}
} /**
* 二叉树 转 数组（先序遍历实现）
* @param arrays 待转换数组
* @param index 数组下标
*/
public void treeToArray(Object[] arrays, int index) {
// 设置当前节点 到相应的数组下标处
arrays[index] = this.data;
// 遍历左子树
if (this.left != null) {
this.left.treeToArray(arrays, index * 2 + 1);
}
// 遍历右子树
if (this.right != null) {
this.right.treeToArray(arrays, index * 2 + 2);
}
} /**
* 前序遍历
*/
public void prefixList() {
// 输出当前节点
System.out.print(this + " ");
// 若左子树不为空，则递归前序遍历 左子树
if (this.left != null) {
this.left.prefixList();
}
// 若右子树不为空，则递归前序遍历 右子树
if (this.right != null) {
this.right.prefixList();
}
} /**
* 中序遍历
*/
public void infixList() {
// 若左子树不为空，则递归中序遍历 左子树
if (this.left != null) {
this.left.infixList();
}
// 输出当前节点
System.out.print(this + " ");
// 若右子树不为空，则递归中序遍历 右子树
if (this.right != null) {
this.right.infixList();
}
} /**
* 后序遍历
*/
public void suffixList() {
// 若左子树不为空，则递归后序遍历 左子树
if (this.left != null) {
this.left.suffixList();
}
// 若右子树不为空，则递归后序遍历 右子树
if (this.right != null) {
this.right.suffixList();
}
// 输出当前节点
System.out.print(this + " ");
} /**
* 求树节点总数
* @return 树节点总数
*/
public int size() {
int left = 0; // 左节点个数
int right = 0; // 右节点个数
// 递归求左节点个数
if (this.left != null) {
left = 1 + this.left.size();
}
// 递归求右节点个数
if (this.right != null) {
right = 1 + this.right.size();
}
// 返回总个数
return left + right;
}
} 【输出结果：】
数组为： [1, 2, 3, 4, 5, 6, 7]
==============================
树 的前序遍历为： TreeNode2{ data = 1 } TreeNode2{ data = 2 } TreeNode2{ data = 4 } TreeNode2{ data = 5 } TreeNode2{ data = 3 } TreeNode2{ data = 6 } TreeNode2{ data = 7 }
==============================
树 的中序遍历为： TreeNode2{ data = 4 } TreeNode2{ data = 2 } TreeNode2{ data = 5 } TreeNode2{ data = 1 } TreeNode2{ data = 6 } TreeNode2{ data = 3 } TreeNode2{ data = 7 }
==============================
树 的后序遍历为： TreeNode2{ data = 4 } TreeNode2{ data = 5 } TreeNode2{ data = 2 } TreeNode2{ data = 6 } TreeNode2{ data = 7 } TreeNode2{ data = 3 } TreeNode2{ data = 1 }
==============================
树 转为数组为： [1, 2, 3, 4, 5, 6, 7]
6、线索二叉树
（1）什么是线索二叉树？
对于 n 个节点的 二叉树，其总共含有 2*n - (n - 1) = n + 1 个空的指针域。
利用这些空的指针域，存放 当前节点 在 某次遍历（前序、中序、后续）下的 前驱、后继 节点的指针。
这些指向 前驱、后继 节点的指针称为 线索，使用这种线索的二叉树 称为线索二叉树。
即 线索二叉树的本质 是 将二叉树 当前节点的空闲指针 改为 指向当前节点 前驱 或者 后继 节点的过程。
而根据遍历的分类，前驱、后继节点会不同，可以分为：
前序线索二叉树、中序线索二叉树、后序线索二叉树。
（2）代码实现 中序线索二叉树
【定义树节点：】
对于每个节点的 左、右指针域 来说，可能是 空闲指针域，也可能指向 左、右 子节点。
需要对其进行区分，可以定义指针类型，比如：leftType，值为 0 时表示指向子节点， 值为 1 时表示为 空闲指针域（存储线索 -- 前驱、后继节点）
树节点：
class TreeNode3<K> {
K data; // 保存节点数据
TreeNode3<K> left; // 保存左子节点
TreeNode3<K> right; // 保存右子节点
byte leftType; // 值为 0 时表示为 左子节点，值为 1 时表示存储线索 -- 前驱节点
byte rightType; // 值为 0 时表示为 右子节点，值为 1 时表示存储线索 -- 后继节点 public TreeNode3(K data) {
this.data = data;
} @Override
public String toString() {
return "TreeNode3{ data= " + data + " }";
}
} 【构建线索二叉树（以 中序遍历 构建 线索二叉树 为例）：】
首先得构建一个 二叉树，可以使用 顺序二叉树（详见上例，数组 转 二叉树） 或者 手动构建。
中序遍历二叉树时，无法直接 明确 当前节点的 前驱、后继 节点。
可以使用变量 preNode 用于记录 当前节点的前驱节点。
若 当前节点 node 的左指针域 left 为 null，则将其 指向 前驱节点 preNode，并修改指针类型为 线索。
若 前驱节点 preNode 的右指针域 right 为 null，则将其 指向 当前节点 node，并修改指针类型为 线索。
在进入下一个 节点前，需要使用 前驱节点 保存 当前节点。
注：
此处使用变量记录 前驱节点 即可，当然使用 另一个变量 nextNode 记录 后继节点亦可实现。
即：
// 设置前驱节点
if (node.left == null) {
node.left = preNode; // 指向 当前节点 的前驱节点
node.leftType = 1; // 修改左指针域 指针类型为 线索
}
// 设置后继节点
if (preNode != null && preNode.right == null) {
preNode.right = node;
preNode.rightType = 1; // 修改右指针域 指针类型为 线索
}
// 进入下一个节点前，保存当前节点，作为前驱节点
preNode = node; 【遍历 线索二叉树（使用中序遍历 并根据 后继节点 的方式输出 中序线索二叉树）：】
由于 树节点 的 左、右指针 并不一定为空（存放了 前驱、后继 节点），原始的二叉树 前序、中序、后序遍历 方式已不适用。
但是一般通过其 前驱节点 或者 后继节点 查找。
以后继节点为例：
与 原始遍历 相同，按照 左子节点、当前节点、右子节点 的顺序 访问。
访问左子树，若 当前节点 左子节点为 线索（指向 前驱节点），则输出 当前节点，若不是，则按照 中序遍历 方式进行遍历。
访问右子树，若 当前节点 右子节点为 线索（指向 后继节点），则输出 后继节点，若不是，则按照 中序遍历 方式进行遍历。
即：
// 从 根节点 开始遍历（中序方式）
while(node != null) {
// 遍历左指针域, leftType = 0 时为左子树，依次往下遍历，直至 leftType = 1。表示当前节点的左指针域 线索化（即当前节点为有效节点）
while(node.leftType == 0) {
node = node.left;
}
// 操作当前节点
System.out.print(node + " ");
// 遍历右指针域，若当前节点的 右指针域 线索化，则输出当前节点的 后继节点
while(node.rightType == 1) {
node = node.right;
System.out.print(node + " ");
}
// 当前节点 右指针域 非线索化，则替换当前节点，开始下一次循环
node = node.right;
} 前驱节点方式：
与后继节点相反处理，按照 右子节点、当前节点、左子节点 的顺序访问。
最后返回的是 树的 逆序中序遍历 的顺序。 【代码实现：】
package com.lyh.tree; import java.util.Arrays; /**
* 线索二叉树
* @param <K>
*/
public class ThreadBinaryTree<K> {
private TreeNode3<K> preNode; // 用于记录当前节点的上一个节点 public static void main(String[] args) {
// 将数组 转为 顺序二叉树
Integer[] arrays = new Integer[]{1, 2, 3, 4, 5};
ThreadBinaryTree<Integer> threadBinaryTree = new ThreadBinaryTree<>();
TreeNode3<Integer> root = threadBinaryTree.arrayToTree(arrays, 0); // 使用 中序遍历 遍历 顺序二叉树，并添加线索，使其成为 中序线索二叉树
threadBinaryTree.infixCreateThreadBinaryTree(root);
// 中序遍历 以 后继节点 的方式 输出 中序线索二叉树
System.out.println("原数组为： " + Arrays.toString(arrays));
System.out.println("数组 ==> 转为中序线索二叉树（后继节点方式） 输出为： ");
threadBinaryTree.infixNextNodeList(root);
System.out.println("\n数组 ==> 转为中序线索二叉树（前驱节点方式） 输出为： ");
threadBinaryTree.infixPreNodeList(root);
} /**
* 根据数组构建一个 顺序二叉树
* @param arrays 数组
* @param index 数组下标
* @return 顺序二叉树
*/
public TreeNode3<K> arrayToTree(K[] arrays, int index) {
TreeNode3<K> root = null; // 设置根节点
// 递归数组并将对应的值存入 顺序二叉树
if (index >= 0 && index < arrays.length) {
// 设置当前节点
root = new TreeNode3<>(arrays[index]);
// 设置当前节点左子节点
root.left = arrayToTree(arrays, index * 2 + 1);
// 设置当前节点右子节点
root.right = arrayToTree(arrays, index * 2 + 2);
}
return root;
} /**
* 中序遍历并创建线索化二叉树
* @param node 树节点
*/
public void infixCreateThreadBinaryTree(TreeNode3<K> node) {
// 判断当前节点是否为空，即 叶子节点 或者 空树
if (node == null) {
return;
}
// 遍历左子节点
infixCreateThreadBinaryTree(node.left);
// 操作当前节点
// 设置前驱节点
if (node.left == null) {
node.left = preNode; // 指向 当前节点 的前驱节点
node.leftType = 1; // 修改左指针域 指针类型为 线索
}
// 设置后继节点
if (preNode != null && preNode.right == null) {
preNode.right = node;
preNode.rightType = 1; // 修改右指针域 指针类型为 线索
}
// 进入下一个节点前，保存当前节点，作为前驱节点
preNode = node;
// 遍历右子节点
infixCreateThreadBinaryTree(node.right);
} /**
* 以中序遍历方式 并根据 后继节点 输出 中序线索二叉树
* @param node 根节点
*/
public void infixNextNodeList(TreeNode3<K> node) {
// 从 根节点 开始遍历（中序方式）
while(node != null) {
// 遍历左指针域, leftType = 0 时为左子树，依次往下遍历，直至 leftType = 1。表示当前节点的左指针域 线索化（即当前节点为有效节点）
while(node.leftType == 0) {
node = node.left;
}
// 操作当前节点
System.out.print(node + " ");
// 遍历右指针域，若当前节点的 右指针域 线索化，则输出当前节点的 后继节点
while(node.rightType == 1) {
node = node.right;
System.out.print(node + " ");
}
// 当前节点 右指针域 非线索化，则替换当前节点，开始下一次循环
node = node.right;
}
} /**
* 以中序遍历方式 并根据 前驱节点 反向输出 中序线索二叉树
* @param node 根节点
*/
public void infixPreNodeList(TreeNode3 node) {
// 从根节点开始遍历
while(node != null) {
// 遍历右指针域，找到线索化 节点
while(node.right != null && node.rightType == 0) {
node = node.right;
}
// 操作当前节点
System.out.print(node + " ");
// 遍历左指针域，若当前左指针域 线索化，则输出当前节点的 前驱节点
while(node.left != null && node.leftType == 1) {
node = node.left;
System.out.print(node + " ");
}
// 当前节点 左指针域 非线索化，则替换当前节点，开始下一次循环
node = node.left;
}
}
} /**
* 定义树节点
* @param <K>
*/
class TreeNode3<K> {
K data; // 保存节点数据
TreeNode3<K> left; // 保存左子节点
TreeNode3<K> right; // 保存右子节点
byte leftType; // 值为 0 时表示为 左子节点，值为 1 时表示存储线索 -- 前驱节点
byte rightType; // 值为 0 时表示为 右子节点，值为 1 时表示存储线索 -- 后继节点 public TreeNode3(K data) {
this.data = data;
} @Override
public String toString() {
return "TreeNode3{ data= " + data + " }";
}
} 【输出结果：】
原数组为： [1, 2, 3, 4, 5]
数组 ==> 转为中序线索二叉树（后继节点方式） 输出为：
TreeNode3{ data= 4 } TreeNode3{ data= 2 } TreeNode3{ data= 5 } TreeNode3{ data= 1 } TreeNode3{ data= 3 }
数组 ==> 转为中序线索二叉树（前驱节点方式） 输出为：
TreeNode3{ data= 3 } TreeNode3{ data= 1 } TreeNode3{ data= 5 } TreeNode3{ data= 2 } TreeNode3{ data= 4 }
7、哈夫曼树（HuffmanTree、最优二叉树）
（1）什么是哈夫曼树？
哈夫曼树 又称 最优二叉树。对于 n 个节点 且 每个节点有一个值（权值），将这 n 个节点构建成一个 二叉树，使得该树的 带权路径长度（weighted path length，简称 wpl）最小。这样的二叉树 称为 最优二叉树（或者 哈夫曼树）。
注：
哈夫曼树构建完成后，n 个节点 均为 哈夫曼树 的叶子节点。
【基本关键词概念：】
路径 与 路径长度：
在一棵树中，一个节点 到达 另一个节点 之间的 分支通路 称为 路径。
通路中 分支的总数 称为 路径长度。 节点的权：
简单的理解为 节点中带有某含义的值。 节点的带权路径长度：
从根节点 到 该节点之间的路径长度 与 该节点的 权的乘积。 树的带权路径长度：
该树所有的 叶子节点 的带权路径长度 之和。 哈夫曼树（最优二叉树）：
树的带权路径（wpl）最小的二叉树 为 哈夫曼树。
一般权值越大的节点 离 根节点 越近 的二叉树才是最优二叉树。
wpl 相同的二叉树 其 哈夫曼树可能不同。
（2）创建 哈夫曼树
【哈夫曼树创建步骤：】
Step1：对于一组数据，先将数据 按照 权值 从小到大 排序。
Step2：将数据中每一个值 视为一个树节点（最简单的二叉树），
Step2.1：从数据中选取 权值 最小的两个值 作为 左、右子节点 并构建一个新的二叉树。
Step2.2：新的二叉树 权值为 左、右子节点 权值之和。
Step2.3：删除已被选择的左、右节点，并将新的节点 加入 数据中（按照权值从小到大排序）。
Step3：重复 Step2 操作，直至数据中只剩 一个值，即 哈夫曼树的 根节点。 注：
一般来说 权值最大 的叶子节点 离 根节点越近的 二叉树为 最优二叉树。
所以每次拼接时，均选取当前节点中 最小权值的两个节点进行拼接，将最大权值的节点留在最后拼接。 【代码实现：】
package com.lyh.tree; import java.util.ArrayList;
import java.util.Arrays;
import java.util.Collections;
import java.util.List; /**
* 哈夫曼树
*/
public class HuffmanTree<K> {
public static void main(String[] args) {
// 根据数组构建哈夫曼树（此处构建规则为 左子节点权值 小于 右子节点）
int[] arrays = new int[]{8, 3, 7, 13};
HuffmanTree<String> huffmanTree = new HuffmanTree<>();
TreeNode4 root = huffmanTree.createHuffmanTree(arrays);
// 输出哈夫曼树前序遍历
System.out.print("哈夫曼树前序遍历为： ");
root.prefixList();
} /**
* 构建哈夫曼树，返回树的根节点
* @param arrays 待构建树的数组（节点 权值 组成的数组）
* @return 哈夫曼树根节点
*/
public TreeNode4<K> createHuffmanTree(int[] arrays) {
// 构建树节点，此处借用 集合，并利用集合进行排序操作
List<TreeNode4<K>> lists = new ArrayList<>();
Arrays.stream(arrays).forEach( x -> {
lists.add(new TreeNode4<>(x));
});
// 遍历构建哈夫曼树，此处规则为 左子节点权值 小于 右子节点权值
while (lists.size() > 1) {
// 节点按权值 从小到大排序
Collections.sort(lists);
// 获取左子节点
TreeNode4<K> leftNode = lists.get(0);
// 获取右子节点
TreeNode4<K> rightNode = lists.get(1);
// 组合成 二叉树
TreeNode4<K> parentNode = new TreeNode4<>(leftNode.value + rightNode.value);
parentNode.left = leftNode;
parentNode.right = rightNode;
// 从集合中移除已使用节点，并将新节点添加到集合中
lists.remove(leftNode);
lists.remove(rightNode);
lists.add(parentNode);
}
// 集合中最后元素即为 哈夫曼树 根节点
return lists.get(0);
}
} /**
* 定义树节点
* @param <K>
*/
class TreeNode4<K> implements Comparable<TreeNode4<K>>{
K data; // 保存节点值
int value; // 保存节点权值
TreeNode4<K> left; // 保存左子节点
TreeNode4<K> right; // 保存右子节点 public TreeNode4(int value) {
this.value = value;
} @Override
public String toString() {
return "TreeNode4{ value = " + value + " }";
} @Override
public int compareTo(TreeNode4<K> o) {
return this.value - o.value;
} /**
* 前序遍历
*/
public void prefixList() {
// 输出当前节点
System.out.print(this + " ");
// 遍历左子节点
if (this.left != null) {
this.left.prefixList();
}
// 遍历右子节点
if (this.right != null) {
this.right.prefixList();
}
}
} 【输出结果：】
哈夫曼树前序遍历为： TreeNode4{ value = 31 } TreeNode4{ value = 13 } TreeNode4{ value = 18 } TreeNode4{ value = 8 } TreeNode4{ value = 10 } TreeNode4{ value = 3 } TreeNode4{ value = 7 }
8、哈夫曼编码 实现 文件压缩、解压
（1）什么是 哈夫曼编码？
哈夫曼编码 是一种 可变字长编码，可用于数据压缩、节省存储空间。
将文件转为 字节数组，并根据 各字节 出现频率为权值，构建哈夫曼树，并得到每个字节的 哈夫曼编码（出现频率越高的字节 其编码 越短，从而达到缩减存储空间的目的），再根据 哈夫曼编码将 字节转换为对应的 二进制 串，最后以 8 位为单位 压缩二进制串 成 字节数组，即可实现 文件的压缩。
（2）补充点 二进制 与 整数 相互转换的概念
【Java 中二进制 与 整数 互相转换：】
String 转 int：
int parseInt(String s, int radix);
其中：
s 表示 二进制字符串， radix 表示进制，
即 按照 几进制 去 处理 二进制字符串。 int 转 String：
String toBinaryString(int i);
其中：
i 表示待转换的整数。
注：
若结果为非负数，输出结果 前面的 0 会省略（处理时需要额外注意）。
比如： 5 可以为 101、0101、00101,，但是最终输出结果为 101. int 转 byte(强转)：
byte (byte)parseInt(String s, int radix) 【Java 中整数以 二进制 补码形式存储：】
Java 中整数使用 二进制 补码 的形式存储，
正数的 补码、反码、原码 均相同。
负数的 补码为 反码 加 1。
反码为 符号位不变，其余各位取反。
比如：
"10000101" 转为 int 型整数时， 即 Integer.parseInt("10000101", 2);
由于 "1000 0101" 转为 int，而 int 为 4 字节，即为 "0000 0000 0000 0000 0000 0000 1000 0101",
其符号位为 0，即整数，补码与原码相同，即最终显示为整数 133. "10000101" 转为 byte 型整数时，即 (byte)Integer.parseInt("10000101", 2);
由于 "10000101" 转为 byte，而 byte 为 1 字节，即为 "10000101"，
其符号位为 1，表示负数，其反码为符号位不变，各位取反，即 "11111010"。
而 补码为其反码 加 1，即最终为 "11111011",即最终显示为整数 -123.
注：
byte 范围为 -128 ~ 127，即 10000000 ~ 01111111。符号位不做计算。 【压缩处理最后一个字节可能遇到的问题：】
以 8 位为单位 将 二进制串 转为 字节（整数）数组 的时候，若 最后一个二进制串 不足 8 位，需要额外注意：
若不足 8 位直接存储为 字节，则解码时 可能会出错。
比如：
(byte)Integer.parseInt("0101", 2); 转为 byte 时其值为 5.
(byte)Integer.parseInt("00101", 2); 转为 byte 时其值也为 5.
若直接存储，那么解码时， Integer.toBinaryString(5); 输出为 101，
由于转换的是非负数，其前面的 0 会省略。并不知道其前面到底有 几个 0，从而解码失败。 我的解决方法是：
额外增加一个字节用于记录 最后一个 二进制串 的实际位数。
若 最后一个二进制串 转换为 byte 整数时 为 负数，则其符号位肯定为 1，肯定满足 8 位，此时记录 有效位数为 8 位。
若 最后一个二进制串 转换为 非负数，则其 解码时 前面的 0 会省略，此时先将其 高位补 0，然后根据最后一个 字节记录的 有效位数 去截取即可。
比如：
0101 转为 byte 整数 5，则额外增加一个字节整数 4，表示有效位数为 4 位。
00101 转为 byte 整数 5，则额外增加一个字节整数 5，表示有效位数为 5 位。
10000101 转为 byte 整数 -123，则额外增加要给字节整数 8，表示有效位数为 8 位。 注：
由于 0 会被省略，所以需要对 非负数 进行 高位补位，即 0101 需要变为 00000101。
可以与 256 进行 按位与运算，即 5 | 256 = 0101 | 100000000 = 100000101，
此时截取 后 8 位二进制串即为 补位成功的 二进制串。
此时，对于 0101，其有效位数为 4 位，即截取 后四位 二进制串。
对于 00101，其有效位数为 5 位，即截取 后五为 二进制串。
（3）哈夫曼如何 压缩、解压
【压缩文件的流程：】
Step1：读取文件，根据文件中 字节（字符） 出现的频率 作为权值，构建出 哈夫曼树。
将 字节 频率按 从小到大 排序，并构建 哈夫曼树。 Step2：通过 哈夫曼树，可以得到每个 字节 的唯一编码。
将指向左子节点分支命名为 0，指向右子节点分支命名为 1，
则从根节点 到 某个节点的路径 记为 该节点的 编码（比如：00，010，001 等）。 Step3：使用编码 去替换掉 字节。
将文件中所有的 字节 替换成 二进制编码。 Step4：将 8 位二进制 作为一个字节 进行转码，转成字节数组 进行存储，
最后一个 二进制串 不足 8 位时按 8 位处理，并额外增加一个字节用于记录其实际位数。 Step5：将 字节数组 以及 编码表 同时 输出到文件中（完成压缩）。 【解压文件的流程：】
Step1：读取文件中的 字节数组 以及 编码表。 Step2：将 字节数组 转为对应 的二进制串。 Step3：根据编码表 得到解码表，并根据 解码表 将 二进制串 转为字符。 Step4：输出到文件即可。
（3）代码实现
【代码实现：】
package com.lyh.tree; import java.io.*;
import java.util.*; public class HuffmanCode {
private Map<Byte, String> huffmanCodes = new HashMap<>(); // 用于保存 编码集，字节为 key，编码为 value
private Map<String, Byte> huffmanDeCodes = new HashMap<>(); // 用于保存 解码集，字节为 value，编码为 key public static void main(String[] args) {
// 测试 普通字符串
test();
// 测试读取、压缩文件
// String srcFile = "G:/1.pdf";
// String zipFile = "G:/zip.pdf";
// String unzipFile = "G:/unzip.pdf";
// testZipFile(srcFile, zipFile);
// testUnzipFile(zipFile, unzipFile);
} /**
* 测试文件 压缩
*/
public static void testZipFile(String srcFile, String zipFile) {
FileInputStream fis = null;
OutputStream os = null;
ObjectOutputStream oos = null;
try {
// 读取文件，将文件转为 对应的字节数组
fis = new FileInputStream(srcFile);
byte[] b = new byte[fis.available()];
fis.read(b); // 根据 字节数组 生成 哈夫曼树 以及 哈夫曼编码，根据 哈夫曼编码将 原字节数组 压缩 成新的字节数组
HuffmanCode huffmanCode = new HuffmanCode();
byte[] zipResult = huffmanCode.zipFile(b); // 输出文件，将 字节数组 输出到文件中,以对象的形式存储 数据，方便读取。
os = new FileOutputStream(zipFile);
oos = new ObjectOutputStream(os);
// 记录压缩后的字节数组
oos.writeObject(zipResult);
// 记录编码集
oos.writeObject(huffmanCode.huffmanCodes);
} catch (Exception e) {
System.out.println("文件操作异常");
} finally {
try {
fis.close();
oos.close();
os.close();
} catch (IOException e) {
System.out.println("文件关闭失败");
}
}
} /**
* 测试文件 解压
*/
public static void testUnzipFile(String srcFile, String unzipFile) {
InputStream is = null;
ObjectInputStream ois = null;
FileOutputStream fos = null;
try {
// 读取文件，将文件转为 对应的 字节数组 以及 哈夫曼编码
is = new FileInputStream(srcFile);
ois = new ObjectInputStream(is);
// 读取 字节数组
byte[] b = (byte[])ois.readObject();
// 读取 编码集
Map<Byte, String> codes = (Map<Byte, String>) ois.readObject(); // 根据 编码集 将 字节数组 解码，得到解压后的数组
HuffmanCode huffmanCode = new HuffmanCode();
huffmanCode.huffmanCodes = codes;
byte[] unzipResult = huffmanCode.deCompressAndConvert(b); // 将解压后的数组写入文件
fos = new FileOutputStream(unzipFile);
fos.write(unzipResult);
} catch (Exception e) {
System.out.println("文件操作异常");
} finally {
try {
ois.close();
is.close();
fos.close();
} catch (Exception e) {
System.out.println("文件");
} }
} /**
* 测试 压缩、解压 普通字符串
* Step1：读取 普通字符串 转为字节数组，
* Step2：根据字节数组 构建 哈夫曼树，
* Step3: 根据 哈夫曼树 得到 所有叶子节点的 编码，组成编码集。
*/
public static void test() {
// 将字符转为 字节数组，并生成对应的 哈夫曼树
HuffmanCode huffmanCode = new HuffmanCode();
String data = "Java C++";
TreeNode5 root = huffmanCode.createHuffman(data.getBytes()); System.out.println("当前字符串为： " + data);
System.out.println("转为字节数组为： " + Arrays.toString(data.getBytes()));
// 前序遍历输出 哈夫曼树
System.out.println("字节数组转哈夫曼树后，前序遍历输出哈夫曼树： ");
root.prefixList();
System.out.println("\n==============================="); // 根据 哈夫曼树，生成 字节对应的 编码表
huffmanCode.getCodes(root);
System.out.println("输出当前哈夫曼树 叶子节点 对应的编码表： ");
huffmanCode.hufumanCodesList();
System.out.println("\n==============================="); // 根据编码集，将 字符串对应的字节数组 转为 二进制，并以 8 位为单位 进一步转为 字节数组存储
System.out.println("压缩前的字节数组为： " + Arrays.toString(data.getBytes()));
byte[] result = huffmanCode.convertAndCompress(data.getBytes());
System.out.println("压缩后的字节数组为： " + Arrays.toString(result));
System.out.println("\n==============================="); // 解压字节数组
byte[] newReult = huffmanCode.deCompressAndConvert(result);
System.out.println("解压后的字节数组为： " + Arrays.toString(newReult));
System.out.println("解压后的字符串为：" + new String(newReult));
} /**
* 压缩文件
* @param arrays 待压缩字节数组
* @return 压缩后的字节数组
*/
public byte[] zipFile(byte[] arrays) {
// 根据字节数组 字节出现频率 构建 哈夫曼树，根据 哈夫曼树 生成对应的 哈夫曼编码
getCodes(createHuffman(arrays));
// 根据 哈夫曼编码 将字节数组 对应的字节 转为 二进制串，二进制串 以 8 位为单位再转为 字节数组存储
return convertAndCompress(arrays);
} /**
* 解压文件
* @param arrays 待解压字节数组
* @return 解压后的字节数组
*/
public byte[] unzipFile(byte[] arrays) {
return deCompressAndConvert(arrays);
} /**
* 构建哈夫曼树
* @param arrays 字节数组
* @return 哈夫曼树根节点
*/
public TreeNode5 createHuffman(byte[] arrays) {
// 遍历字节数组，记录 每个字节 出现的频率作为 权值，使用 哈希表，key 存字节，value 存字节出现频率
Map<Byte, Long> map = new HashMap<>();
for (byte temp : arrays) {
map.put(temp, map.getOrDefault(temp, 0L) + 1);
}
// 根据 权值 创建树节点
List<TreeNode5> lists = new ArrayList<>();
for (Map.Entry<Byte, Long> temp : map.entrySet()) {
lists.add(new TreeNode5(temp.getKey(), temp.getValue()));
}
// Collections.sort(lists);
// System.out.println("权值集合为： " + lists);
// System.out.println("==============================="); // 遍历构建 哈夫曼树
while(lists.size() > 1) {
// 排序，从小到大排序（即 哈夫曼树 左子节点权值 小于 右子节点）
Collections.sort(lists);
// 获取左子节点
TreeNode5 leftNode = lists.get(0);
// 获取右子节点
TreeNode5 rightNode = lists.get(1);
// 创建二叉树（此处非叶子节点 值为 null，只含有权值）
TreeNode5 parentNode = new TreeNode5(null, leftNode.value + rightNode.value);
parentNode.left = leftNode;
parentNode.right = rightNode;
// 移除已使用节点，添加新节点
lists.remove(leftNode);
lists.remove(rightNode);
lists.add(parentNode);
}
// 返回哈夫曼树根节点
return lists.get(0);
} /**
* 获取 哈夫曼树 所有 叶子节点 的路径，即 编码字符串。
* 规定：左分支为 0，右分支 为 1.
* @param node 哈夫曼树根节点
*/
public void getCodes(TreeNode5 node, String code, StringBuilder stringBuilder) {
// 构建一个新的 StringBuilder 用于拼接字符串，当某次递归方法调用结束后，此变量作用域会消失，即不会影响之前的 StringBuilder
StringBuilder stringBuilder2 = new StringBuilder(stringBuilder);
stringBuilder2.append(code);
// 判断当前节点是否为 空
if (node != null) {
// 若当前节点值不为 null，即为 叶子节点
if (node.data != null) {
// 保存到 编码集 中
huffmanCodes.put(node.data, stringBuilder2.toString());
} else {
// 递归遍历左子树（左子节点），左分支为 0
getCodes(node.left, "0", stringBuilder2);
// 递归遍历右子树（右子节点），右分支为 1
getCodes(node.right, "1", stringBuilder2);
}
}
} /**
* 重载 获取 编码集方法，根据 根节点 遍历 哈夫曼树
* @param root 哈夫曼树根节点
*/
public void getCodes(TreeNode5 root) {
getCodes(root, "", new StringBuilder());
} /**
* 根据 编码集 得到 解码集
* @param huffmanCodes 解码集
*/
public void getDeCodes(Map<Byte, String> huffmanCodes) {
for (Map.Entry<Byte, String> temp : huffmanCodes.entrySet()) {
huffmanDeCodes.put(temp.getValue(), temp.getKey());
}
} /**
* 输出 编码表
*/
public void hufumanCodesList() {
for(Map.Entry<Byte, String> map : huffmanCodes.entrySet()) {
System.out.print("[ Byte = " + map.getKey() + ", String = " + map.getValue() + " ] ==> ");
}
} /**
* 输出 解码表
*/
public void hufumanDeCodesList() {
for(Map.Entry<String, Byte> map : huffmanDeCodes.entrySet()) {
System.out.print("[ String = " + map.getKey() + ", Byte = " + map.getValue() + " ] ==> ");
}
} /**
* 将 字符串 对应的字节数组，根据 编码表 转为 对应的 二进制串。
* 将 二进制串 以 8 位为 一个单位，进一步转为 字节数组
* @param arrays 待压缩的字节数组（字符串转换的字节数组）
* @return 压缩后的字节数组
*/
public byte[] convertAndCompress(byte[] arrays) {
// 根据 编码表，将 字节数组 转为对应的 二进制串 并 拼接
StringBuilder stringBuilder = new StringBuilder();
for (byte temp : arrays) {
stringBuilder.append(huffmanCodes.get(temp));
}
// System.out.println("转换的二进制串为： " + stringBuilder.toString());
// 以 8 位二进制为单位，将 二进制串 转为字节数组，不足 8 位 按 8 位处理，并额外增加一个字节用于记录其实际长度。
// byte[] result = new byte[stringBuilder.length() % 8 == 0 ? stringBuilder.length() / 8 : stringBuilder.length() / 8 + 1];
byte[] result = new byte[(stringBuilder.length() + 7) / 8 + 1];
for(int i = 0, j = 0; i < result.length && j < stringBuilder.length(); i++, j += 8) {
if (j + 8 < stringBuilder.length()) {
/**
* 整数使用 补码 的形式存储，
* 正数的 补码、反码、原码 均相同。
* 负数的 补码为 反码 加 1。
* 反码为 符号位不变，其余各位取反。
* 比如： 1110 0110，其符号位为 1，表示负数，则其转为整数后 为 其反码 加 1，即 1001 1010，即 -26
*/
result[i] = (byte)Integer.parseInt(stringBuilder.substring(j, j + 8), 2);
} else {
// 额外增加一个字节用于记录其实际长度，若 恰好为 8 位，则记录 8 位，否则 记录 1 ~ 7
result[i] = (byte)Integer.parseInt(stringBuilder.substring(j), 2);
result[i + 1] = (byte)stringBuilder.substring(j).length();
}
}
return result;
} /**
* 将压缩后的字节数组 转为 二进制字符串，并根据 编码表(解码表) 转为 字节数组
* @param arrays 压缩后的字节数组
* @return 解压后的字节数组
*/
public byte[] deCompressAndConvert(byte[] arrays) {
// 用于字符串拼接
StringBuilder stringBuilder = new StringBuilder();
// 遍历压缩后的字节数组，转为对应的 二进制 字符串
for (int i = 0; i < arrays.length - 1; i++) {
/**
* 使用 Integer.toBinaryString() 可以将 int 型 转为 二进制 字符串。
* 所以先将 byte 转为 int，但由于 int 为 4 字节，byte 为 1 字节，所以需要截取 int 后 8 位作为 byte 对应的 二进制字符串。
* Integer.toBinaryString() 对于非负数，其前面的 0 会默认不显示，可能造成不足 8 位的情况，所以需要对其 进行 补位。
* 比如：
* Integer.toBinaryString(5) 输出为 101，但其真实对应的应该为 0000 0101，
* 可以使用 5 | 256 的方式，即 101 | 1 0000 0000 进行 按位与运算。结果为 1 0000 0101，再截取 后 8 位即为对应的 二进制字符串。
*
* Integer.toBinaryString() 对于负数，转换为 int 后，会显示 32 位，首位为 1，所以无需补位，直接截取低 8 位即可。
*
* 倒数最后一个字节，表示 倒数第二个字节 实际转换的 二进制串 位数，
* 所以 处理倒数第二个字节时，需要根据 倒数最后一个字节 进行 字符串截取操作。
*/
int temp = arrays[i];
// 低 8 位 与 1 0000 0000 进行按位与运算，比如： 101 | 1 0000 0000 = 1 0000 0101
temp |= 256;
String str = Integer.toBinaryString(temp);
// 若当前为倒数第二个字节，则根据 倒数第一个字节 记录的值 去截取 倒数第二个字节 的实际字符串
if (i + 1 == arrays.length - 1) {
stringBuilder.append(str.substring(arrays[i + 1] + 1));
} else {
stringBuilder.append(str.substring(str.length() - 8));
}
} // 根据 编码集 得到 解码集
getDeCodes(huffmanCodes);
System.out.println("输出编码表 对应的 解码表： ");
hufumanDeCodesList();
System.out.println("\n==============================="); // 保存转换的二进制字符串
List<Byte> list = new ArrayList<>();
// 根据解码集，将 二进制字符串 转换成 字节数组
for(int i = 0, j = 1; j <= stringBuilder.length(); j++) {
Byte temp = huffmanDeCodes.get(stringBuilder.substring(i, j));
if (temp != null) {
list.add(temp);
i = j;
}
}
// 第一种返回方式：Byte[] newResult = list.toArray(new Byte[list.size()]);
// 第二种返回方式：
byte[] result = new byte[list.size()];
for(int i = 0; i < list.size(); i++) {
result[i] = list.get(i);
}
return result;
}
} /**
* 定义树节点
*/
class TreeNode5 implements Comparable<TreeNode5> {
Byte data; // 保存节点数据
Long value; // 保存节点权值（字符出现频率）
TreeNode5 left; // 保存左子节点
TreeNode5 right; // 保存右子节点 @Override
public int compareTo(TreeNode5 o) {
return (int)(this.value - o.value);
} public TreeNode5(Byte data, Long value) {
this.data = data;
this.value = value;
} @Override
public String toString() {
return "TreeNode5{ data = " + data + ", value = " + value + " }";
} /**
* 前序遍历
*/
public void prefixList() {
// 输出当前节点
System.out.print(this + " ");
// 遍历左子节点
if (this.left != null) {
this.left.prefixList();
}
// 遍历右子节点
if (this.right != null) {
this.right.prefixList();
}
}
} 【输出结果：】
当前字符串为： Java C++
转为字节数组为： [74, 97, 118, 97, 32, 67, 43, 43]
字节数组转哈夫曼树后，前序遍历输出哈夫曼树：
TreeNode5{ data = null, value = 8 } TreeNode5{ data = null, value = 4 } TreeNode5{ data = 97, value = 2 } TreeNode5{ data = 43, value = 2 } TreeNode5{ data = null, value = 4 } TreeNode5{ data = null, value = 2 } TreeNode5{ data = 32, value = 1 } TreeNode5{ data = 67, value = 1 } TreeNode5{ data = null, value = 2 } TreeNode5{ data = 118, value = 1 } TreeNode5{ data = 74, value = 1 }
===============================
输出当前哈夫曼树 叶子节点 对应的编码表：
[ Byte = 32, String = 100 ] ==> [ Byte = 97, String = 00 ] ==> [ Byte = 67, String = 101 ] ==> [ Byte = 118, String = 110 ] ==> [ Byte = 74, String = 111 ] ==> [ Byte = 43, String = 01 ] ==>
===============================
压缩前的字节数组为： [74, 97, 118, 97, 32, 67, 43, 43]
压缩后的字节数组为： [-26, 37, 5, 4] ===============================
输出编码表 对应的 解码表：
[ String = 00, Byte = 97 ] ==> [ String = 110, Byte = 118 ] ==> [ String = 100, Byte = 32 ] ==> [ String = 111, Byte = 74 ] ==> [ String = 01, Byte = 43 ] ==> [ String = 101, Byte = 67 ] ==>
===============================
解压后的字节数组为： [74, 97, 118, 97, 32, 67, 43, 43]
解压后的字符串为：Java C++
9、二叉排序树（二叉搜索树、BST）
（1）什么是 BST？
BST 可以是 Binary Sort Tree 的缩写（二叉排序树），也可以是 Binary Search Sort 的缩写（二叉搜索树）。其查询效率 相比于 链式结构 高。
【BST 特点：】
对于一颗二叉树，其满足如下定义：
任何一个非叶子节点，其左子节点的值 小于 当前节点。
任何一个非叶子节点，其右子节点的值 大于 当前节点。 注：
若存在 节点相等的情况，可以将该节点 放在 左子节点 或者 右子节点 处。
即 二叉排序树可能存在三种定义：
左子节点 小于等于 当前节点，右子节点 大于 当前节点。
左子节点 小于 当前节点，右子节点 大于等于 当前节点。
左子节点 小于 当前节点，右子节点 大于 当前节点。
（2）BST 增、删、查 操作
此处规定 左子节点 小于 当前节点，右子节点 大于等于 当前节点。
【添加节点：】
若 待添加节点 小于 当前节点，则 递归向 当前节点 左子节点 进行添加操作。
若 待添加节点 大于等于 当前节点，则 递归向 当前节点 右子节点 进行添加操作。 【查找节点：】
若 待查找节点 等于 当前节点，则 查找成功。
若 待查找节点 小于 当前节点，则 递归向 左子节点 查找。
若 待查找节点 大于等于 当前节点，则 递归向 右子节点 查找。 【删除节点：】
删除节点可能存在三种情况：
删除的是 叶子节点。
删除的是 非叶子节点，且 只有一个子节点。
删除的是 非叶子节点，且 有两个子节点。 若删除的是 叶子节点：
Step1：先去查找需要删除的节点是否存在，存在则进行下面操作。
Step2：若删除节点为 根节点，则根节点直接置 null。即 root = null;
Step3：若删除节点不是 根节点，则 找到 待删除节点的 父节点，
若 待删除节点为 父节点 的 左子节点，则将左子节点置 null。即 parent.left = null;
若 待删除节点为 父节点 的 右子节点，则将右子节点置 null。即 parent.right = null; 若删除的是 非叶子节点，且 只有一个子节点。
Step1 同上。
Step2：若删除节点为 根节点，则根节点直接指向 子节点即可。
Step3：找到 待删除节点的 父节点，并判断 待删除节点 子节点 是 左子节点 还是 右子节点。
若 待删除节点为 父节点 的 左子节点，且 待删除节点 存在 左子节点，则 父节点的 左子节点 直接指向 删除节点的左子节点。即 parent.left = node.left;
若 待删除节点为 父节点 的 左子节点，且 待删除节点 存在 右子节点，则 父节点的 左子节点 直接指向 删除节点的右子节点。即 parent.left = node.right;
若 待删除节点为 父节点 的 右子节点，且 待删除节点 存在 左子节点，则 父节点的 右子节点 直接指向 删除节点的左子节点。即 parent.right = node.left;
若 待删除节点为 父节点 的 右子节点，且 待删除节点 存在 右子节点，则 父节点的 右子节点 直接指向 删除节点的右子节点。即 parent.right = node.right; 若删除的是 非叶子节点，且 有两个子节点。
Step1 同上。
Step2：找到 待删除节点，并找到 其右子树最小值 或者 左子树最大值，
删除找到的节点，并将其值置于 待删除节点处。
即 保证将 左子树 的最大值 放置到 中间节点 或者 将 右子树 最小值 放到中间节点。
使得 左子树的所有节点 小于 中间节点， 右子树的所有节点 大于等于 中间节点。 【代码实现：】
package com.lyh.tree; import java.util.ArrayList;
import java.util.Arrays;
import java.util.List; public class BinarySearchTree {
private TreeNode7 root; // 设置根节点 public static void main(String[] args) {
// 构造二叉排序树
BinarySearchTree binarySearchTree = new BinarySearchTree();
int[] arrays = new int[]{7, 3, 10, 12, 5, 1, 9};
for (int temp : arrays) {
binarySearchTree.addNote(temp);
} // 输出原数组
System.out.println("原数组为： " + Arrays.toString(arrays));
System.out.println("======================================"); // 输出中序遍历结果
System.out.println("二叉排序树中序遍历结果为： " + binarySearchTree.infixList());
System.out.println("======================================"); // 输出查找结果
System.out.println("查找 10： " + binarySearchTree.search(10));
System.out.println("查找 20： " + binarySearchTree.search(20));
System.out.println("查找 9： " + binarySearchTree.search(9));
System.out.println("======================================"); // 输出查找节点的父节点
System.out.println("查找 9： " + binarySearchTree.searchParent(9));
System.out.println("查找 7： " + binarySearchTree.searchParent(7));
System.out.println("======================================"); // 输出删除后的 二叉搜索树
for (int i = 0; i < arrays.length; i++) {
System.out.println("删除 " + arrays[i] + " : " + binarySearchTree.deleteNode(arrays[i]));
System.out.println("二叉排序树中序遍历结果为： " + binarySearchTree.infixList());
System.out.println("======================================");
}
} /**
* 添加节点
* @param data 数据
*/
public void addNote(int data) {
if (root == null) {
root = new TreeNode7(data);
return;
}
root.addNode(new TreeNode7(data));
} /**
* 中序遍历
* @return 中序遍历结果
*/
public List infixList() {
if (root == null) {
System.out.println("为空树");
return null;
}
return root.infixList(new ArrayList());
} /**
* 查找节点
* @param data 待查找数据
* @return 若查找失败返回 null
*/
public TreeNode7 search(int data) {
// 根节点不存在时，返回 null
if (root == null) {
return null;
}
return root.search(data);
} /**
* 查找节点的父节点
* @param data 待查找数据
* @return 若查找失败返回 null
*/
public TreeNode7 searchParent(int data) {
// 根节点不存在时，返回 null
if (root == null) {
return null;
}
return root.searchParent(data);
} /**
* 删除节点
* @param data 待删除节点
* @return 删除失败返回 -1，删除成功返回 0
*/
public int deleteNode(int data) {
// 先查找 待删除节点 是否存在
TreeNode7 node = search(data);
// 删除节点存在，则进行删除操作
if (node != null) {
// 查找待删除节点的父节点
TreeNode7 parent = searchParent(data); // 删除节点不为根节点时,
// 若删除的是 叶子节点，则判断当前 删除节点为 父节点的左子节点 还是 右子节点
if (node.left == null && node.right == null) {
// parent 为空，则删除节点为 根节点,直接将 根节点置 null
if (parent == null) {
root = null;
return 0;
}
if (parent.left != null && parent.left.data == data) {
parent.left = null;
} else {
parent.right = null;
}
return 0;
} // 若删除的是 非叶子节点，且只有一个 左子节点。
if (node.left != null && node.right == null) {
// parent 为空，则删除节点为 根节点，直接赋值为 左子节点 即可
if (parent == null) {
root = node.left;
return 0;
}
// 若待删除节点为 父节点的左子节点
if (parent.left != null && parent.left.data == data) {
parent.left = node.left;
} else {
// 若 待删除节点为 父节点的 右子节点
parent.right = node.left;
}
return 0;
} // 若删除的是 非叶子节点，且只有一个 右子节点
if (node.right != null && node.left == null) {
// parent 为空，则删除节点为 根节点，直接赋值为 右子节点 即可
if (parent == null) {
root = node.right;
return 0;
}
// 若待删除节点为 父节点的左子节点
if (parent.left != null && parent.left.data == data) {
parent.left = node.right;
} else {
// 若 待删除节点为 父节点的 右子节点
parent.right = node.right;
}
return 0;
} // 若删除的是 非叶子节点，且有两个 子节点
// 找到 右子树 最小值，并覆盖 待删除节点，则满足 二叉搜索树条件
TreeNode7 minRightNode = node.right;
while(minRightNode.left != null) {
minRightNode = minRightNode.left;
}
// 记录 右子树最小值
int minRightData = minRightNode.data;
// 删除 右子树最小值
deleteNode(minRightData);
// 将最小值 覆盖 待删除节点，即完成 删除操作
node.data = minRightData;
return 0;
}
// 删除节点不存在，返回 -1，表示删除失败
return -1;
}
} /**
* 定义树节点
*/
class TreeNode7 {
int data; // 保存节点数据
TreeNode7 left; // 保存 左子节点
TreeNode7 right; // 保存 右子节点 public TreeNode7(int data) {
this.data = data;
} @Override
public String toString() {
return "TreeNode7{ data = " + data + ", left = " + left + ", right = " + right + " }";
} /**
* 中序遍历
* @param result 中序遍历结果
* @return 中序遍历结果
*/
public List infixList(List result) {
// 递归遍历 左子节点
if (this.left != null) {
this.left.infixList(result);
}
// 保存 当前节点
result.add(this.data);
// 递归遍历 右子节点
if (this.right != null) {
this.right.infixList(result);
}
return result;
} /**
* 添加节点
* @param node 节点
*/
public void addNode(TreeNode7 node) {
// 节点不存在时，不添加
if (node == null) {
return;
}
// 节点存在时
if (this.data > node.data) {
// 数据小于当前节点时，在左子树进行添加
if (this.left != null) {
this.left.addNode(node);
} else {
this.left = node;
}
} else {
// 数据大于等于当前节点是，在右子树进行添加
if (this.right != null) {
this.right.addNode(node);
} else {
this.right = node;
}
}
} /**
* 查找节点
* @param data 待查找数据
* @return 查找失败返回 null
*/
public TreeNode7 search(int data) {
// 当前节点 即为 待查找节点
if (this.data == data) {
return this;
}
// 若 当前节点 大于 待查找节点，则递归左子树进行查找
if (this.data > data && this.left != null) {
return this.left.search(data);
}
// 若 当前节点 小于等于 待查找节点，则递归右子树进行查找
if (this.data <= data && this.right != null) {
return this.right.search(data);
}
// 查找失败返回 null
return null;
} /**
* 查找节点
* @param data 待查找数据
* @return 查找失败返回 null
*/
public TreeNode7 searchParent(int data) {
// 若当前节点 左子树 或者 右子树 查找数据成功，返回 当前节点
if ((this.left != null && this.left.data == data) || (this.right != null && this.right.data == data)) {
return this;
}
// 若 当前节点 大于 待查找节点，则递归 左子树查找
if (this.data > data && this.left != null) {
return this.left.searchParent(data);
}
// 若 当前节点 小于等于 待查找节点，则递归 右子树查找
if (this.data <= data && this.right != null) {
return this.right.searchParent(data);
}
// 查找失败，返回 null
return null;
}
} 【输出结果：】
原数组为： [7, 3, 10, 12, 5, 1, 9]
======================================
二叉排序树中序遍历结果为： [1, 3, 5, 7, 9, 10, 12]
======================================
查找 10： TreeNode7{ data = 10, left = TreeNode7{ data = 9, left = null, right = null }, right = TreeNode7{ data = 12, left = null, right = null } }
查找 20： null
查找 9： TreeNode7{ data = 9, left = null, right = null }
======================================
查找 9： TreeNode7{ data = 10, left = TreeNode7{ data = 9, left = null, right = null }, right = TreeNode7{ data = 12, left = null, right = null } }
查找 7： null
======================================
删除 7 : 0
二叉排序树中序遍历结果为： [1, 3, 5, 9, 10, 12]
======================================
删除 3 : 0
二叉排序树中序遍历结果为： [1, 5, 9, 10, 12]
======================================
删除 10 : 0
二叉排序树中序遍历结果为： [1, 5, 9, 12]
======================================
删除 12 : 0
二叉排序树中序遍历结果为： [1, 5, 9]
======================================
删除 5 : 0
二叉排序树中序遍历结果为： [1, 9]
======================================
删除 1 : 0
二叉排序树中序遍历结果为： [9]
======================================
删除 9 : 0
为空树
二叉排序树中序遍历结果为： null
======================================
10、平衡二叉树（AVL）
（1）什么是 平衡二叉树？
平衡二叉树（Balanced Binary Tree）也称为 自平衡二叉搜索树（Self Balanced Binary Search Tree），也称为 AVL 树（人名缩写）。用于提高 二叉搜索树 的查询效率。
其本质上 仍是 一颗 二叉搜索树，只是其会自动 旋转节点（平衡条件），用于保证 树的高度。
平衡条件：
每个节点 的 左、右子树 的高度差的绝对值 不超过 1。且 左、右两个子树 也是 平衡二叉树。
普通 二叉搜索树 构建如下：
平衡二叉搜索树构建如下：
（2）如何实现平衡？
当 左、右子树 出现高度差 大于 1 时，为了实现平衡，节点需要进行旋转。
【节点的 高度、深度：（此处仅个人理解，有不对的地方还望不吝赐教）】
当前节点的高度：从 当前节点 开始 到 叶子节点 最长路径 的节点数。
当前节点的深度：从 根节点 开始 到当前节点 最长路径 的节点数。
注：
此处假定 节点不存在时为 0。节点存在记为 1。
虽然树的 高度、深度相同，但具体到 某个节点的 高度、深度 不一定相同。
比如：
A
B C
E F
G
如上图所示，
B 节点 高度为 3（B->E->G，3个节点），深度为 2（A->B，2个节点）。
C 节点高度为 2（C->F，2个节点），深度为 2（A->C，两个节点）。 【旋转类型：】
左旋转。
右旋转。
双旋转（左旋转、右旋转）。 【左旋转：】
左子树高度 小于 右子树高度，且 高度差 大于 1，
此时 需要将 右子树节点 向左旋转，降低 右子树的高度。
步骤（某个节点需要旋转时）：
Step1：创建一个新的节点，用于保存 当前节点的值。
Step2：将新节点的左子树 设置成 当前节点的 左子树。
Step3：将新节点的右子树 设置成 当前节点的 右子树的左子树。
Step4：将当前节点的值 设置成 右子树根节点的值。
Step5：将当前节点的右子树 设置成 右子树的右子树。
Step6：将当前节点的左子树 设置成 新节点。 【右旋转：】
左子树高度 大于 右子树高度，且 高度差 大于 1，
此时 需要将 左子树节点 向右旋转，降低 左子树的高度。
步骤（某个节点需要旋转时）：
Step1：创建一个新的节点，用于保存 当前节点的值。
Step2：将新节点的右子树 设置成 当前节点的 右子树。
Step3：将新节点的左子树 设置成 当前节点的 左子树的右子树。
Step4：将当前节点的值 设置成 左子树根节点的值。
Step5：将当前节点的左子树 设置成 右子树的左子树。
Step6：将当前节点的右子树 设置成 新节点。 【单一 左旋转、右旋转 出现的问题：】
只存在 左旋转、右旋转时，可能造成 死循环。需要两者结合使用。
比如：
插入节点 C 如下：
A
B
C
A 节点右子树高度为 2，左子树高度为 1，需要进行 左旋转。 左旋转后：
B
A
C
此时，B 节点左子树高度为 2，右子树高度为 1，需要进行 右旋转。 右旋转后：
A
B
C
发现右旋转后，又回到了最初的起点。从而出现死循环。 【双旋转：】
结合左旋转、右旋转。
先旋转 子节点，再旋转 当前节点。 步骤（存在两种情况）：
情况一（当前节点符合右旋转时）：
若当前节点 左子树 的 右子树的高度 大于 左子树 的 左子树的高度，
则先 对 当前节点的 左节点 进行 左旋转。
然后再 对当前节点 进行 右旋转。 情况二（当前节点符合左旋转时）：
若当前节点 右子树 的 左子树的高度 大于 右子树的 右子树的高度，
则 先对 当前节点的 右节点 进行 右旋转。
然后再 对当前节点进行左旋转。
（3）代码实现
【代码实现：】
package com.lyh.tree; import java.util.ArrayList;
import java.util.Arrays;
import java.util.List; public class BalanceBinarySearchTree {
private TreeNode8 root; // 设置根节点 public static void main(String[] args) {
int[] arrays = new int[]{3, 6, 7, 9, 10};
// int[] arrays = new int[]{10, 11, 7, 6, 8, 9};
System.out.println("原数组为： " + Arrays.toString(arrays));
System.out.println("====================================="); // 构建普通的 二叉搜索树
System.out.println("构建普通 二叉搜索树：");
BalanceBinarySearchTree balanceBinarySearchTree2 = new BalanceBinarySearchTree();
for (int temp : arrays) {
balanceBinarySearchTree2.addNote2(temp);
}
System.out.println("中序遍历为： " + balanceBinarySearchTree2.infixList());
// 输出根节点、以及根节点高度
System.out.println(balanceBinarySearchTree2.root);
System.out.println(balanceBinarySearchTree2.root.getHeight());
System.out.println("====================================="); // 构建 平衡二叉树
System.out.println("构建平衡二叉树：");
BalanceBinarySearchTree balanceBinarySearchTree = new BalanceBinarySearchTree();
for (int temp : arrays) {
balanceBinarySearchTree.addNote(temp);
}
System.out.println("中序遍历为： " + balanceBinarySearchTree.infixList());
// 输出根节点、以及根节点高度
System.out.println(balanceBinarySearchTree.root);
System.out.println(balanceBinarySearchTree.root.getHeight());
System.out.println("=====================================");
} /**
* 添加节点(平衡二叉搜索树 添加节点的方式，节点会旋转)
* @param data 数据
*/
public void addNote(int data) {
if (root == null) {
root = new TreeNode8(data);
return;
}
root.addNode(new TreeNode8(data));
} /**
* 添加节点(普通 二叉搜索树 添加节点的方式)
* @param data 数据
*/
public void addNote2(int data) {
if (root == null) {
root = new TreeNode8(data);
return;
}
root.addNode2(new TreeNode8(data));
} /**
* 中序遍历
* @return 中序遍历结果
*/
public List infixList() {
if (root == null) {
System.out.println("为空树");
return null;
}
return root.infixList(new ArrayList());
}
} /**
* 定义树节点
*/
class TreeNode8 {
int data; // 保存节点数据
TreeNode8 left; // 保存 左子节点
TreeNode8 right; // 保存 右子节点 public TreeNode8(int data) {
this.data = data;
} @Override
public String toString() {
return "TreeNode8{ data = " + data + ", left = " + left + ", right = " + right + " }";
} /**
* 中序遍历
*
* @param result 中序遍历结果
* @return 中序遍历结果
*/
public List infixList(List result) {
// 递归遍历 左子节点
if (this.left != null) {
this.left.infixList(result);
}
// 保存 当前节点
result.add(this.data);
// 递归遍历 右子节点
if (this.right != null) {
this.right.infixList(result);
}
return result;
} /**
* 添加节点(平衡二叉搜索树 添加节点的方式，节点会旋转)
* @param node 节点
*/
public void addNode(TreeNode8 node) {
// 节点不存在时，不添加
if (node == null) {
return;
}
// 节点存在时
if (this.data > node.data) {
// 数据小于当前节点时，在左子树进行添加
if (this.left != null) {
this.left.addNode(node);
} else {
this.left = node;
}
} else {
// 数据大于等于当前节点是，在右子树进行添加
if (this.right != null) {
this.right.addNode(node);
} else {
this.right = node;
}
} // 添加节点后需要判断 当前节点是否需要旋转
// 当前节点左子树高度 大于 右子树高度，且差值超过 1，则需要进行 右旋转
if (this.getLeftHeight() - this.getRightHeight() > 1) {
// 当前节点 左子树 的左子节点高度 小于 左子树 的右子节点高度时，需要先对 左子树进行 左旋转
if (this.left != null && this.left.getLeftHeight() < this.left.getRightHeight()) {
this.left.leftRotate();
}
// 当前节点进行右旋转
this.rightRotate();
return;
}
// 当前节点右子树高度 大于 左子树高度，其差值超过 1，则需要进行 左旋转
if (this.getRightHeight() - this.getLeftHeight() > 1) {
// 当前节点 右子树 的左子节点高度 大于 右子树 的右子节点高度时，需要先对 右子树进行 右旋转
if (this.right != null && this.right.getLeftHeight() > this.right.getRightHeight()) {
this.right.rightRotate();
}
// 当前节点进行左旋转
this.leftRotate();
}
} /**
* 添加节点(普通 二叉搜索树 添加节点的方式)
* @param node 节点
*/
public void addNode2(TreeNode8 node) {
// 节点不存在时，不添加
if (node == null) {
return;
}
// 节点存在时
if (this.data > node.data) {
// 数据小于当前节点时，在左子树进行添加
if (this.left != null) {
this.left.addNode2(node);
} else {
this.left = node;
}
} else {
// 数据大于等于当前节点是，在右子树进行添加
if (this.right != null) {
this.right.addNode2(node);
} else {
this.right = node;
}
}
} /**
* 返回节点的高度
* @return 节点的高度，节点不存在则返回 0。
*/
public int getHeight() {
return this == null ? 0 : Math.max(this.getLeftHeight(), this.getRightHeight()) + 1;
} /**
* 返回 左子树 的高度
* @return 左子树的高度
*/
public int getLeftHeight() {
return this.left == null ? 0 : this.left.getHeight();
} /**
* 返回 右子树 的高度
* @return 右子树的高度
*/
public int getRightHeight() {
return this.right == null ? 0 : this.right.getHeight();
} /**
* 节点进行左旋转
*/
public void leftRotate() {
// 创建一个新节点，并保存当前节点的值
TreeNode8 newNode = new TreeNode8(this.data);
// 新节点的 左子树设置成 当前节点的左子树
newNode.left = this.left;
// 新节点的 右子树设置成 当前节点的 右子树的左子树
newNode.right = this.right.left;
// 当前节点的值 设置成 其右子树 根节点的值
this.data = this.right.data;
// 当前节点的 左子树 设置成 新节点
this.left = newNode;
// 当前节点的 右子树 设置成 其右子树的右子树
this.right = this.right.right;
} /**
* 节点进行右旋转
*/
public void rightRotate() {
// 创建一个新节点，用于保存当前节点的值
TreeNode8 newNode = new TreeNode8(this.data);
// 新节点的 左子树设置成 当前节点的 左子树的右子树
newNode.left = this.left.right;
// 新节点的 右子树设置成 当前节点的 右子树
newNode.right = this.right;
// 当前节点的值 设置成 其左子树 根节点的值
this.data = this.left.data;
// 当前节点的 左子树 设置成 其左子树的左子树
this.left = this.left.left;
// 当前节点的 右子树 设置成 其右子树的右子树
this.right = newNode;
}
} 【输出结果：】
原数组为： [3, 6, 7, 9, 10]
=====================================
构建普通 二叉搜索树：
中序遍历为： [3, 6, 7, 9, 10]
TreeNode8{ data = 3, left = null, right = TreeNode8{ data = 6, left = null, right = TreeNode8{ data = 7, left = null, right = TreeNode8{ data = 9, left = null, right = TreeNode8{ data = 10, left = null, right = null } } } } }
5
=====================================
构建平衡二叉树：
中序遍历为： [3, 6, 7, 9, 10]
TreeNode8{ data = 6, left = TreeNode8{ data = 3, left = null, right = null }, right = TreeNode8{ data = 9, left = TreeNode8{ data = 7, left = null, right = null }, right = TreeNode8{ data = 10, left = null, right = null } } }
3
=====================================
未完待续。。。
Java 内功修炼 之 数据结构与算法（一）的更多相关文章
- Java 内功修炼 之 数据结构与算法（二）
一.二叉树补充.多叉树 1.二叉树(非递归实现遍历) (1)前提 前面一篇介绍了 二叉树.顺序二叉树.线索二叉树.哈夫曼树等树结构. 可参考:https://www.cnblogs.com/l-y-h ...
- 编程内功修炼之数据结构—BTree（一）
BTree,和二叉查找树和红黑树中一样,与关键字相联系的数据作为关键字存放在同一节点上. 一颗BTree树具有如下的特性:(根为root[T]) 1)每个节点x有以下域: (a)n[x],当前存储在节 ...
- 编程内功修炼之数据结构—BTree（三）总结
BTree必须通过各种编程约束,使得不脱离BTree的本身特性: 1)BTree关键字插入操作:插入过程中,如果节点关键字达到上限,添加分裂约束,从而控制每个节点的关键字数维持在 t-1~2*t-1内 ...
- 编程内功修炼之数据结构—BTree（二）实现BTree插入、查询、删除操作
1 package edu.algorithms.btree; import java.util.ArrayList; import java.util.List; /** * BTree类 * * ...
- Java内功修炼系列一观察者模式
观察者模式又称发布-订阅模式,就是观察者通过订阅被观察者,或关注被观察者,从而实时更新观察者的信息.比如我们玩微博的时候,如果关注了一些博主,那么当博主发动态时,在首页微博列表中就会自动更新这些博主发 ...
- Java内功修炼系列一拦截器
在动态代理中,我们知道在代理类中,执行真实对象的方法前后可以增加一些其他的逻辑,这些逻辑并不是真实对象能够实现的方法,比如一个租房的用户希望租一套公寓,但是中介所代理的这个房东并没有可以出租的公寓,那 ...
- Java内功修炼系列一代理模式
代理模式是JAVA设计模式之一,网上设计模式相关的博文铺天盖地,参考它们有助于自己理解,但是所谓“尽信书不如无书”,在参考的同时也要思考其正确性,写博客也是为了记录自己理解知识点的思路历程和心路历程, ...
- Java内功修炼系列一反射
“JAVA反射机制是在运行状态中,对于任意一个类,都能够知道这个类的所有属性和方法:对于任意一个对象,都能够调用它的任意方法和属性:这种动态获取信息以及动态调用对象方法的功能称为java语言的反射机制 ...
- Java内功修炼系列一工厂模式
工厂模式是一种创建型模式,它提供了一种新的创建对象的方式,一般情况下我们都习惯用new关键字直接创建对象.有时候会遇到这种情况,我们需要根据具体的场景选择创建什么类型的对象,可能有多种类型都能选择,但 ...
随机推荐
- webpack 打包的具体步骤
webpack打包的方法: 方法一 创建一个src文件夹(存放自己的代码),dist文件夹(打包到此文件夹) 2编写自己的代码,在src文件夹中创建一个主模块main.js和若干个js文件,将模块js ...
- 终于弄明白了 Singleton,Transient,Scoped 的作用域是如何实现的
一:背景 1. 讲故事 前几天有位朋友让我有时间分析一下 aspnetcore 中为什么向 ServiceCollection 中注入的 Class 可以做到 Singleton,Transient, ...
- java里equals和hashCode之间什么关系
如果要比较实际内存中的内容,那就要用equals方法,但是!!! 如果是你自己定义的一个类,比较自定义类用equals和==是一样的,都是比较句柄地址,因为自定义的类是继承于object,而objec ...
- LuaProfiler
Lua Profiler机制的源码解析 https://www.jianshu.com/p/f6606b27e9de
- ios Standard Framework和Umbrella Framework
Standard Framework:标准库,通过引用对应的header文件而不是引用master header 文件来引用类(也可以通过引用Master Header file来引用需要使用的类), ...
- C#委托链
使用Delegate.Combine时,注意两点: 1. 不可以将不同签名的两个委托相互Combine. 2.如果将有返回值的两个委托A 和 B Combine,那么返回值是最后一个委托的的返回值,也 ...
- 数据库系统第六章【关系数据理论】（B站视频）
目录 数据库系统第六章[关系数据理论](B站视频) 一.前言 二.规范化 函数依赖 三种分类 如何确定函数依赖? 平凡函数依赖vs非平凡函数依赖 完全函数依赖vs部分函数依赖 传递函数依赖 码 超码 ...
- 面试【JAVA基础】集合类
1.ArrayList的扩容机制 每次扩容是原来容量的1.5倍,通过移位的方法实现. 使用copyOf的方式进行扩容. 扩容算法是首先获取到扩容前容器的大小.然后通过oldCapacity (oldC ...
- 开发者的福音，LR.NET模块化代码生成器
代码生成器,是快速开发平台的核心功能之一,是一种用来帮助缺乏经验或者时间的开发者快速生成规范代码的工具,可以在极大程度上提升开发者的工作效率, 能有效避免重复工作.但稍有经验的开发者都明白,代码生成器 ...
- vue computed实现原理
在 Vue.prototype._init 方法中的 initState 中有一个对于computed 的判断,如果有则执行 initComputed 方法初始化 computed. function ...