。

无论是花几天时间“突击”#xff0c;还是利用零碎的时间持续学习#xff0c;在数据结构上下点功夫都是值得的。

那么Python

如果需要用到这些知识却没有掌握则会让人感到沮丧也可能导致面试被拒。

无论是花几天时间“突击”还是利用零碎的时间持续学习在数据结构上下点功夫都是值得的。

那么Python

13章:

None:print(subtree.data)preorderTrav(subtree.left)preorderTrav(subtree.right)def

中(根)序遍历if

None:preorderTrav(subtree.left)print(subtree.data)preorderTrav(subtree.right)def

后根序遍历if

None:preorderTrav(subtree.left)preorderTrav(subtree.right)print(subtree.data)#

宽度优先遍历(bradth-First

操作符存储在内节点操作数存储在叶子节点的二叉树。

(符号树真难打出来)*/

4(93)

Type可以实现二元操作符ExpressionTree(expStr):

user

ExpressionTree((a/(b-3)))print(The

result

self._buildString(self._expTree)def

_buildString(self,

self._buildString(treeNode.left)expStr

self._buildString(treeNode.right)expStr

)return

varDict)print(subtree.element)return

subtree.element,

遍历表达式字符串的每个字符expQ.put(token)self._expTree

_ExpTreeNode(None)

创建root节点self._recBuildTree(self._expTree,

expQ)def

_ExpTreeNode(None)self._recBuildTree(curNode.left,

expQ)#

_ExpTreeNode(None)self._recBuildTree(curNode.right,

expQ)#

expTree.evaluate(vars))Heap堆二叉树最直接的一个应用就是实现堆。

堆就是一颗完全二叉树最大堆的非叶子节点的值都比孩子大最小堆的非叶子结点的值都比孩子小。

python内置了heapq模块帮助我们实现堆操作比如用内置的heapq模块实现个堆排序:

sort

range(len(h))]但是一般实现堆的时候实际上并不是用数节点来实现的而是使用数组实现效率比较高。

为什么可以用数组实现呢?因为完全二叉树的性质

可以用下标之间的关系表示节点之间的关系MaxHeap的docstring中已经说明了

class

MaxHeap:Heaps:完全二叉树最大堆的非叶子节点的值都比孩子大最小堆的非叶子结点的值都比孩子小Heap包含两个属性order

property

tree)在插入一个新节点的时候始终要保持这两个属性插入操作保持堆属性和完全二叉树属性,

sift-up

操作维持堆属性extract操作只获取根节点数据并把树最底层最右节点copy到根节点后sift-down操作维持堆属性用数组实现heap从根节点开始从上往下从左到右给每个节点编号则根据完全二叉树的性质给定一个节点i

(i-1)

2使用数组实现堆一方面效率更高节省树节点的内存占用一方面还可以避免复杂的指针操作减少调试难度。

def

__init__(self,

heapself._elements[self._count]

valueself._count

最右下的节点放到root后siftDownself._siftDown(0)self.assert_keep_heap()return

valuedef

self._elements[ndx]self._siftUp(parent)

递归def

self._elements[largest]:largest

rightif

self._elements[ndx]self._siftDown(largest)def

.join(map(str,

我加了这个函数是用来验证每次add或者extract之后仍保持最大堆的性质_len

len(self)for

range(_len):h.add(i)h.assert_keep_heap()for

range(_len):#

确定每次出来的都是最大的数字添加的时候是从小到大添加的assert

h.extract()

用自己实现的MaxHeap实现堆排序直接修改原数组实现inplace排序if

not

reversed(range(_len)):***Seq[i]

heap.extract()return

range(_len):to_sort.append(randint(0,

_is_sorted(to_sort)test_simpleHeapSort()14章:

Search

BST树节点包含key可payload。

用BST来实现之前用hash实现过的Map

ADT.性质对每个内部节点V1.对于节点V所有key小于V.key的存储在V的左子树。

2.所有key大于V.key的存储在V的右子树对BST进行中序遍历会得到升序的key序列def

Noneself._size

注意这里没有else语句了应为在被调用处add函数里先判断了是否有重复keyreturn

subtreedef

O(N)被删除的节点分为三种:1.叶子结点:直接把其父亲指向该节点的指针置None2.该节点有一个孩子:

删除该节点后父亲指向一个合适的该节点的孩子3.该节点有俩孩子:(1)找到要删除节点N和其后继S中序遍历后该节点下一个(2)复制S的key到N(3)从N的右子树中删除后继S即在N的右子树中最小的assert

key

self._bstMinumum(subtree.right)subtree.key

successor.key)return

写这个函数为了验证add和delete操作始终维持了bst的性质

subtree

subtree.valueself.assert_keep_bst_property(subtree.left)self.assert_keep_bst_property(subtree.right)elif

subtree.left

subtree.valueself.assert_keep_bst_property(subtree.right)elif

subtree.left

subtree.valueself.assert_keep_bst_property(subtree.left)class

_BSTMapIterator:def

0self._bstTraversal(root)self._curItem

0def

self._***Keys[self._curItem]self._curItem

1return

None:self._bstTraversal(subtree.left)self._***Keys[self._curItem]

1self._bstTraversal(subtree.right)def

test_BSTMap():l

之前用来测试用hash实现的map改为用BST实现的Map测试

HashMap()h

range(_len):print(len(h))print(bef,

h)_