给定两个整数数组 preorder 和 inorder ,其中 preorder 是二叉树的先序遍历, inorder 是同一棵树的中序遍历,请构造二叉树并返回其根节点。
示例 1:
输入: preorder = [3,9,20,15,7], inorder = [9,3,15,20,7]
输出: [3,9,20,null,null,15,7]
示例 2:
输入:preorder = [-1], inorder = [-1]
输出:[-1]
提示:
对于任意一颗树而言,前序遍历的形式总是
[ 根节点, [左子树的前序遍历结果], [右子树的前序遍历结果] ]
即根节点总是前序遍历中的第一个节点。而中序遍历的形式总是
[ [左子树的中序遍历结果], 根节点, [右子树的中序遍历结果] ]
很明显,只要我们在中序遍历中 定位 到根节点,那么我们就可以分别知道左子树和右子树中的节点数目。由于同一颗子树的前序遍历和中序遍历的长度显然是相同的,因此我们就可以对应到前序遍历的结果中,对上述形式中的所有 左右括号 进行定位。
这样以来,我们就知道了左子树的前序遍历和中序遍历结果,以及右子树的前序遍历和中序遍历结果。相当于我们可以分别构建根节点、左子树和右子树。其中我们递归地对构造出左子树和右子树,再将这两颗子树接到根节点的左右位置。
细节:
在中序遍历中对根节点进行定位时,一种简单的方法是直接扫描整个中序遍历的结果并找出根节点(即与前序遍历结果第一个值相等的节点),但这样做的时间复杂度较高。我们可以考虑使用哈希表来帮助我们快速地定位根节点。对于哈希映射中的每个键值对,键表示一个元素(节点的值),值表示其在中序遍历中的出现位置。在构造二叉树的过程之前,我们可以对中序遍历的列表进行一遍扫描,就可以构造出这个哈希映射。在此后构造二叉树的过程中,我们就只需要 O ( 1 ) O(1) O(1) 的时间对根节点进行定位了。
官方题解:
class Solution {
private:
unordered_map<int, int> index;
public:
TreeNode* myBuildTree(const vector<int>& preorder, const vector<int>& inorder, int preorder_left, int preorder_right, int inorder_left, int inorder_right) {
if (preorder_left > preorder_right) {
return nullptr;
}
// 前序遍历中的第一个节点就是根节点
int preorder_root = preorder_left;
// 在中序遍历中定位根节点
int inorder_root = index[preorder[preorder_root]];
// 先把根节点建立出来
TreeNode* root = new TreeNode(preorder[preorder_root]);
// 得到左子树中的节点数目
int size_left_subtree = inorder_root - inorder_left;
// 递归地构造左子树,并连接到根节点
// 先序遍历中「从 左边界+1 开始的 size_left_subtree」个元素就对应了中序遍历中「从 左边界 开始到 根节点定位-1」的元素
root->left = myBuildTree(preorder, inorder, preorder_left + 1, preorder_left + size_left_subtree, inorder_left, inorder_root - 1);
// 递归地构造右子树,并连接到根节点
// 先序遍历中「从 左边界+1+左子树节点数目 开始到 右边界」的元素就对应了中序遍历中「从 根节点定位+1 到 右边界」的元素
root->right = myBuildTree(preorder, inorder, preorder_left + size_left_subtree + 1, preorder_right, inorder_root + 1, inorder_right);
return root;
}
TreeNode* buildTree(vector<int>& preorder, vector<int>& inorder) {
int n = preorder.size();
// 构造哈希映射,帮助我们快速定位根节点
for (int i = 0; i < n; ++i) {
index[inorder[i]] = i;
}
return myBuildTree(preorder, inorder, 0, n - 1, 0, n - 1);
}
};
我的初始版本(每次递归采用数组表示子树的节点范围)
/**
* Definition for a binary tree node.
* struct TreeNode {
* int val;
* TreeNode *left;
* TreeNode *right;
* TreeNode() : val(0), left(nullptr), right(nullptr) {}
* TreeNode(int x) : val(x), left(nullptr), right(nullptr) {}
* TreeNode(int x, TreeNode *left, TreeNode *right) : val(x), left(left), right(right) {}
* };
*/
class Solution {
public:
TreeNode* buildTree(vector<int>& preorder, vector<int>& inorder) {
// 从 preorder 找到根节点A
// 通过根节点 A 和 inorder 找出根节点 A 的左右子树
// 通过根节点 A 和 preorder 找出根节点 A 的左右子树的根节点 B
return buildChildTree(preorder, inorder);
}
TreeNode* buildChildTree(vector<int>& preorder, vector<int>& inorder){
if(preorder.empty()) return nullptr;
int in_root = 0;
TreeNode* root = new TreeNode(preorder[0]);
vector<int> pre_left, in_left, pre_right, in_right;
if(preorder[0] != inorder[0]){
// 存在左子树
for(auto& it: inorder){ // 遍历中序数组
if(preorder[0] != inorder[in_root]){
in_root++;
in_left.push_back(it);
}else if(it != preorder[0]) in_right.push_back(it); // 根结点不加入
}
}else for(int n = 1; n < inorder.size(); n++) in_right.push_back(inorder[n]);
for(int n = 1; n <= in_root; n++) pre_left.push_back(preorder[n]);
for(int n = in_root + 1; n < preorder.size(); n++) pre_right.push_back(preorder[n]);
root->left = buildChildTree(pre_left, in_left);
root->right = buildChildTree(pre_right, in_right);
return root;
}
};
我的第一次改进版本(每次递归采用下标表示子树的节点范围)
class Solution {
// 观察之后我们可以发现,只需要知道 inorder 数组中的根结点 in_root,以及本身的范围 pre_begin 和 pre_end 和 in_begin 和 in_end
// 即可获取其子树的范围,若左右子树都存在,则范围分别为
// 左子树 preorder[pre_begin+1, pre_begin+in_root-in_begin] inorder[in_begin, in_root-1]
// 右子树 preorder[pre_begin+in_root-in_begin+1, pre_end] inorder[in_root+1, in_end]
// 比如:
// [3,9,20,15,7]
// [9,3,15,20,7]
public:
TreeNode* buildTree(vector<int>& preorder, vector<int>& inorder) {
if(preorder.empty()) return nullptr;
return buildChildTree(preorder, inorder, 0, 0, preorder.size()-1, 0, preorder.size()-1);
}
TreeNode* buildChildTree(vector<int>& preorder, vector<int>& inorder, int in_root, int pre_begin, int pre_end, int in_begin, int in_end){
// in_root 初始等于 in_begin
TreeNode* root = new TreeNode(preorder[pre_begin]);
for(int n = in_begin; n <= in_end; n++){
if(root->val == inorder[in_root]) break;
else in_root++;
}
root->left = in_root == in_begin ? nullptr: buildChildTree(preorder, inorder, in_begin, pre_begin+1, pre_begin+in_root-in_begin, in_begin, in_root-1);
root->right = in_root == in_end ? nullptr: buildChildTree(preorder, inorder, in_root+1, pre_begin+in_root-in_begin+1, pre_end, in_root+1, in_end);
return root;
}
};
我的第二次改进版本(采用哈希表,取代每次递归遍历中序数组查找根结点的操作)
class Solution {
unordered_map<int, int> val; // <值, 坐标>
public:
TreeNode* buildTree(vector<int>& preorder, vector<int>& inorder) {
if(preorder.empty()) return nullptr;
for(int n = 0; n < inorder.size(); n++)
val.emplace(inorder[n], n);
return buildChildTree(preorder, inorder, 0, 0, preorder.size()-1);
}
TreeNode* buildChildTree(vector<int>& preorder, vector<int>& inorder, int pre_begin, int in_begin, int sum){
// in_root 初始等于 in_begin
TreeNode* root = new TreeNode(preorder[pre_begin]);
int in_root = val[root->val];
root->left = in_root == in_begin ? nullptr: buildChildTree(preorder, inorder, pre_begin+1, in_begin, in_root-in_begin-1);
root->right = in_root == in_begin+sum ? nullptr: buildChildTree(preorder, inorder, pre_begin+in_root-in_begin+1, in_root+1, sum+in_begin-in_root-1);
return root;
}
};
时间复杂度: O ( n ) O(n) O(n),其中 n n n 是树中的节点个数。
空间复杂度: O ( n ) O(n) O(n),除去返回的答案需要的 O ( n ) O(n) O(n) 空间之外,我们还需要使用 O ( n ) O(n) O(n) 的空间存储哈希映射,以及 O ( h ) O(h) O(h)(其中 h h h 是树的高度)的空间表示递归时所使用的栈空间。因为 h < n h < n h<n,所以总空间复杂度为 O ( n ) O(n) O(n)。
迭代法是一种非常巧妙的实现方法。
对于前序遍历中的任意两个连续节点 u u u 和 v v v,根据前序遍历的流程,我们可以知道 u u u 和 v v v 只有两种可能的关系:
第二种关系看上去有些复杂。我们举一个例子来说明其正确性,并在例子中给出我们的迭代算法。
例子
我们以树
为例,它的前序遍历和中序遍历分别为
preorder = [3, 9, 8, 5, 4, 10, 20, 15, 7]
inorder = [4, 5, 8, 10, 9, 3, 15, 20, 7]
我们用一个栈 stack 来维护「当前节点的所有还没有考虑过右儿子的祖先节点」,而栈顶就是当前节点。也就是说,只有在栈中的节点才可能连接一个新的右儿子。同时,我们用一个指针 index 指向中序遍历的某个位置,初始值指向 inorder[0]。index 对应的节点是「当前节点不断往左走达到的最终节点」,这也是符合中序遍历的,它的作用在下面的过程中会有所体现。
首先我们将根节点 3 入栈,再初始化 index 所指向的节点为 4,随后对于前序遍历中的每个节点,我们依次判断它是栈顶节点的左儿子,还是栈中某个节点的右儿子。
我们遍历 9。9 一定是栈顶节点 3 的左儿子。我们使用反证法,假设 9 是 3 的右儿子,那么 3 没有左儿子,index 应该恰好指向 3,但实际上为 4,因此产生了矛盾。所以我们将 9 作为 3 的左儿子,并将 9 入栈。
stack = [3, 9]
index -> inorder[0] = 4
我们遍历 8,5 和 4。同理可得它们都是上一个节点(栈顶节点)的左儿子,所以它们会依次入栈。
stack = [3, 9, 8, 5, 4]
index -> inorder[0] = 4
我们遍历 10,这时情况就不一样了。我们发现 index 恰好指向当前的栈顶节点 4,也就是说 4 没有左儿子,那么 10 必须为栈中某个节点的右儿子。那么如何找到这个节点呢?栈中的节点的顺序和它们在前序遍历中出现的顺序是一致的,而且每一个节点的右儿子都还没有被遍历过,那么这些节点的顺序和它们在中序遍历中出现的顺序一定是相反的。
这是因为栈中的任意两个相邻的节点,前者都是后者的某个祖先。并且我们知道,栈中的所有节点的右儿子都还没有被遍历过,说明后者一定是前者左儿子的子树中的节点,那么后者就先于前者出现在中序遍历中。
因此我们可以把 index 不断向右移动,并与栈顶节点进行比较。如果 index 对应的元素恰好等于栈顶节点,那么说明我们在中序遍历中找到了栈顶节点,所以将 index 增加 1 并弹出栈顶节点,直到 index 对应的元素不等于栈顶节点。按照这样的过程,我们弹出的最后一个节点 x 就是 10 的双亲节点,这是因为 10 出现在了 x 与 x 在栈中的下一个节点的中序遍历之间,因此 10 就是 x 的右儿子。
回到我们的例子,我们会依次从栈顶弹出 4,5 和 8,并且将 index 向右移动了三次。我们将 10 作为最后弹出的节点 8 的右儿子,并将 10 入栈。
stack = [3, 9, 10]
index -> inorder[3] = 10
我们遍历 20。同理,index 恰好指向当前栈顶节点 10,那么我们会依次从栈顶弹出 10,9 和 3,并且将 index 向右移动了三次。我们将 20 作为最后弹出的节点 3 的右儿子,并将 20 入栈。
stack = [20]
index -> inorder[6] = 15
我们遍历 15,将 15 作为栈顶节点 20 的左儿子,并将 15 入栈。
stack = [20, 15]
index -> inorder[6] = 15
我们遍历 7。index 恰好指向当前栈顶节点 15,那么我们会依次从栈顶弹出 15 和 20,并且将 index 向右移动了两次。我们将 7 作为最后弹出的节点 20 的右儿子,并将 7 入栈。
stack = [7]
index -> inorder[8] = 7
此时遍历结束,我们就构造出了正确的二叉树。
我们归纳出上述例子中的算法流程:
最后得到的二叉树即为答案。
Leetcode 官方题解
class Solution {
public:
TreeNode* buildTree(vector<int>& preorder, vector<int>& inorder) {
if (!preorder.size()) return nullptr;
TreeNode* root = new TreeNode(preorder[0]);
stack<TreeNode*> stk;
stk.push(root);
int inorderIndex = 0;
for (int i = 1; i < preorder.size(); ++i) {
int preorderVal = preorder[i];
TreeNode* node = stk.top();
if (node->val != inorder[inorderIndex]) {
node->left = new TreeNode(preorderVal);
stk.push(node->left);
}
else {
while (!stk.empty() && stk.top()->val == inorder[inorderIndex]) {
node = stk.top();
stk.pop();
++inorderIndex;
}
node->right = new TreeNode(preorderVal);
stk.push(node->right);
}
}
return root;
}
};
时间复杂度: O ( n ) O(n) O(n),其中 n n n 是树中的节点个数。
空间复杂度: O ( n ) O(n) O(n),除去返回的答案需要的 O ( n ) O(n) O(n) 空间之外,我们还需要使用 O ( h ) O(h) O(h)(其中 h h h 是树的高度)的空间存储栈。这里 h < n h < n h<n,所以(在最坏情况下)总空间复杂度为 O ( n ) O(n) O(n)。