【Python】数据结构,链表,算法详解
今日内容大纲介绍
-
自定义代码-模拟链表
-
删除节点
-
查找节点
-
-
算法入门-排序类的
-
冒泡排序
-
选择排序
-
插入排序
-
快速排序
-
-
算法入门-查找类的
-
二分查找-递归版
-
二分查找-非递归版
-
-
分线性结构-树介绍
-
基本概述
-
特点和分类
-
自定义代码-模拟二叉树
-
1.自定义代码-模拟链表完整版
"""
案例: 自定义代码, 模拟链表.
背景:
顺序表在存储数据的时候, 需要使用到连续的空间, 如果空间不够, 就会导致扩容失败, 针对于这种情况, 我们可以通过链表实现.
链表在内存中存储的时候, 可以不是连续的空间, "有地儿就行", 所以: 增删相对更好操作.
链表介绍:
概述:
它属于线性结构, 即: 每个节点都只有1个前驱节点 和 1个后继节点.
组成:
链表是由节点组成的, 根据节点的不同, 链表又分为: 单向链表, 单向循环链表, 双向链表, 双向循环链表.
节点划分:
单向链表, 单向循环链表:
节点是由 1个数值域 和 1个地址域组成, 也叫: 元素域 和 链接域组成.
双向链表, 双向循环链表:
节点是由 1个数值域 和 2个地址域组成, 也叫: 元素域 和 链接域组成.
划分:
单向链表: 节点是由 1个数值域 和 1个地址域组成, 最后1个节点的地址域为: None
单向循环链表: 节点是由 1个数值域 和 1个地址域组成, 最后1个节点的地址域为: 第1个节点的 地址.
双向链表: 节点是由 1个数值域 和 2个地址域组成, 分别指向前一个节点 和 后一个节点的地址, 第1个节点的前地址域 和 最后1个节点的后地址域为 None
双向循环链表: 1个数值域, 2个地址域. 第1个节点的前地址域指向最后1个节点的地址, 最后1个节点的后地址域指向第1个节点的 地址.
需求: 通过面向对象思维, 实现自定义链表.
分析流程:
节点类: SingleNode
属性:
item 代表: 数值域
next 代表: (下个节点的)地址域
单向链表类: SingleLinkedList:
属性:
head 代表: 链表的第一个节点(头结点), 如无, 则为: None
行为:
is_empty(self) 链表是否为空
length(self) 链表长度
travel(self. ) 遍历整个链表
add(self, item) 链表头部添加元素
append(self, item) 链表尾部添加元素
insert(self, pos, item) 指定位置添加元素
remove(self, item) 删除节点
search(self, item) 查找节点是否存在
"""
# 1. 定义节点类.
class SingleNode(object):
# 2. 初始化属性.
def __init__(self, item):
self.item = item # 代表: 数值域
self.next = None # 代表: (下个节点的)地址域
# 3. 定义单向链表类.
class SingleLinkedList(object):
# 4. 初始化属性.
def __init__(self, node=None):
self.head = node # head: 代表头结点
# 如下是: 基于需求, 要完成的具体功能.
# 5. is_empty(self) 链表是否为空
def is_empty(self):
# 思路: 判断头结点(self.head) 是否为 None, 是: 空, 否: 不为空.
# if self.head == None:
# return True
# else:
# return False
# 思路2: 上述代码的, 三元写法.
# return True if self.head == None else False
# 思路3: 最终版, ==的结果本身就是: True 或者 False, 直接返回.
return self.head == None
# 6. length(self) 链表长度
def length(self):
# 6.1 定义变量 cur, 记录当前节点, 从头结点开始.
cur = self.head # current: 当前
# 6.2 定义count变量, 计数.
count = 0
# 6.3 判断当前节点是否为None, 如果不是, 就循环.
while cur is not None:
# 6.4 每次循环, 计数器都+1, 然后获取下个节点.
count += 1
cur = cur.next # 获取下个节点.
# 6.5 走到这里, 循环结束, 即: 链表长度统计完成, 返回结果即可.
return count
# 7. travel(self. ) 遍历整个链表
def travel(self):
# 7.1 获取头结点, 充当: 当前节点.
cur = self.head
# 7.2 只要当前节点不为空, 就一直遍历.
while cur is not None:
# 7.3 先打印当前节点的 数值域, 然后获取下个节点.
print(cur.item)
cur = cur.next
# 8. add(self, item) 链表头部添加元素
def add(self, item): # item是要添加的元素.
# 8.1 把要添加的元素封装成 新节点.
new_node = SingleNode(item)
# 8.2 用 新节点的地址域 指向 头结点的地址.
new_node.next = self.head
# 8.3 设置 新节点为 新的头结点即可.
self.head = new_node
# 9. append(self, item) 链表尾部添加元素
def append(self, item):
# 9.1 把要添加的元素封装成 新节点.
new_node = SingleNode(item)
# 9.2 判断链表是否为空, 如果为空, 则: 新节点直接充当头结点.
if self.length() == 0:
self.head = new_node
else:
# 9.3 走这里, 链表不为空, 获取链表的最后一个节点即可.
# 最后1个节点的判断语句: 它的next = None, 它的下个节点是None, 它就是最后1个节点.
cur = self.head
while cur.next is not None:
cur = cur.next
# 9.4 走到这里, cur.next = None, 即: cur就是最后1个节点.
# 设置最后1个节点, 地址域指向 新节点的地址即可.
cur.next = new_node
# 10. insert(self, pos, item) 指定位置添加元素
def insert(self, pos, item): # pos: 要插入的位置(索引), item: 要插入的元素.
# 10.1 判断插入位置是否 小于等于 0, 如果是, 就: 插入到最前(头部)
if pos <= 0:
self.add(item)
elif pos >= self.length():
# 10.2 判断插入位置是否 大于等于 链表长度, 如果是, 就: 插入到末尾
self.append(item)
else:
# 10.3 如果是中间插入, 就走如下的逻辑.
# 10.4 把要插入的元素封装成: 新节点.
new_node = SingleNode(item)
# 10.5 定义变量cur, 表示: 插入位置前的那个节点.
cur = self.head
# 10.6 定义变量count, 初值为0, 表示插入位置前的哪个"索引"
count = 0
# 10.7 只要 count < pos - 1 就一直循环, 并逐个获取下个节点.
while count < pos - 1: # 因为我们获取的地址域(即: 下个节点的地址), 只要找到前前对象, 它的地址域, 就是前对象.
# 比如说: 要第2个节点, 只要找到第1个节点即可, 它的地址域(next)就是: 第2个节点.
cur = cur.next
count += 1 # 计数器+1
# 10.8 循环结束后, cur就是要插入位置前的 那个节点. 把它(cur)的地址域赋值 给 新节点的地址域.
new_node.next = cur.next
# 10.9 把新节点的 地址 赋值给 cur节点的 地址域.
cur.next = new_node
# 11. remove(self, item) 删除节点
def remove(self, item):
# 11.1 定义变量cur, 代表: 当前节点, 即: 要删除的节点.
cur = self.head
# 11.2 定义变量pre(previous), 代表: 当前节点的前一个节点.
pre = None
# 11.3 遍历链表, 获取到每个节点.
while cur is not None:
# 11.4 判断当前节点的 数值域 是否和要被删除的内容一致.
if cur.item == item:
# 11.5 如果一致, 判断当前节点是否是头结点, 是, 就直接指向它的地址域(第2个节点)即可.
if cur == self.head:
self.head = cur.next # 如果要删头结点, 直接让 head指向 第2个节点即可.
else:
# 11.6 如果要删除的节点不是头结点,
pre.next = cur.next
# 核心细节: 删除完毕后, 记得: break, 结束删除操作.
break
else:
# 11.6 如果不一致, 当前就是(前1个节点了), 然后当前节点为: 它的下个节点.
pre = cur # 当前节点: 就是下次判断的 前个节点
cur = cur.next # 当前节点: 变更为它的下个节点.
# 12. search(self, item) 查找节点是否存在
def search(self, item):
# 12.1 定义变量cur, 表示当前节点, 默认从: 头结点开始.
cur = self.head
# 12.2 遍历链表, 获取到每个节点.
while cur is not None:
# 12.3 判断当前节点的数值域 是否和 要查找的值一致, 如果一致, 就返回True
if cur.item == item:
return True
# 12.4 如果没找到, 当前节点就变更为: 它的下个节点
cur = cur.next
# 12.5 走到这里, 循环结束, 表示没有找到. 返回False即可.
return False
# 在main方法中做测试.
if __name__ == '__main__':
# 1. 测试节点类.
sn = SingleNode('乔峰')
print(sn)
print(sn.item) # 乔峰
print(sn.next) # None
print('-' * 31)
# 2. 测试链表类.
# linked_list = SingleLinkedList()
linked_list = SingleLinkedList(sn)
print(linked_list.head) # 头结点.
# print(linked_list.head.item) # 头结点的 数值域(元素域): 乔峰
print('-' * 31)
# 3. 测试: is_empty(self) 链表是否为空
print(linked_list.is_empty())
print('-' * 31)
# 4. 测试: length(self) 链表长度
print(linked_list.length())
print('-' * 31)
# 5. 测试: travel(self. ) 遍历整个链表
linked_list.travel()
# 6. 测试: add(self, item) 链表头部添加元素
linked_list.add('虚竹')
linked_list.add('段誉')
# 7. 测试: append(self, item) 链表尾部添加元素
linked_list.append('阿朱')
linked_list.append('梦姑')
# 8. 测试: insert(self, pos, item) 指定位置添加元素
linked_list.insert(2, '扫地僧')
linked_list.insert(5, '无崖子')
# 9. 测试: remove(self, item) 删除节点
# linked_list.remove('虚竹')
linked_list.remove('阿朱')
# 10. 测试: search(self, item) 查找节点是否存在
# print(linked_list.search('扫地僧'))
# print(linked_list.search('萧远山'))
print('-' * 31)
linked_list.travel() # 段誉, 虚竹, 乔峰, 阿朱, 梦姑
2.顺序表和链表对比
-
特点
-
顺序表
-
存储要占用连续的空间, 占用少量资源.
-
元素有索引, 可以根据索引值快速查找对应内容.
-
扩容时, 如果可用(连续空间)资源不足, 可能会导致扩容失败.
-
-
链表
-
存储无需连续空间, 有地儿就行.
-
因为既要存储数据, 也要存储下个节点的地址, 所以相对较消耗资源.
-
元素无索引, 每次查找(头结点除外)都需要遍历.
-
扩容时, 资源充足即可, 是否连续无所谓.
-
-
3.算法的稳定性介绍
-
概述
-
排序类算法有稳定性 和 不稳定性两者之分.
-
区分依据是: 对数据进行排序后, 相同元素的 相对位置是否发生改变.
-
改变: 不稳定算法.
-
不改变: 稳定算法.
-
-
-
例如:
-
稳定算法: 冒泡排序, 插入排序...
-
不稳定算法: 选择排序, 快速排序...
-
4.冒泡排序-代码实现
"""
排序类算法有稳定性 和 不稳定性区分:
依据: 排序后, 相同元素的相对位置是否发生改变.
改变: 不稳定算法.
不改变: 稳定算法.
冒泡排序介绍:
原理:
相邻元素两两比较, 大的往后走, 这样第一轮比较完毕后, 最大值就在最大索引处.
重复此步骤, 直至任意相邻两元素无需交换, 排序完毕.
推理思路:
比较的轮数 每轮比较的次数 公式
0 4 5 - 1 - 0 # 0表示: 第1轮, 4表示: 第1轮比较的总次数. 5表示: 列表长度.
1 3 5 - 1 - 1
2 2 5 - 1 - 2
3 1 5 - 1 - 3
核心3点:
1. 比较的轮数. 列表的长度 - 1 for i in range(n - 1):
2. 每轮比较次数. 列表长度 - 1 - 轮数 for j in range(n - 1 - i):
3. 谁和谁交换. j索引 和 j+1索引 对应的元素, 比较, 然后决定是否交换.
"""
# 1. 定义函数 bubble_sort(my_list), 实现: 对列表元素 升序排列.
def bubble_sort(my_list): # 回顾: 如果参数是可变类型, 则: 形参的改变, 直接影响实参.
# 1.1 获取列表的长度.
n = len(my_list)
# 1.2 定义外循环, 表示: 比较的轮数.
for i in range(n - 1): # i就代表比较的轮数, 0, 1, 2, 3 分别代表: 第1轮, 第2轮, 第3轮, 第4轮
count = 0 # 记录: 具体的交换次数
# 1.3 定义内循环, 表示: 每轮比较的次数.
for j in range(n - 1 - i):
# 1.4 相邻元素两两比较, 如果前边元素 比 后边元素大, 就交换.
if my_list[j] > my_list[j + 1]:
count += 1 # 如果有交换, 计数器就 + 1
# 具体的交换过程, 即: a, b = b, a
my_list[j], my_list[j + 1] = my_list[j + 1], my_list[j]
if count == 0: # 说明无需交换, 即: 本身就是有序数据.
break
# 在main函数中测试.
if __name__ == '__main__':
# 1. 创建列表, 记录要排序的元素.
my_list = [11, 3, 22, 55, 66]
# my_list = [3, 11, 22, 55, 66]
# 2. 打印排序前的元素.
print(f'排序前: {my_list}')
# 3. 调用函数, 实现排序.
bubble_sort(my_list)
# 4. 打印排序后的结果.
print(f'排序后: {my_list}')
5.选择排序-代码实现
"""
排序类算法有稳定性 和 不稳定性区分:
依据: 排序后, 相同元素的相对位置是否发生改变.
改变: 不稳定算法.
不改变: 稳定算法.
选择排序介绍:
原理:
第1轮操作: 假设列表的第1个元素是最小值, 然后去剩下所有元素中找"真正的最小值", 只要找到的最小值 比 第1个元素值小, 就交换.
这样能保证, 第1轮操作完毕后, 最小值就在最小索引处.
第2轮操作: 假设列表的第2个元素是最小值, 然后去剩下所有元素中找"真正的最小值", 只要找到的最小值 比 第2个元素值小, 就交换.
这样能保证, 第2轮操作完毕后, 次小值就在次小索引处.
.......
依次查找列表中的最小值, 依次填充到列表的最小索引处, 直至结束.
推理思路:
比较的轮数 每轮比较的次数 公式
0 4 0和1, 0和2, 0和3, 0和4
1 3 1和2, 1和3, 1和4
2 2 2和3, 2和4
3 1 3和4
核心3点:
1. 比较的轮数. 列表的长度 - 1 for i in range(n - 1):
2. 每轮比较次数. i + 1 ~ 列表最后1个元素
3. 谁和谁交换. i索引 和 j索引 对应的元素, 比较, 然后决定是否交换.
"""
# 1. 定义函数 select_sort(my_list), 实现: 对列表元素 升序排列.
def select_sort(my_list): # 回顾: 如果参数是可变类型, 则: 形参的改变, 直接影响实参.
# 1.1 获取列表的长度.
n = len(my_list)
# 1.2 定义外循环, 表示: 比较的轮数.
for i in range(n - 1): # i就代表比较的轮数, 0, 1, 2, 3 分别代表: 第1轮, 第2轮, 第3轮, 第4轮
# 1.3 定义变量, min_index 代表: 最小值的索引.
min_index = i
# 1.4. 定义内循环, 获取: 所有要比较(待排序的数字)
for j in range(i + 1, n):
# 1.5 具体的比较过程
if my_list[j] < my_list[min_index]:
min_index = j # 用min_index 记录最小值的索引.
# 1.6 走到这里, 说明一轮结束, 判断 min_index(真正的最小值的索引) 和 i是否一致, 不一致, 就交换.
if min_index != i:
my_list[i], my_list[min_index] = my_list[min_index], my_list[i]
# 在main函数中测试.
if __name__ == '__main__':
# 1. 创建列表, 记录要排序的元素.
my_list = [11, 3, 22, 55, 66]
# my_list = [3, 11, 22, 55, 66]
# 2. 打印排序前的元素.
print(f'排序前: {my_list}')
# 3. 调用函数, 实现排序.
select_sort(my_list)
# 4. 打印排序后的结果.
print(f'排序后: {my_list}')
6.插入排序-代码实现
"""
排序类算法有稳定性 和 不稳定性区分:
依据: 排序后, 相同元素的相对位置是否发生改变.
改变: 不稳定算法.
不改变: 稳定算法.
插入排序介绍:
原理:
把列表分成两部分, 假设第1个元素是 有序列表, 之后的元素是无序列表, 然后遍历, 获取到"无序列表"中每个元素,
然后依次和"有序列表"的元素比较, 决定其存放位置, 直至: 所有的"无序列表"元素操作完毕.
推理思路:
比较的轮数 每轮比较的次数 公式(下述都是索引)
1 1 1和0
2 2 2和1, 2和0
3 3 3和2, 3和1, 3和0
4 4 4和3, 4和2, 4和1, 4和0
核心3点:
1. 比较的轮数. 列表的长度 - 1 for i in range(1, n):
2. 每轮比较次数. 等于轮数. for j in range(i, 0, -1)
3. 谁和谁交换. 索引 j 和 j-1比较
"""
# 1. 定义函数 insert_sort(my_list), 实现: 对列表元素 升序排列.
def insert_sort(my_list): # 回顾: 如果参数是可变类型, 则: 形参的改变, 直接影响实参.
# 1.1 获取列表的长度.
n = len(my_list)
# 1.2 定义外循环, 表示: 比较的轮数.
for i in range(1, n): # i就代表比较的轮数, 1, 2, 3, 4 分别代表: 第1轮, 第2轮, 第3轮, 第4轮
# 1.3 获取每轮具体要比较的数据.
for j in range(i, 0, -1): # range(起始值, 结束值, 步长), 包括: 起始值, 不包括结束值. 所以这里写0, j的值, 最小为: 1
# 1.4 具体的比较过程, 索引 j 和 j-1比较
if my_list[j] < my_list[j - 1]:
my_list[j], my_list[j - 1] = my_list[j - 1], my_list[j]
else:
break
# 在main函数中测试.
if __name__ == '__main__':
# 1. 创建列表, 记录要排序的元素.
my_list = [11, 3, 22, 66, 55]
# my_list = [3, 11, 22, 55, 66]
# 2. 打印排序前的元素.
print(f'排序前: {my_list}')
# 3. 调用函数, 实现排序.
insert_sort(my_list)
# 4. 打印排序后的结果.
print(f'排序后: {my_list}')
7.递归版-二分查找
""" 二分查找介绍: 概述: 它是一个经典的查找类算法, 效率相对较高. 前提: 数据必须是有序的. 原理: 1. 找到中间值, 然后看要查找的值, 和中间值的关系. 2. 如果和中间值相等, 直接返回即可. 3. 如果比中间值小: 去前边找. 4. 如果比中间值大: 去后边找. """ # 1. 定义函数 binary_search(my_list, item), 实现: 二分查找. def binary_search(my_list, item): """ 自定义代码, 实现: 二分查找, 递归版. :param my_list: 记录数据的列表 :param item: 要被查找的元素 :return: True找到了, False没找到. """ # 1.1 获取列表的长度. n = len(my_list) # 1.2 如果列表为空, 直接返回False if n <= 0: return False # 1.3 获取中间值(的索引), 列表长度 // 2 mid = n // 2 # 1.4 判断要找的值, 是否等于中值, 如果等, 就直接返回True if item == my_list[mid]: return True elif item < my_list[mid]: # 1.5 如果要找的值比中间值小, 就往 中值前找. return binary_search(my_list[:mid], item) else: # 1.6 走到这里, 说明要找的值比中间值大, 就往 中值后找. return binary_search(my_list[mid + 1:], item) # 1.5 走到这里, 说明列表元素都遍历完了, 还没找到, 返回False即可. return False # 在main中测试 if __name__ == '__main__': # 2. 创建列表, 必须有序. my_list = [2, 9, 13, 25, 33, 45, 56, 66, 71, 92, 99] # 3. 测试二分查找. print(binary_search(my_list, 10)) print(binary_search(my_list, 33))
8.非递归版-二分查找
""" 二分查找介绍: 概述: 它是一个经典的查找类算法, 效率相对较高. 前提: 数据必须是有序的. 原理: 1. 找到中间值, 然后看要查找的值, 和中间值的关系. 2. 如果和中间值相等, 直接返回即可. 3. 如果比中间值小: 去前边找. 4. 如果比中间值大: 去后边找. """ # 1. 定义函数 binary_search(my_list, item), 实现: 二分查找. 非递归版. def binary_search(my_list, item): """ 自定义代码, 实现: 二分查找, 递归版. :param my_list: 记录数据的列表 :param item: 要被查找的元素 :return: True找到了, False没找到. """ # 1. 定义变量start 和 end, 分别记录: 要查找的列表的范围. start = 0 end = len(my_list) - 1 # 2. 循环实现查找, 只要 start <= end 就一直查找. while start <= end: # 3. 计算中间索引, 每次操作范围变化, 中间索引都要改变. mid = (start + end) // 2 # 4. 判断要找的元素 和 中间值是否相等. if item == my_list[mid]: return True elif item < my_list[mid]: # 比中间值小, 就修改 end的值. end = mid - 1 else: # 比中间值大, 就修改start的值. start = mid + 1 # 5. 走到这里, 说明找完了, 还没找到, 就返回False return False # 在main中测试 if __name__ == '__main__': # 2. 创建列表, 必须有序. my_list = [2, 9, 13, 25, 33, 45, 56, 66, 71, 92, 99] # 3. 测试二分查找. print(binary_search(my_list, 10)) print(binary_search(my_list, 33))
9.树形结构介绍
-
概述
它属于 非线性结构, 每个节点都可以有1个父节点, n个子节点.
-
特点
-
树形结构的根节点有且只能有 1个.
-
每个节点都只有1个父节点及任意个子节点, 根节点除外(它没有父节点)
-
没有子节点的节点称之为: 叶子节点.
-
-
树相关名词
10.树的种类和存储
-
分类
-
有序树
-
无序树
-
-
常用的树
-
完全二叉树
-
满二叉树
-
平衡二叉树
-
-
树的存储
-
采用列表(数组)来存储, 占用空间, 存数据 和 对应关系.
-
采用链表来存储, 采用节点形式, 1个数值域, 2个地址域分别指向2个子节点.
-
11.二叉树的性质
-
几个维度的计算方式
12.自定义代码-模拟二叉树
# 案例: 链表形式模拟二叉树.
# 1. 定义节点类.
class Node:
def __init__(self, item):
self.item = item # 节点的内容.
self.lchild = None # 节点的: 左子树
self.rchild = None # 节点的: 右子树
# 2. 定义二叉树类
class BinaryTree:
def __init__(self, root = None):
self.root = root # 充当: 根节点, 等价于之前 链表的时候的 self.head(头结点)
# 3. 添加元素
def add(self, item):
# 3.1 判断 根节点是否为空, 如果为空, 当前节点即为: 根节点.
if self.root == None:
self.root = Node(item)
return
# 3.2 定义列表(充当: 队列), 把根节点添加到: 队列中.
queue = []
queue.append(self.root)
# 3.3 循环判断, 哪个节点的左子树 或者 右子树为空, 就把新节点添加到哪里.
while True:
# 3.3 从队列中获取到 根节点.
node = queue.pop(0)
# 3.5 判断当前节点的 左子树是否为空.
if node.lchild == None:
# 左子树为空, 新节点添加到这里, 程序结束.
node.lchild = Node(item)
return
else:
# 左子树不为空, 就添加到: 队列中.
queue.append(node.lchild)
# 3.6 判断当前节点的 右子树是否为空.
if node.rchild == None:
# 右子树为空, 新节点添加到这里, 程序结束.
node.rchild = Node(item)
return
else:
# 右子树不为空, 就添加到: 队列中.
queue.append(node.rchild)
# 4. 遍历二叉树, 广度优先: 逐层获取.
def breadth_travel(self):
# 4.1 判断如果根结点为空, 直接return
if self.root == None:
return
# 4.2 定义队列, 记录节点.
queue = []
# 4.3 添加根节点到队列中.
queue.append(self.root)
# 4.4 循环获取, 只要队列有数据(节点), 就循环获取.
while len(queue) > 0:
# 4.5 获取节点信息.
node = queue.pop(0)
# 4.6 打印节点内容.
print(node.item, end=' ')
# 4.7 判断当前节点是否有 左子树, 有就添加到 队列.
if node.lchild != None:
queue.append(node.lchild)
# 4.8 判断当前节点是否有 左子树, 有就添加到 队列.
if node.rchild != None:
queue.append(node.rchild)
# 5. 遍历二叉树, 深度优先: 前序(根左右)
def preorder_travel(self, root): # 节点.
# 5.1 判断节点是否不为空, 不为空就输出内容.
if root is not None:
print(root.item, end=' ') # 根
self.preorder_travel(root.lchild) # 递归获取 左子树
self.preorder_travel(root.rchild) # 递归获取 右子树
# 6. 遍历二叉树, 深度优先: 中序(左根右)
def inorder_travel(self, root):
# 6.1 判断节点是否不为空, 不为空就输出内容.
if root is not None:
self.inorder_travel(root.lchild) # 递归获取 左子树
print(root.item, end=' ') # 根
self.inorder_travel(root.rchild) # 递归获取 右子树
# 7. 遍历二叉树, 深度优先: 后序(左右根)
def postorder_travel(self, root):
# 7.1 判断节点是否不为空, 不为空就输出内容.
if root is not None:
self.postorder_travel(root.lchild) # 递归获取 左子树
self.postorder_travel(root.rchild) # 递归获取 右子树
print(root.item, end=' ') # 根
# 3. 定义函数 dm01_演示创建节点和二叉树()
def dm01_演示创建节点和二叉树():
# 3.1 创建节点.
node = Node('乔峰')
# 3.2 打印节点的信息.
print(node.item) # 内容
print(node.lchild) # 左子树
print(node.rchild) # 右子树
print('-' * 31)
# 3.2 创建二叉树
bt = BinaryTree(node)
print(bt.root) # 打印 根节点 的地址
print(bt.root.item) # 打印 根节点 的内容
# 4. 测试队列 queue.
def dm02_测试队列(): # 即: 模拟先进先出.
# 4.1 创建队列.
queue = []
# 4.2 添加元素.
queue.append('A')
queue.append('B')
queue.append('C')
# 4.3 获取队列最前的元素.
print(queue.pop(0)) # ['A', 'B', 'C'] => A
print(queue.pop(0)) # ['B', 'C'] => B
print(queue.pop(0)) # ['C'] => C
# 5. 测试广度优先.
def dm03_广度优先():
# 5.1 创建二叉树.
bt = BinaryTree()
# 5.2 添加元素.
bt.add('A')
bt.add('B')
bt.add('C')
bt.add('D')
bt.add('E')
bt.add('F')
bt.add('G')
# 5.3 遍历, 广度优先.
bt.breadth_travel()
# 6. 测试深度优先
def dm04_深度优先():
bt = BinaryTree()
bt.add(0)
bt.add(1)
bt.add(2)
bt.add(3)
bt.add(4)
bt.add(5)
bt.add(6)
bt.add(7)
bt.add(8)
bt.add(9)
# 测试前序
print("前序结果为: ")
bt.preorder_travel(bt.root) # 传入根节点, 从根节点开始找.
print("\n中序结果为: ")
bt.inorder_travel(bt.root) # 传入根节点, 从根节点开始找.
print("\n后序结果为: ")
bt.postorder_travel(bt.root) # 传入根节点, 从根节点开始找.
# 7. 在main中测试.
if __name__ == '__main__':
# dm01_演示创建节点和二叉树()
# dm02_测试队列()
# dm03_广度优先()
dm04_深度优先()