面试被问到线段树，已经这么卷了吗？

Posted 懂你的大海

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了面试被问到线段树，已经这么卷了吗？相关的知识，希望对你有一定的参考价值。

在这篇文章里，我将介绍一种高效的区间查询数据结构 —— 线段树（Segment Tree）。如果能帮上忙，请务必点赞加关注，这真的对我非常重要。

目录

前置知识

这篇文章的内容会涉及以下前置 / 相关知识，贴心的我都帮你准备好了，请享用~

=

1. 前缀和数组的缺点

上一篇文章，我们使用了「前缀和 + 差分」技巧解决了 303. 区域和检索 - 数组不可变 【题解】 。简单来说，我们开辟了一个前缀和数组，存储「元素所有前驱节点的和」。利用这个前缀和数组，可以很快计算出区间 [i, j] 的和： nums[i,j]=preSum[j+1]−preSum[i]nums[i, j] = preSum[j + 1] - preSum[i]nums[i,j]=preSum[j+1]−preSum[i]

参考代码：

class NumArray(nums: IntArray) {
    private val sum = IntArray(nums.size + 1) { 0 }

    init {
        for (index in nums.indices) {
            sum[index + 1] = sum[index] + nums[index]
        }
    }

    fun sumRange(i: Int, j: Int): Int {
        return sum[j + 1] - sum[i] // 注意加一
    }
}
复制代码

此时，区间查询的时间复杂度是O(1)O(1)O(1)，空间复杂度是O(n)O(n)O(n)，总体不错。但是，正如前言提到的，目前我们只考虑了静态数据的场景，如果数据是可修改的会怎么样？

我们需要修正前缀和数组了，例如：将num[2]num[2]num[2]更新为 10，那么preSum[3,...,7]preSum[3,...,7]preSum[3,...,7] 都需要更新，这个更新操作的时间复杂度为O(n)O(n)O(n)。要是一次更新操作影响倒是不大，但如果更新操作很频繁，算法的均摊时间复杂度就劣化了。为了解决动态数据的场景，就出现了 “线段树” 这种数据结构，它和其他数据结构的复杂度对比如下表：

数据结构构建结构区间更新区间查询空间复杂度
遍历，不使用数据结构O(1)O(1)O(n)O(1)
前缀和数组O(n)O(n)O(1)O(n)
线段树O(n)O(lgn)O(lgn)O(4*n)或O(2*n)
树状数组O(n)O(lgn)O(lgn)O(n)

可以看到「前缀和数组」的优势是O(1)O(1)O(1)查询，但不适合动态数据的场景，而线段树似乎学会了中庸之道，线段树平衡了「区间查询」和「单点更新」两种操作的时间复杂度。它是怎么做到的呢？

2. 什么是线段树？

这是因为前缀和数组是线性逻辑结构，修改操作一定需要花费线性时间。为了使得修改操作优于线性时间，那么一定需要构建非线性逻辑结构。

2.1 线段树的逻辑定义

一般的二叉树节点上存储的是一个值，而线段树上的节点存储的是一个区间[L,R][L, R][L,R] 上的聚合信息（例如最大值 / 最小值 / 和），并且子节点的区间合并后正好等同于父节点的区间。例如，对于父节点的区间是 [L,R][L, R][L,R]，那么左子节点的区间是 [L,(L+R)/2][L, (L+R)/2][L,(L+R)/2]，右子节点的区间是 [(L+R)/2,R][(L+R)/2, R][(L+R)/2,R]。叶子节点也是一个区间，不过区间端点 L==RL == RL==R，是一个单点区间。

—— 图片引用自 www.jianshu.com/p/4d9da6745… —— yo1ooo 著

从线段树的逻辑定义可以看出：线段树（Segment Tree）本质上是一棵平衡二叉搜索树，也就是说它同时具备二叉搜索树和平衡二叉树的性质：

  • 二叉搜索树：任意节点的左子树上的节点值都小于根节点的值，右子树上的节点值都大于根节点的值；

  • 平衡二叉树（Balance Tree）：任意节点的左右子树高度差不大于 1。

2.2 线段树的物理实现

通常，一个二叉树的物理实现可以基于数组，也可以基于链表。不过，因为线段树本身也是平衡二叉树，除了二叉树最后一层节点外，线段树的其它层是满的，所以采用数组的实现空间利用率更高。

那么，怎么实现一个基于数组的线段树呢？其实都是固定套路了：采用数组存储方式时，树的根节点可以分配在数组第 [0] 位，也可以分配在第 [1] 位，两种方式没有明显的区别，主要是计算子节点 / 父节点下标的公式有所不同：

根节点存储在第[0][0][0]位：

  • 对于第[i][i][i]位上的节点，第[2∗i+1][2 * i +1][2∗i+1]位是左节点，第[2∗i+2][2 * i + 2][2∗i+2]位是右节点
  • 对于第[i][i][i]位上的节点，第[(i−1)/2][(i-1) / 2][(i−1)/2]位是父节点

根节点存储在第[1][1][1]位（建议采用，在计算父节点时比较简洁）：

  • 第[0][0][0]位不存储，根节点存储在第[1][1][1]位
  • 对于第[i][i][i]位上的节点，第[2∗i][2 * i][2∗i]位是左节点，第[2∗i+1][2 * i + 1][2∗i+1]位是右节点
  • 对于第[i][i][i]位上的节点，第[i/2][i / 2][i/2]位是父节点

通用实现参考代码：

class SegmentTree<E>(
    private val data: Array<E>,
    private val merge: (e1: E?, e2: E?) -> E
) {

    private val tree: Array<E?>

    init {
        // 开辟 4 * n 空间
        tree = Array<Any?>(4 * data.size) { null } as Array<E?>
        buildSegmentTree(0, 0, data.size - 1)
    }

    /**
     * 左子节点的索引
     */
    fun leftChildIndex(treeIndex: Int) = 2 * treeIndex + 1

    /**
     * 右子节点的索引
     */
    fun rightChildIndex(treeIndex: Int) = 2 * treeIndex + 2

    /**
     * 建树
     * @param treeIndex 当前线段树索引
     * @param left 区间左端点
     * @param right 区间右端点
     */
    private fun buildSegmentTree(treeIndex: Int, left: Int, right: Int) {
        // 见第 3 节
    }

    /**
     * 取原始数据第 index 位元素
     */
    fun get(index: Int): E {
        if (index < 0 || index > data.size) {
            throw IllegalArgumentException("Index is illegal.")
        }
        return data[index]
    }

    /**
     * 区间查询
     * @param left 区间左端点
     * @param right 区间右端点
     */
    fun query(left: Int, right: Int): E {
        if (left < 0 || left >= data.size || right < 0 || right >= data.size || left > right) {
            throw IllegalArgumentException("Index is illegal.");
        }
        // 见第 3 节
    }

    /**
     * 单点更新
     * @param index 数据索引
     * @param value 新值
     */
    fun set(index: Int, value: E) {
        if (index < 0 || index >= data.size) {
            throw IllegalArgumentException("Index is illegal.");
        }
        // 见第 3 节
    }
}
复制代码

其中 buildSegmentTree()、query()、update() 三个方法的实现我们在下一节讲。这里我们着重分析下 为什么线段树需要分配 4n4n4n 的空间？

todo

3. 线段树的基本操作

理解了线段树的逻辑定义和实现，这一节，我带你一步步实现线段树的三个基本操作 —— 建树 & 区间查询 & 更新。

3.1 建树

建树是利用原始数据构建出线段树的数据结构，我们采用的是 自顶向下 的构建方式，对于线段树上的每一个节点，我们先构建出它的左右子树，然后再根据左右两个子节点来构建当前节点。对于叶子节点（单点区间），只根据当前节点来构建。

参考代码：

init {
    tree = Array<Any?>(4 * data.size) { null } as Array<E?>
    buildSegmentTree(0, 0, data.size - 1)
}

/**
 * 建树
 * @param treeIndex 当前线段树索引
 * @param treeLeft 节点区间左端点
 * @param right treeRight 节点区间右端点
 */
private fun buildSegmentTree(treeIndex: Int, treeLeft: Int, treeRight: Int) {
    if (treeLeft == treeRight) {
        // 叶子节点
        tree[treeIndex] = merge(data[treeLeft], null)
        return
    }
    val mid = (treeLeft + treeRight) ushr 1
    val leftChild = leftChildIndex(treeIndex)
    val rightChild = rightChildIndex(treeIndex)
    // 构建左子树
    buildSegmentTree(leftChild, treeLeft, mid)
    // 构建右子树
    buildSegmentTree(rightChild, mid + 1, treeRight)
    tree[treeIndex] = merge(tree[leftChild], tree[rightChild])
}
复制代码

建树复杂度分析：

  • 时间复杂度：O(n)O(n)O(n)
  • 空间复杂度：O(4∗n)O(4 * n)O(4∗n) = O(n)O(n)O(n)

3.2 区间查询

区间查询是查询一段期望区间的结果，基本思路是递归查询子区间的结果，再通过合并子区间的结果来得到期望区间的结果。逻辑如下：

  • 0、从根节点开始查找（根节点是整个区间），递归执行以下步骤：
  • 1、如果查找范围正好等于节点区间范围，直接返回节点聚合数据；
  • 2、如果查找范围正好落在左子树区间范围，那么递归地在左子树查找；
  • 3、如果查找范围正好落在右子树区间范围，那么递归地在右子树查找；
  • 4、如果查找范围横跨两棵子树，那么拆分为两次递归查找，查找完成后 合并 结果。
/**
 * 区间查询
 *
 * @param left 区间左端点
 * @param right 区间右端点
 */
fun query(left: Int, right: Int): E {
    if (left < 0 || left >= data.size || right < 0 || right >= data.size || left > right) {
        throw IllegalArgumentException("Index is illegal.");
    }
    return query(0, 0, data.size - 1, left, right) // 注意：取数据长度
}

/**
 * 区间查询
 *
 * @param treeIndex 当前节点索引
 * @param dataLeft 当前节点左区间
 * @param dataRight 当前节点右区间
 * @param left 区间左端点
 * @param right 区间右端点
 */
private fun query(treeIndex: Int, dataLeft: Int, dataRight: Int, left: Int, right: Int): E {
    if (dataLeft == left && dataRight == right) {
        // 查询范围正好是线段树节点区间范围
        return tree[treeIndex]!!
    }
    val mid = (dataLeft + dataRight) ushr 1
    val leftChild = leftChildIndex(treeIndex)
    val rightChild = rightChildIndex(treeIndex)
    // 查询区间都在左子树
    if (right <= mid) {
        return query(leftChild, dataLeft, mid, left, right)
    }
    // 查询区间都在右子树
    if (left >= mid + 1) {
        return query(rightChild, mid + 1, dataRight, left, right)
    }
    // 查询区间横跨两棵子树
    val leftResult = query(leftChild, dataLeft, mid, left, mid)
    val rightResult = query(rightChild, mid + 1, dataRight, mid + 1, right)
    return merge(leftResult, rightResult)
}
复制代码

查询复杂度分析：

  • 时间复杂度：取决于树的高度，为 O(lgn)O(lgn)O(lgn)
  • 空间复杂度：O(1)O(1)O(1)

3.3 单点更新

单点更新就是在数据变化之后适当调整线段树的结构，基本思路是递归地修改子区间的结果，再通过合并子区间的结果来更新期望当前节点的结果。逻辑如下：

  • 0、更新原数据（data 数组），然后从根节点开始更新值（根节点是整个区间），递归执行以下步骤：
  • 1、如果是叶子节点（left = right），直接更新；
  • 2、如果更新节点正好落在左子树区间范围，那么递归地在左子树更新；
  • 3、如果更新节点正好落在右子树区间范围，那么递归地在右子树更新；
  • 4、更新左右子树之后，再通过合并子树信息来更新当前节点。
/**
 * 单点更新
 *
 * @param index 数据索引
 * @param value 新值
 */
fun set(index: Int, value: E) {
    if (index < 0 || index >= data.size) {
        throw IllegalArgumentException("Index is illegal.");
    }
    data[index] = value
    set(0, 0, data.size - 1, index, value) // 注意：取数据长度
}

private fun set(treeIndex: Int, dataLeft: Int, dataRight: Int, index: Int, value: E) {
    if (dataLeft == dataRight) {
        // 叶子节点
        tree[treeIndex] = value
        return
    }
    // 先更新左右子树，再更新当前节点
    val mid = (dataLeft + dataRight) ushr 1
    val leftChild = leftChildIndex(treeIndex)
    val rightChild = rightChildIndex(treeIndex)
    if (index <= mid) {
        set(leftChild, dataLeft, mid, index, value)
    } else if (index >= mid + 1) {
        set(rightChild, mid + 1, dataRight, index, value)
    }
    tree[treeIndex] = merge(tree[leftChild], tree[rightChild])
}
复制代码

更新复杂度分析：

  • 时间复杂度：取决于树的高度，为 O(lgn)O(lgn)O(lgn)
  • 空间复杂度：O(1)O(1)O(1)

到这里，我们的线段树数据结构就实现完成了，完整代码如下：SegmentTree

4. 典型例题 · 区域和检索 - 数组可变

307. 区域和检索 - 数组可变 【题解】

给你一个数组 nums ，请你完成两类查询，其中一类查询要求更新数组下标对应的值，另一类查询要求返回数组中某个范围内元素的总和。

class NumArray(nums: IntArray) {
    fun update(index: Int, `val`: Int) {

    }

    fun sumRange(left: Int, right: Int): Int {

    }
}

这道题与 【题 303】 是差不多的，区别在于数组是否可变，属于 动态数据 的场景。上一节，我们已经实现了一个通用的线段树数据结构，我们直接使用就好啦。

参考代码：

class NumArray(nums: IntArray) {
    private val segmentTree = SegmentTree<Int>(nums.toTypedArray()) { e1: Int?, e2: Int? ->
        if (null == e1)
            e2!!
        else if (null == e2)
            e1
        else
            e1 + e2
    }

    fun update(index: Int, `val`: Int) {
        segmentTree.set(index, `val`)
    }

    fun sumRange(left: Int, right: Int): Int {
        return segmentTree.query(left, right)
    }
}

有点东西~~没几行代码就搞定了，运行结果也比采用前缀树的方法优秀更多。但是单纯从做题的角度，如果每做一道题都要编写这么一大串 SegmentTree 代码，似乎就太蛋疼了。有没有别的变通方法呢？

5. 线段树的解题框架

定义 SegmentTree 数据结构太花力气，这一节，我们来讨论一种不需要定义 SegmentTree 的通用解题框架。这个解法还是很巧妙的，它虽然不严格满足线段树的定义（不是二叉搜索树，但依然是平衡二叉树），但是实现更简单。

参考代码：

class NumArray(nums: IntArray) {

    private val n = nums.size
    private val tree = IntArray(2 * n) { 0 } // 注意：线段树大小为 2 * n

    init {
        // 构建叶子节点
        for (index in n until 2 * n) {
            tree[index] = nums[index - n]
        }
        // 依次构建父节点
        for (index in n - 1 downTo 0) {
            tree[index] = tree[index * 2] + tree[index * 2 + 1]
        }
    }

    fun update(index: Int, `val`: Int) {
        // 1、先直接更新对应的叶子节点
        var treeIndex = index + n
        tree[treeIndex] = `val`
        while (treeIndex > 0) {
            // 2、循环更新父节点，根据当前节点是偶数还是奇数，判断选择哪两个节点来合并为父节点
            val left = if (0 == treeIndex % 2) treeIndex else treeIndex - 1
            val right = if (0 == treeIndex % 2) treeIndex + 1 else treeIndex
            tree[treeIndex / 2] = tree[left] + tree[right]
            treeIndex /= 2
        }
    }

    fun sumRange(i: Int, j: Int): Int {
        var sum = 0
        var left = i + n
        var right = j + n
        while (left <= right) {
            if (1 == left % 2) {
                sum += tree[left]
                left++
            }
            if (0 == right % 2) {
                sum += tree[right]
                right--
            }
            left /= 2
            right /= 2
        }
        return sum
    }
}

这种实现的优点是只需要 2 * n 空间，而不需要 4 * n 空间下面解释下代码。代码主要由三个部分组成：

5.1 建树

构建线段树需要初始化一个 2∗n2*n2∗n 空间的数组，采用 自底向上 的方式来构建整棵线段树。首先，构建叶子节点，叶子节点的位于数组区间 [n,2n−1][n,2n -1][n,2n−1]，随后再根据子节点的结果来构建父节点（下标为indexindexindex的节点，左子节点下标：2∗index2*index2∗index，右子节点下标：2∗index+12*index+12∗index+1）。参考以下示意图：

5.2 区间查询

区间查询是查询一段期望区间的结果，相对于常规方法构造的线段树，这种线段树的区间查询过程相对较难理解。基本思路是递归地寻找能够代表该区间的节点。逻辑如下：

  • 1、一开始的区间查询等同于线段树数组 [n,2n−1][n,2n-1][n,2n−1] 之间的若干个叶子节点 [left,right][left,right][left,right] 的合并，我们需要向上一层寻找能够代表这些节点的父节点；

  • 2、对于节点 indexindexindex，它的左子节点下标：2∗index2*index2∗index，右子节点下标：2∗index+12*index+12∗index+1，这意味着所有左子节点下标是偶数，所有右子节点下标是奇数；

  • 3、left/=2left /= 2left/=2和right/=2right /= 2right/=2则是寻找父节点，如果 leftleftleft 指针是奇数，那么 leftleftleft 指针节点一定是一个右节点，此时 left/2left/2left/2 节点就无法直接代表 leftleftleft 指针节点，于是只能单独加上这个 “落单” 的节点。同理，如果 rightrightright 指针是偶数，那么 righttrighttrightt 指针节点一定是一个左节点，，此时 right/2right /2right/2 节点就无法直接代表 rightright right 指针节点，于是只能单独加上这个 “落单” 的节点；

  • 4、最后循环退出前left==rightleft == rightleft==right，说明当前节点的区间（去除 “落单” 的节点）正好是所求的区间，直接加上。并且下一躺循环leftleftleft一定大于rightrightright，跳出循环。

5.3 单点更新

单点更新就是在数据变化之后适当调整线段树的结构，基本思路是：先更新目标位置对应的节点，递归地更新父节点。需要注意根据当前节点的索引是偶数或奇数，来确定选择哪两个节点来合并为父节点。

例如，更新的节点是 “a” 节点，它在线段树数组索引 index 是偶数（下标为 6），那么它的父节点是 “ab” 节点需要通过合并 tree[index] + tree[index+1] 来获得的。

6. 总结

  • 前缀和数组与线段树都适用与区间查询问题，前者在数据更新频繁时整体性能会下降，后者平衡了更新与查询两者的时间复杂度，复杂度都是O(lgn)O(lgn)O(lgn)；
  • 从解题的角度，常规的构建线段树的方法太复杂，可以采用反常规的线段树构建方式，代码会更加简洁，空间复杂度也更优秀；
  • 除了线段树，你还知道什么类似的数据结构擅长于区间查询和单点更新吗？

7. 最后

关于面试题，我整理了一份包含初中高三个等级的面试题PDF文档，里面较为详细地总结了一些面试知识点，以及相关面试题的答案，需要的同学可以点击：免费获得！！！

同时除开这份面试题，以前整理的文档也全部分享给大家

以上面试文档全部免费分享给大家：点击这里免费获得！！！

以上是关于面试被问到线段树，已经这么卷了吗？的主要内容，如果未能解决你的问题，请参考以下文章

面试腾讯，字节跳动，华为90%会被问到的HashMap!你会了吗？

面试阿里，字节跳动，美团必被问到的红黑树原来这么简单

面试腾讯，字节跳动，华为90%会被问到的HashMap!你会了吗？

3年自动化测试经验，面试连20K都拿不到，现在都这么卷了吗····

现阶段Android 开发都这么卷了吗？要求都这么高?

三歪面试被问到MySQL事务，回答惊艳了面试官