Tire树-不学面试后悔

简介: Tire树-不学面试后悔

       先来一张图,看多少同学在面试中遇到这个题,然后被迫放弃,那就太可惜,因为这个题只要你往下看就会了

Trie(发音类似 "try")或者说 前缀树 是一种树形数据结构,用于高效地存储和检索字符串数据集中的键。这一数据结构有相当多的应用情景,例如自动补完和拼写检查。


请你实现 Trie 类:


  • Trie() 初始化前缀树对象。
  • void insert(String word) 向前缀树中插入字符串 word 。
  • boolean search(String word) 如果字符串 word 在前缀树中,返回 true(即,在检索之前已经插入);否则,返回 false 。
  • boolean startsWith(String prefix) 如果之前已经插入的字符串 word 的前缀之一为 prefix ,返回 true ;否则,返回 false 。

示例:


输入

["Trie", "insert", "search", "search", "startsWith", "insert", "search"]

[[], ["apple"], ["apple"], ["app"], ["app"], ["app"], ["app"]]

输出

[null, null, true, false, true, null, true]


解释

Trie trie = new Trie();

trie.insert("apple");

trie.search("apple");   // 返回 True

trie.search("app");     // 返回 False

trie.startsWith("app"); // 返回 True

trie.insert("app");

trie.search("app");     // 返回 True

这里呢,如果第一次接触可能会连题目都看不明白,我放张图你就理解了

上图是一棵Trie树,表示了关键字集合{“a”, “to”, “tea”, “ted”, “ten”, “i”, “in”, “inn”} 。从上图可以归纳出Trie树的基本性质:


  • 根节点不包含字符,除根节点外的每一个子节点都包含一个字符。
  • 从根节点到某一个节点,路径上经过的字符连接起来,为该节点对应的字符串。
  • 每个节点的所有子节点包含的字符互不相同。
  • 通常在实现的时候,会在节点结构中设置一个标志,用来标记该结点处是否构成一个单词(关键字)。

可以看出,Trie树的关键字一般都是字符串,而且Trie树把每个关键字保存在一条路径上,而不是一个结点中。另外,两个有公共前缀的关键字,在Trie树中前缀部分的路径相同,所以Trie树又叫做前缀树(Prefix Tree)。


结合前缀树的字面意思,再看看题目,也就知道了这个题的背景,接下来写其实就是一些正常的插入查询逻辑。

leetcode官方题解 -注释究极详细版

class Trie {
private:
    vector<Trie*> children; // 存储当前节点的子节点
    bool isEnd; // 标记当前节点是否为一个单词的结束
 
    // 在 Trie 中搜索特定前缀的私有辅助函数
    Trie* searchPrefix(string prefix){
        Trie *node=this; // 初始化当前节点为根节点
        for(char ch:prefix){ // 遍历前缀中的每个字符
            ch-='a'; // 将字符转换为索引,假设只包含小写字母
            if(node->children[ch]==nullptr) return nullptr; // 如果当前节点的子节点中不存在对应字符的节点,则返回空指针
            node=node->children[ch]; // 否则,移动当前节点到对应字符的子节点
        }
        return node; // 返回最后一个字符的节点
    }
 
public:
    // 构造函数:初始化 Trie 树的根节点,设置子节点数组大小为 26(假设只包含小写字母)
    Trie():children(26),isEnd(false){} 
 
    // 插入单词到 Trie 树中
    void insert(string word) {
        Trie *node =this; // 初始化当前节点为根节点
        for(char ch:word){ // 遍历单词中的每个字符
            ch-='a'; // 将字符转换为索引,假设只包含小写字母
            if(node->children[ch]==nullptr) node->children[ch]=new Trie(); // 如果当前节点的子节点中不存在对应字符的节点,则创建一个新的节点
            node=node->children[ch]; // 移动当前节点到对应字符的子节点
        }
        node->isEnd=true; // 标记当前节点为一个单词的结束
    }
    
    // 搜索是否存在完整的单词
    bool search(string word) {
        Trie *node =this->searchPrefix(word); // 在 Trie 中搜索特定单词
        return node!=nullptr && node->isEnd; // 如果找到了该单词的最后一个字符节点且该节点标记为一个单词的结束,则返回 true;否则返回 false
    }
    
    // 搜索是否存在以特定前缀开头的单词
    bool startsWith(string prefix) {
        return this->searchPrefix(prefix)!=nullptr; // 在 Trie 中搜索特定前缀,如果找到了前缀的最后一个字符节点,则返回 true;否则返回 false
    }
};

另一种比较好写的方法,推荐

class Trie {
private:
    Trie* next[26]; // 每个节点有 26 个可能的子节点,用于存储当前节点的子节点
    bool isEnd; // 标记当前节点是否是一个单词的结束
 
public:
    // 构造函数:初始化 Trie 树的根节点
    Trie(){
        isEnd=false; // 初始化标记为非单词的结束
        memset(next,0,sizeof(next)); // 将所有子节点指针初始化为空
    }
 
    // 插入单词到 Trie 树中
    void insert(string word) {
        Trie *node =this; // 初始化当前节点为根节点
        for(auto c:word){ // 遍历单词中的每个字符
            if(node->next[c-'a']==nullptr) // 如果当前字符的子节点不存在
                node->next[c-'a']=new Trie(); // 创建一个新的节点
            node=node->next[c-'a']; // 移动当前节点到对应字符的子节点
        }
        node->isEnd=true; // 标记当前节点为一个单词的结束
    }
    
    // 搜索是否存在完整的单词
    bool search(string word) {
        Trie *node =this; // 初始化当前节点为根节点
        for(char c:word){ // 遍历单词中的每个字符
            node=node->next[c-'a']; // 移动当前节点到对应字符的子节点
            if(node==nullptr) return false; // 如果当前节点为空,说明 Trie 中不存在该单词,返回 false
        }
        return node->isEnd; // 返回最后一个字符节点的结束标记,即是否是一个完整的单词
    }
    
    // 搜索是否存在以特定前缀开头的单词
    bool startsWith(string prefix) {
        Trie *node =this; // 初始化当前节点为根节点
        for(char c:prefix){ // 遍历前缀中的每个字符
            node=node->next[c-'a']; // 移动当前节点到对应字符的子节点
            if(node==nullptr) return false; // 如果当前节点为空,说明 Trie 中不存在以该前缀开头的单词,返回 false
        }
        return true; // 如果遍历完前缀中的所有字符,说明 Trie 中存在以该前缀开头的单词,返回 true
    }
};
相关文章
|
机器学习/深度学习 存储 算法
机器学习面试笔试知识点-决策树、随机森林、梯度提升决策树(GBDT)、XGBoost、LightGBM、CatBoost
机器学习面试笔试知识点-决策树、随机森林、梯度提升决策树(GBDT)、XGBoost、LightGBM、CatBoost
530 0
|
3月前
|
机器学习/深度学习 算法 数据挖掘
【数据挖掘】 GBDT面试题:其中基分类器CART回归树,节点的分裂标准是什么?与RF的区别?与XGB的区别?
文章讨论了梯度提升决策树(GBDT)中的基分类器CART回归树的节点分裂标准,并比较了GBDT与随机森林(RF)和XGBoost(XGB)的区别,包括集成学习方式、偏差-方差权衡、样本使用、并行性、最终结果融合、数据敏感性以及泛化能力等方面的不同。
51 1
|
6月前
【一刷《剑指Offer》】面试题 18:树的子结构
【一刷《剑指Offer》】面试题 18:树的子结构
面试还在被红-黑树虐?看完这篇轻松搞定面试官(二)
面试还在被红-黑树虐?看完这篇轻松搞定面试官
面试还在被红-黑树虐?看完这篇轻松搞定面试官(二)
|
6月前
|
存储 算法 关系型数据库
【面试普通人VS高手系列】b树和b+树的理解
【面试普通人VS高手系列】b树和b+树的理解
|
6月前
|
人工智能 算法
【数据结构入门精讲 | 第十三篇】考研408、公司面试树专项练习(二)
【数据结构入门精讲 | 第十三篇】考研408、公司面试树专项练习(二)
89 0
|
6月前
|
机器学习/深度学习 存储 算法
【数据结构入门精讲 | 第十二篇】考研408、公司面试树专项练习(一)
【数据结构入门精讲 | 第十二篇】考研408、公司面试树专项练习(一)
330 0
|
6月前
|
JavaScript 算法 前端开发
面试题:vue2和vue3区别、vue3项目的打包体积为什么减少40%、vue2和vue3同样可以使用TS开发,为什么vue3就易于扩展呢?vue3的摇树优化是怎么样的优化过程?
面试题:vue2和vue3区别、vue3项目的打包体积为什么减少40%、vue2和vue3同样可以使用TS开发,为什么vue3就易于扩展呢?vue3的摇树优化是怎么样的优化过程?
193 0
|
6月前
|
SQL 数据挖掘 数据处理
「SQL面试题库」 No_36 树节点
「SQL面试题库」 No_36 树节点
|
前端开发
头条面试题:计算目录树的深度
头条面试题:计算目录树的深度
85 0