二叉树遍历¶
同一棵小树,三次都访问了谁?¶
沿着一棵树访问节点,叫作**遍历**。设根是 A,左孩子 B,右孩子 C。此时从 B 或 C 往下看的部分各是一棵只有一个节点的**子树**。前序先访问根,得到 A、B、C。中序把根放在左右子树之间,得到 B、A、C。后序等左右都做完再访问根,得到 B、C、A。写递归程序时,用「访问根的那一行放在哪」记住差别。
若要先处理文件,再删除装它们的目录,哪种顺序方便?
后序更自然:先处理子树,最后处理父节点。层序适合按深度从近到远查看。
从物理结构的角度来看,树是一种基于链表的数据结构,因此其遍历方式是通过指针逐个访问节点。然而,树是一种非线性数据结构,这使得遍历树比遍历链表更加复杂,需要借助搜索算法来实现。
二叉树常见的遍历方式包括层序遍历、前序遍历、中序遍历和后序遍历等。
层序遍历¶
如下图所示,层序遍历(level-order traversal)从顶部到底部逐层遍历二叉树,并在每一层按照从左到右的顺序访问节点。
层序遍历本质上属于广度优先遍历(breadth-first traversal),也称广度优先搜索(breadth-first search, BFS),它体现了一种“一圈一圈向外扩展”的逐层遍历方式。
代码实现¶
广度优先遍历通常借助“队列”来实现。队列遵循“先进先出”的规则,而广度优先遍历则遵循“逐层推进”的规则,两者背后的思想是一致的。实现代码如下:
def level_order(root: TreeNode | None) -> list[int]:
"""层序遍历"""
# 初始化队列,加入根节点
queue: deque[TreeNode] = deque()
queue.append(root)
# 初始化一个列表,用于保存遍历序列
res = []
while queue:
node: TreeNode = queue.popleft() # 队列出队
res.append(node.val) # 保存节点值
if node.left is not None:
queue.append(node.left) # 左子节点入队
if node.right is not None:
queue.append(node.right) # 右子节点入队
return res
复杂度分析¶
- 时间复杂度为 \(O(n)\) :所有节点被访问一次,使用 \(O(n)\) 时间,其中 \(n\) 为节点数量。
- 空间复杂度为 \(O(n)\) :在最差情况下,例如每一层都填满的完美二叉树,遍历到最底层之前,队列中最多同时存在 \((n + 1) / 2\) 个节点,占用 \(O(n)\) 空间。
前序、中序、后序遍历¶
相应地,前序、中序和后序遍历都属于深度优先遍历(depth-first traversal),也称深度优先搜索(depth-first search, DFS),它体现了一种“先走到尽头,再回溯继续”的遍历方式。
下图展示了对二叉树进行深度优先遍历的工作原理。深度优先遍历就像是绕着整棵二叉树的外围“走”一圈,在每个节点都会遇到三个位置,分别对应前序遍历、中序遍历和后序遍历。
代码实现¶
深度优先搜索通常基于递归实现:
Tip
深度优先搜索也可以基于迭代实现,有兴趣的读者可以自行研究。
下图展示了前序遍历二叉树的递归过程,其可分为“递”和“归”两个逆向的部分。
- “递”表示开启新方法,程序在此过程中访问下一个节点。
- “归”表示函数返回,代表当前节点已经访问完毕。
复杂度分析¶
- 时间复杂度为 \(O(n)\) :所有节点被访问一次,使用 \(O(n)\) 时间。
- 空间复杂度为 \(O(n)\) :在最差情况下,即树退化为链表时,递归深度达到 \(n\) ,系统为每层尚未结束的调用保留一份临时数据(栈帧),共占用 \(O(n)\) 空间。












