首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >【数据结构】二叉树的顺序存储、堆的实现及其应用:堆排序与Top-K问题

【数据结构】二叉树的顺序存储、堆的实现及其应用:堆排序与Top-K问题

作者头像
苏兮
发布2026-01-13 17:33:50
发布2026-01-13 17:33:50
1260
举报

二叉树的顺序存储、堆的实现及其应用:堆排序与Top-K问题

前言:在上一节【树与二叉树】中,我们已经了解了二叉树的基本结构与存储方式。 本篇文章将更进一步,重点介绍 二叉树的顺序结构,并在此基础上引出一个重要的数据结构——。 堆作为一种特殊的完全二叉树,在很多场景中都有着广泛应用,例如 堆排序Top-K问题。这两者不仅是数据结构课程的经典内容,也是实际工程中经常遇到的高频问题(如排行榜、搜索结果推荐、日志数据统计等)。 通过本篇文章,你将从堆的概念入手,逐步掌握堆的构建、插入、删除、调整等作,并学会如何利用堆来实现排序和解决Top-K问题。 📖专栏【数据结构】

一、二叉树的顺序结构

普通的二叉树是不适合用数组来存储的,因为可能会存在大量的空间浪费。而完全二叉树更适合使用顺序结构存储。现实中我们通常把堆(一种二叉树)使用顺序结构的数组来存储,需要注意的是这里的堆和操作系统虚拟进程地址空间中的堆是两回事,一个是数据结构,一个是操作系统中管理内存的一块区域分段。

在这里插入图片描述
在这里插入图片描述

二、堆的概念及结构

如果有一个关键码的集合K = { , , ,…, },把它的所有元素按完全二叉树的顺序存储方式存储在一个一维数组中,并满足: <= 且 <= ( >= 且 >= ) i = 0,1,2…,则称为小堆(或大堆)。将根结点最大的堆叫做最大堆或大根堆,根结点最小的堆叫做最小堆或小根堆。 如下图:

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

由此我们可以得到,堆的性质: 1. 堆中某个结点的值总是不大于或不小于其父结点的值; 2. 堆总是一棵完全二叉树。

三、堆的实现

3.1 堆的一些简单操作

堆的结构定义:

代码语言:javascript
复制
typedef int HPDataType; 
typedef struct Heap
{
	HPDataType* _a;
	int _size;
	int _capacity;
}Heap;

堆的初始化

代码语言:javascript
复制
void HeapInit(Heap* hp) {
	assert(hp);
	hp->_a = NULL;
	hp->_size = 0;
	hp->_capacity = 0;
}

堆的销毁

代码语言:javascript
复制
void HeapDestroy(Heap* hp) {
	assert(hp);
	free(hp->_a);
	hp->_a = NULL;
	hp->_size = hp->_capacity = 0;
}

检查并扩容

代码语言:javascript
复制
void HeapCheckCapacity(Heap* hp) {
    assert(hp);
    if (hp->_size == hp->_capacity) 
    {
        int newCapacity = hp->_capacity == 0 ? 4 : hp->_capacity * 2;
        HPDataType* tmp = (HPDataType*)realloc(hp->_a, 
                                        newCapacity * sizeof(HPDataType));
        if (tmp == NULL) {
            perror("realloc fail");
            exit(-1);
        }
        hp->_a = tmp;
        hp->_capacity = newCapacity;
    }
}

获取堆顶元素

代码语言:javascript
复制
HPDataType HeapTop(Heap* hp) 
{
	assert(hp);
	assert(!HeapEmpty(hp));
	return hp->_a[0];
}

获取堆的大小

代码语言:javascript
复制
int HeapSize(Heap* hp) 
{
	assert(hp);
	return hp->_size;
}

判断堆是否为空

代码语言:javascript
复制
bool HeapEmpty(Heap* hp) 
{
	assert(hp);
	return hp->_size == 0;
}
3.2 堆的插入(堆向上调整算法)

我们先来看一下如何在堆中插入数据(以小堆为例):

在这里插入图片描述
在这里插入图片描述

下面我们就要用新插入节点双亲节点进行比较,如果小于双亲结点,就与双亲节点交换,之后继续与此时的双亲节点比较进行比较,停止条件也很简单,一种就是双亲节点小于新插入的节点,一种就是新插入节点已经是根节点了。 来看一下调整过程:

在这里插入图片描述
在这里插入图片描述

调整思想说完了,总结来说,就是,插入数据之后,与其双亲结点比较,然后调整,使其保证堆的性质 下面我们来进行代码的完成:

代码语言:javascript
复制
void Swap(int* x, int* y)
{
	int tmp = *x; 
	*x = *y;
	*y = tmp;
}
//向上调整算法
void AdjustUp(int* a, int n)//需要调整的是最后一个
{
	int child = n - 1;
	while (child > 0)//新插入的点成为根节点后就不用比较
	{
		int parents = (child - 1) / 2;
		if (a[child] < a[parents])
		{
			Swap(&a[child], &a[parents]);
			child = parents;//新插入的点来到双亲结点
		}
		else
			break;
	}
}

这种方法也称为堆向上调整算法。 下面我们对于堆的插入代码进行完成:

代码语言:javascript
复制
void HeapPush(Heap* hp, HPDataType x) {
    assert(hp);
    // 1. 检查容量
    HeapCheckCapacity(hp);
    // 2. 将新元素插入到堆的末尾
    hp->_a[hp->_size] = x;
    hp->_size++;
    // 3. 对最后一个元素进行向上调整,保持堆结构
    AdjustUp(hp->_a, hp->_size - 1);
}
3.3 堆向下调整算法

现在我们给出一个数组,逻辑上看做一颗完全二叉树。我们通过从根结点开始的向下调整算法可以把它调整成一个小堆。向下调整算法有一个前提:左右子树必须是一个堆,才能调整。

代码语言:javascript
复制
int arr[] = {27,15,19,18,28,34,65,49,25,37};

在这里插入图片描述
在这里插入图片描述

下面我们进行代码的完成:

代码语言:javascript
复制
//向下调整算法 
// a: 堆数组
// n: 堆的大小(数组有效长度)
// root: 需要调整的节点的下标(从这个节点开始向下调整)
void AdjustDown(int* a, int n, int root)
{
	int parent = root;
	int child = parent * 2 + 1; // 默认先指向左孩子

	// 当孩子索引还在堆数组范围内时,继续调整
	while (child < n)
	{
		// 1. 选出左右孩子中较小的那一个
		// 如果右孩子存在,且右孩子比左孩子小,则让child指向右孩子
		if (child + 1 < n && a[child + 1] < a[child])
		{
			child++;
		}
		// 2. 比较双亲节点和较小的孩子
		if (a[child] < a[parent])
		{
			// 如果孩子比双亲小,则交换它们的内容
			Swap(&a[child], &a[parent]);
			// 继续向下调整:双亲指针下沉到孩子的位置
			parent = child;
			// 计算新的左孩子位置
			child = parent * 2 + 1;
		}
		else
		{
			// 如果双亲已经比两个孩子都小了,说明调整完成,满足堆的性质
			break;
		}
	}
}

有这个算法,我们可以试着对堆顶进行删除

3.4 堆的删除

删除堆是删除堆顶的数据,将堆顶的数据根最后一个数据一换,然后删除数组最后一个数据,再进行向下调整算法。

在这里插入图片描述
在这里插入图片描述
代码语言:javascript
复制
// 堆的删除(删除堆顶元素)
void HeapPop(Heap* hp) {
    assert(hp);
    assert(!HeapEmpty(hp)); // 堆不能为空
    
    // 1. 将堆顶元素与最后一个元素交换
    Swap(&hp->_a[0], &hp->_a[hp->_size - 1]);
    // 2. 删除最后一个元素(也就是原来的堆顶)
    hp->_size--;
    // 3. 对新的堆顶元素进行向下调整,保持堆结构
    AdjustDown(hp->_a, hp->_size, 0);
}
3.5 堆的创建

对于堆的创建,我们也要用到堆向下调整算法。

结合堆向下调整算法

在这里插入图片描述
在这里插入图片描述

那现在就转到了如何找第一个非叶子结点,由于它是完全二叉树,所以它的第一个非叶子结点是它最后一个叶子结点的双亲结点。 最后一个叶子结点:(n-1),则双亲结点为:((n-1-1)/2 ),对于这一点的证明见【树与二叉树:结构、性质与存储】**

代码语言:javascript
复制
// 堆的构建
void HeapCreate(Heap* hp, HPDataType* a, int n) 
{
    assert(hp && a);
    assert(n >= 0);

    // 1. 使用已有的初始化函数
    HeapInit(hp);
    
    if (n == 0) {
        return;
    }

    HeapCheckCapacity(hp); 

    // 2. 拷贝数据
    memcpy(hp->_a, a, n * sizeof(HPDataType));
    hp->_size = n;

    // 3. 构建堆:从最后一个非叶子节点开始向下调整
	// 最后一个非叶子节点的索引 = (n-1-1)/2 = (n-2)/2
    for (int i = (n - 1 - 1) / 2; i >= 0; i--) 
    {
        AdjustDown(hp->_a, n, i);
    }
}

四、堆的应用

在对上面的内容有了深入了解后,我们可以来看看堆排序和TOP-K问题

4.1 堆排序

对于排序想必大家应该很熟悉了,就是将无序的一组数据调整为有序,那什么是堆排序呢,就是利用堆的思想进行排序。 那么,现在给出一个数组,如何来排序呢?

代码语言:javascript
复制
int a[] = {1,5,3,8,7,6}; 

在对于堆的创建和堆的删除有了了解后,我们以升序为例来分析一下,如果我们建一个大堆,然后将堆顶与最后一个数据交换,然后又把除了最后一个数据(原来堆顶的元素,即数组中最大的元素)又重新建堆(和堆的删除思想相似,只是这里我们没有真正删除,而是看做删除了),依次进行上述操作,直到数组中的元素看起来是一个。

总结:

堆排序即利用堆的思想来进行排序,总共分为两个步骤:

  1. 建堆 升序:建大堆 降序:建小堆
  2. 利用堆删除思想来进行排序 建堆和堆删除中都用到了向下调整,因此掌握了向下调整,就可以完成堆排序。

说明一个误区: 在堆排序建堆的时候,我们可能想着直接把数据传入到堆中,然后进行建堆,如下图所示:

在这里插入图片描述
在这里插入图片描述

但是,我们真的要这么做吗,其实我们会发现,最终在堆中调整数据还是在数组中进行向下调整算法进行建堆,所以,我们可以不用在堆中的数组中进行建堆,我们直接在原来的数组中不就行了嘛,这一点要清楚,即活学活用。

根据上述总结的步骤我们来完成代码:

代码语言:javascript
复制
void HeapSort(int* a, int n)
{
	//建堆
	for (int i = (n - 2) / 2; i >= 0; i--)
	{
		AdjustDown(a, n, i);
	}
	//排序
	for (int i = n - 1; i > 0; i--)
	{
		Swap(&a[0], &a[i]);//首尾交换
		AdjustDown(a, i , 0);//对剩余的进行调整,即对未排序的进行调整
	}
}

代码写起来很简单,我们来简单的测试一下

在这里插入图片描述
在这里插入图片描述
堆排序的时间复杂度证明

没问题。接下来我们来看看堆排序的时间复杂度吧,先说结论:N*logN,再证明

对于时间复杂度,我们不能盲目的数循环的次数,而是要进行深入的分析:

在这里插入图片描述
在这里插入图片描述

因为堆是完全二叉树,而满二叉树也是完全二叉树,此处为了简化使用满二叉树来证明(时间复杂度本来看的就是近似值,多几个结点不影响最终结果):

  1. 建堆(统一为最坏情况)
在这里插入图片描述
在这里插入图片描述
  1. 排序
在这里插入图片描述
在这里插入图片描述

我们来详细的推一推这个结果

在这里插入图片描述
在这里插入图片描述

所以可知,堆排序的时间复杂度为O(N*logN)

辨析:有些人想着为什么不用向上调整算法建堆,一个一个的插入建堆。 这里我们简单提一下:

在这里插入图片描述
在这里插入图片描述

可见,它与堆排序的时间复杂度相同,只是一个向下,一个向上调整,所以就没有用的必要了,浪费时间。

4.2 TOP-K问题

TOP-K问题:即求数据结合中前K个最大的元素或者最小的元素,一般情况下数据量都比较大。 比如:专业前10名、世界500强、富豪榜、游戏中前100的活跃玩家等。 对于Top-K问题,能想到的最简单直接的方式就是排序

1. 直接排序法

最直观的办法是对整个数据集进行排序,然后取前K个元素。

  • 优点:思路简单,容易实现。
  • 缺点:当数据量非常大时,排序的时间复杂度为 O(N log N),而我们只关心前K个元素,代价太高;另外,数据集可能无法一次性加载进内存,排序难以完成。

2. 堆排序思想(推荐)

最常见、最优的方式是使用 堆(Heap) 来解决。

基本思路:
  • 如果要找 前K大元素
    • 建立一个小根堆(堆顶是最小值)。
    • 将前K个元素放入堆中。
    • 从第K+1个元素开始,依次与堆顶比较:
      • 如果比堆顶大,就替换堆顶并调整堆;
      • 如果比堆顶小或相等,则忽略。
    • 最终,堆中保留的就是前K大的元素,堆顶即是第K大元素。

代码实现:(因为数据较多,所以我们从文件数据中读取 10000 个整数,利用小根堆的方法,找出前k个最大的数,并打印出来。)

代码语言:javascript
复制
void PrintTopK(int k)
{
	int* a = (int*)malloc(k * sizeof(int));
	if (a == NULL)
		return;
	FILE* pf = fopen("data.txt", "r");
	if (pf == NULL) {

		perror("opening file");
		return;
	}
	for (int i = 0; i < k; i++)
	{
		fscanf(pf, "%d", &a[i]);
	}	
	
	//建堆
	for (int i = (k - 2) / 2; i >= 0; i--)
	{
		AdjustDown(a, i, k);
	}
	//调整
	int x = 0;
	for (int i = k; i < 10000; i++)
	{
		fscanf(pf, "%d", &x);
		if (x > a[0])
		{
			a[0] = x;
			AdjustDown(a, 0, k);
		}
	}
	//打印
	//注意:这里打印的结果不是有序的,因为堆只保证堆顶最小,并不保证整体有序。
	for (int i = 0; i < k; i++)
	{
		printf("%d ", a[i]);
	}
}
  • 如果要找 前K小元素
    • 建立一个大根堆(堆顶是最大值),思路类似。
复杂度分析:
  • 建堆时间:O(K)
  • 扫描剩余 N-K 个元素,每次调整堆的代价为 O(log K)
  • 总复杂度:O(N log K),当 K ≪ N 时效率远高于全量排序。
  • 空间复杂度:O(K)

五、总结

本文首先介绍了二叉树的顺序结构,接着引出了堆这种基于完全二叉树的存储方式,并详细实现了堆的基本操作。在此基础上,我们重点讲解了堆的两个经典应用:堆排序Top-K问题。 通过这些内容我们可以发现,堆的核心思想就是利用完全二叉树的有序性来高效管理数据。无论是排序还是大数据场景下的前K问题,堆都提供了一种比“全量排序”更高效、更节省空间的解决方案。 掌握堆的使用,不仅能加深你对二叉树及排序算法的理解,也能为后续学习优先队列、图算法(如Dijkstra最短路径)、大数据处理等打下坚实基础。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2025-08-26,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 二叉树的顺序存储、堆的实现及其应用:堆排序与Top-K问题
    • 一、二叉树的顺序结构
    • 二、堆的概念及结构
    • 三、堆的实现
      • 3.1 堆的一些简单操作
      • 3.2 堆的插入(堆向上调整算法)
      • 3.3 堆向下调整算法
      • 3.4 堆的删除
      • 3.5 堆的创建
    • 四、堆的应用
      • 4.1 堆排序
      • 4.2 TOP-K问题
    • 五、总结
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档