前言
上一篇文章讨论的二叉搜索树，其时间复杂度最好的情况下是O(log(n))，但是最坏的情况是O(n)，什么时候是O(n)呢？
像这样：
如果先插入10，再插入20，再插入30，再插入40就会成上边这个样子
这个就像是双向链表，我们期望它是下面这个样子：
所以我们希望有一种策略能够将第一个图变成第二个图，或者说使树的结构不会产生像第一种图的形式
实现这种策略的一种方式是AVL树
AVL树
AVL树的名称是以它的发明家的名字命名的：Adel’son-Vel’skii和Landis
满足高度平衡属性的二叉树就是AVL树
高度平衡属性是：对于树中的每一个位置p，p的孩子的高度最多相差1
很显然前言中的第一个图并不满足高度平衡属性，第二个是满足的。
同时高度平衡属性也意味着一颗AVL树的子树同样是AVL树
并且可以通过证明(这里就不再证了)得到AVL树的高度是O(log n)
所以得出结论，AVL树可以使时间复杂度保持O(log n)
接下来的问题就是怎样保持二叉树的高度平衡属性
保持二叉树的高度平衡属性
要保持高度平衡属性的原因是破坏了高度平衡属性
破坏的方式有两种：添加节点与删除节点
添加节点如图：
添加50的时候，就会破坏高度平衡属性
删除节点如图：
删除10的时候也会破坏高度平衡属性
最后，不论是添加节点还是删除节点，都会使树变成非高度平衡的状态，这种非高度平衡的状态有4种：
1.LL
LL是left-left，可以理解为：首先它不平衡，其次根节点的左子树比右子树高，并且根节点的左子树的左子树比根节点的左子树的右子树高。（从上到下都是左边高）
2.LR
LR是left-right，可以理解为：首先它不平衡，其次根节点的左子树比右子树高，并且根节点的左子树的右子树比根节点的左子树的左子树高。（从上到下先左高后右高）
3.RR
RR是right-right，可以理解为：首先它不平衡，其次根节点的右子树比左子树高，并且根节点的右子树的右子树比根节点的右子树的左子树高。（从上到下都是右边高）
4.RL
RL是right-left，可以理解为：首先它不平衡，其次根节点的右子树比左子树高，并且根节点的右子树的左子树比根节点的右子树的右子树高。（从上到下先右高后左高）
最后，判断是哪种形式的非平衡状态，一定要从不平衡的节点位置看，并不是看4层，比如：
这里只有3层节点，不平衡的节点是20，20的左子树比右子树高，10的左子树比右子树高，所以是LL。（这里的高定义为节点5的高度为1，空节点的高度为0）
接下来是保持高度平衡的调整策略：
同样对于4种不同的形式有4种解决方案：
1.LL
这个变换就像是以10为中心，向右旋转，使10变成根节点，10的左子树不变，右子树变成了20，多余出的15正好挂在由于变换失去了左子树的20的左边。变换后结点从左到右的顺序依然没有变，所以15是正好挂在20的左边的。
2.RR
RR与LL形式差不多，只不顾是反着来的。相当于进行一次左旋转。
RR与LL都只进行一次旋转即可，而LR与RL需要进行两次旋转
3.LR
第一次相当于对5、10、15、17这棵子树进行了一次RR旋转，旋转方式与之前的RR方式相同，就像是以15为中心向左旋转，旋转的结果使得整棵树变成了LL的不平衡形态，然后再按照LL的旋转方式对整棵树处理。
4.RL
RL同样是LR的相反模式，先将22、25、30、40这棵子树进行LL旋转，再将整棵树进行RR旋转
理解了avl保持平衡从方式后，就可以用代码来实现了
Python实现
我们使用AVL对上一篇文章中的有序映射进行优化
因为AVL依赖于节点的高度，所以首先要重写一下Node类:
class AvlTree(OrderedMap):
class Node(OrderedMap.Node):
def __init__(self, element, parent=None, left=None, right=None):
super().__init__(element,parent,left,right)
self.height = 0
def left_height(self):
return self.left.height if self.left is not None else 0
def right_height(self):
return self.right.height if self.right is not None else 0
接下来定义4中调整的非公开方法
def _left_left(self,p):
this = p.node # 有变化的就4个节点
left = this.left
parent = this.parent
left_right = this.left.right
if parent is not None:
if this is parent.left:
parent.left = left
else:
parent.right = left
else:
self._root = left
this.parent = left
left.parent = parent
this.left = left_right
left.right = this
if left_right is not None:
left_right.parent = this
def _right_right(self,p):
this = p.node # 有变化的就4个节点
right = this.right
parent = this.parent
right_left = this.right.left
if parent is not None:
if this is parent.left:
parent.left = right
else:
parent.right = right
else:
self._root = right
this.parent = right
right.parent = parent
this.right = right_left
right.left = this
if right_left is not None:
right_left.parent = this
def _left_right(self,p):
self._right_right(self.left(p))
self._left_left(p)
def _right_left(self,p):
self._left_left(self.right(p))
self._right_right(p)
然后是用于平衡二叉树的方法，也就是根据情况调用上边那4种策略
def _isbalanced(self,p):
"""判断节点是否平衡"""
return abs(p.node.left_height() - p.node.right_height()) <= 1
def _recompute_height(self,p):
"""重新计算高度"""
p.node.height = 1 + max(p.node.left_height(),p.node.right_height())
def _rebalanced(self,p):
while p is not None:
if self._isbalanced(p):
self._recompute_height(p)
p = self.parent(p)
else:
if p.node.left_height()>p.node.right_height() and p.node.left.left_height()>p.node.left.right_height():
# LL的情况，只有自己和左孩子的高度可能变化
self._left_left(p)
elif p.node.right_height()>p.node.left_height() and p.node.right.right_height()>p.node.right.left_height():
# RR的情况，只有自己和右孩子的高度可能变化
self._right_right(p)
elif p.node.left_height()>p.node.right_height() and p.node.left.left_height()<p.node.left.right_height():
# LR的情况，只有自己和左孩子和左孩子的右孩子的高度可能变化
left = self.left(p)
self._left_right(p)
self._recompute_height(left)
else:
# RL的情况，只有自己和右孩子和右孩子的左孩子的高度可能变化
right = self.right(p)
self._right_left(p)
self._recompute_height(right)
while p is not None:
# 调整所有p的祖先的高度
self._recompute_height(p)
p = self.parent(p)
然后把方法封装成删除时和插入时的两个方法，虽然执行的内容是相同的
def _rebalanced_insert(self,p):
"""插入时的平衡调整"""
self._rebalanced(p)
def _rebalanced_delete(self, p):
"""删除时的平衡调整"""
self._rebalanced(p)
最后重写一下setitem方法与删除时调用的方法
def __setitem__(self, k, v):
"""优化setitem"""
if self.is_empty():
leaf = self.add_root(self._Item(k, v))
else:
p = self._subtree_search(self.root(), k)
if p.key() == k:
p.element().value = v
return
else:
item = self._Item(k, v)
if p.key() < k:
leaf = self.add_right(p, item)
else:
leaf = self.add_left(p, item)
self._rebalanced_insert(leaf)
def mapdelete(self, p):
if self.left(p) and self.right(p): # 两个孩子都有的时候
replacement = self._subtree_last_position(
self.left(p)) # 用左子树最右位置代替
self.replace(p, replacement.element())
p = replacement
parent = self.parent(p)
self.delete(p)
self._rebalanced_delete(parent)
在实现4种平衡策略时，一定要记着将整棵树的根节点更新，不然遍历的时候，根节点指的就不是真正的根节点了。