add link

4 Tree/4-字典树Trie/README.md

@@ -0,0 +1,152 @@
+# 字典树trie
+
+## trie基本
+
+`字典树`，英文名`Trie树`，Trie一词来自retrieve，发音为/tri:/ “tree”，也有人读为/traɪ/ “try”，
+又称`单词查找树` 或 `前缀树`，Trie树，是一种树形结构（多叉树）。
+
+trie，又称为前缀树或字典树，是一种有序树，用于保存关联数组。
+
+1. 除根节点不包含字符，每个节点都包含一个字符
+2. 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
+3. 每个节点的所有子节点包含的字符都不相同（保证每个节点对应的字符串都不一样）
+
+比如：
+
+```
+                    / \    
+                   / | \
+                  t  a  i                
+                /  \     \
+               o    e     n
+                   /|\    /
+                  a d n  n                
+```
+
+上面的Trie树，可以表示字符串集合{“a”, “to”, “tea”, “ted”, “ten”, “i”, “in”, “inn”} 。
+
+trie树把每个关键字保存在一条路径上，而不是一个节点中  
+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）。  
+
+
+
+### trie 优缺点
+
+它的优点是： 
+
+1. 插入和查询的效率很高，都是O(m),其中 m 是待插入/查询的字符串的长度
+2. Trie树可以对关键字按字典序排序  
+3. 利用字符串的公共前缀来最大限度地减少无谓的字符串比较,提高查询效率
+
+缺点：
+
+1. trie 树比较费内存空间，在处理大数据时会内存吃紧
+2. 当hash函数较好时，Hash查询效率比 trie 更优
+
+[知乎这里](http://www.zhihu.com/question/27168319)有个问题：`10万个串找给定的串是否存在`, 对trie和hash两种方案给出了讨论。 
+
+
+[DATrie](https://github.com/kmike/datrie) 是使用python实现的双数组trie树， 双数组可以减少内存的使用量  。有关 double-array trie，可以参考[这篇论文](http://linux.thai.net/~thep/datrie/datrie.html)
+  
+
+### trie应用
+
+典型应用是：前缀查询,字符串查询，排序  
+  
+* 用于统计，排序和保存大量的字符串（但不仅限于字符串）  
+* 经常被搜索引擎系统用于文本词频统计  
+* 排序大量字符串   
+* 用于索引结构  
+* 敏感词过滤  
+
+
+### 实际应用问题  
+
+1. 给你100000个长度不超过10的单词。对于每一个单词，我们要判断他出没出现过，如果出现了，求第一次出现在第几个位置  
+分析思路一：trie树 ，找到这个字符串查询操作就可以了，如何知道出现的第一个位置呢？我们可以在trie树中加一个字段来记录当前字符串第一次出现的位置。  
+
+2. 已知n个由小写字母构成的平均长度为10的单词,判断其中是否存在某个串为另一个串的前缀子串 
+  
+3. 给出N 个单词组成的熟词表，以及一篇全用小写英文书写的文章，请你按最早出现的顺序写出所有不在熟词表中的生词。  
+分析：trie树查询单词的应用。先建立N个熟词的前缀树，然后按文章的单词一次查询。  
+  
+4. 给出一个词典，其中的单词为不良单词。单词均为小写字母。再给出一段文本，文本的每一行也由小写字母构成。判断文本中是否含有任何不良单词。例如，若rob是不良单词，那么文本problem含有不良单词。
+分析：先用不良单词建立trie树，然后过滤文本(每个单词都在trie树上查询，查询的复杂度O(1),效率非常高)，这正是`敏感词过滤系统(或垃圾评论系统)`的原理。  
+  
+5. 给你N 个互不相同的仅由一个单词构成的英文名，让你将它们按字典序从小到大排序输出
+分析：这是trie树排序的典型应用，建立N个单词的trie树，然后线序遍历整个树，就可以达到效果。  
+
+
+
+
+## trie树存储结构和基本操作
+
+最简单实现 ---- 26个字母表 a-z (没有考虑数字，大小写，其他字符如=-*/)
+子树用数组存储，浪费空间；如果系统中存在大量字符串，且这些字符串基本没有公共前缀，trie树将消耗大量内存  
+如果用链表存储，查询时需要遍历链表，查询效率有所降低
+
+
+
+```
+define ALPHABET_NUM 26
+typedef struct trie_node{
+   char value;
+   bool isKey;/*是否代表一个关键字*/
+   int count; /*可用于词频统计，表示关键字出现的次数*/
+   struct Node *subTries[ALPHABET];
+}*Trie
+
+Trie Trie_create();
+int Trie_insert(Trie trie,char *word); // 插入一个单词
+int Trie_search(Trie trie,char *word);// 查找一个单词
+int Trie_delete(Trie trie,char *word);// 删除一个单词
+
+Trie Trie_create(){
+    trie_node* pNode = new trie_node();
+    pNode->count = 0;
+    for(int i=0; i<ALPHABET_SIZE; ++i)
+        pNode->children[i] = NULL;
+    return pNode;
+}
+
+void trie_insert(trie root, char* key)
+{
+    trie_node* node = root;
+    char* p = key;
+    while(*p)
+    {
+        if(node->children[*p-'a'] == NULL)
+        {
+            node->children[*p-'a'] = create_trie_node();
+        }
+        node = node->children[*p-'a'];
+        ++p;
+    }
+    node->count += 1;
+}
+
+/**
+ * 查询：不存在返回0，存在返回出现的次数
+ */ 
+int trie_search(trie root, char* key)
+{
+    trie_node* node = root;
+    char* p = key;
+    while(*p && node!=NULL)
+    {
+        node = node->children[*p-'a'];
+        ++p;
+    }
+    
+    if(node == NULL)
+        return 0;
+    else
+        return node->count;
+}
+
+```
+
+trie树的增加和删除都比较麻烦，但索引本身就是写少读多，是否考虑添加删除的复杂度上升，依靠具体场景决定。  
+
+
+

4 Tree/4-字典树Trie/字典树.md

@@ -1,148 +0,0 @@
-
-
-## 字典树trie
-
-### trie基本
-
-`字典树`，英文名`Trie树`，Trie一词来自retrieve，发音为/tri:/ “tree”，也有人读为/traɪ/ “try”，
-又称`单词查找树` 或 `前缀树`，Trie树，是一种树形结构（多叉树）。
-
-trie，又称为前缀树或字典树，是一种有序树，用于保存关联数组。
-
-1. 除根节点不包含字符，每个节点都包含一个字符
-2. 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
-3. 每个节点的所有子节点包含的字符都不相同（保证每个节点对应的字符串都不一样）
-
-比如：
-
-```
-                    / \    
-                   / | \
-                  t  a  i                
-                /  \     \
-               o    e     n
-                   /|\    /
-                  a d n  n                
-```
-
-上面的Trie树，可以表示字符串集合{“a”, “to”, “tea”, “ted”, “ten”, “i”, “in”, “inn”} 。
-
-trie树把每个关键字保存在一条路径上，而不是一个节点中  
-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）。  
-
-
-### trie树存储结构和基本操作
-
-最简单实现 ---- 26个字母表 a-z (没有考虑数字，大小写，其他字符如=-*/)
-子树用数组存储，浪费空间；如果系统中存在大量字符串，且这些字符串基本没有公共前缀，trie树将消耗大量内存  
-如果用链表存储，查询时需要遍历链表，查询效率有所降低
-
-
-
-```
-define ALPHABET_NUM 26
-typedef struct trie_node{
-   char value;
-   bool isKey;/*是否代表一个关键字*/
-   int count; /*可用于词频统计，表示关键字出现的次数*/
-   struct Node *subTries[ALPHABET];
-}*Trie
-
-Trie Trie_create();
-int Trie_insert(Trie trie,char *word); // 插入一个单词
-int Trie_search(Trie trie,char *word);// 查找一个单词
-int Trie_delete(Trie trie,char *word);// 删除一个单词
-
-Trie Trie_create(){
-    trie_node* pNode = new trie_node();
-    pNode->count = 0;
-    for(int i=0; i<ALPHABET_SIZE; ++i)
-        pNode->children[i] = NULL;
-    return pNode;
-}
-
-void trie_insert(trie root, char* key)
-{
-    trie_node* node = root;
-    char* p = key;
-    while(*p)
-    {
-        if(node->children[*p-'a'] == NULL)
-        {
-            node->children[*p-'a'] = create_trie_node();
-        }
-        node = node->children[*p-'a'];
-        ++p;
-    }
-    node->count += 1;
-}
-
-/**
- * 查询：不存在返回0，存在返回出现的次数
- */ 
-int trie_search(trie root, char* key)
-{
-    trie_node* node = root;
-    char* p = key;
-    while(*p && node!=NULL)
-    {
-        node = node->children[*p-'a'];
-        ++p;
-    }
-    
-    if(node == NULL)
-        return 0;
-    else
-        return node->count;
-}
-
-```
-
-trie树的增加和删除都比较麻烦，但索引本身就是写少读多，是否考虑添加删除的复杂度上升，依靠具体场景决定。  
-
-
-### trie 问题
-
-它的优点是： 
-
-1. 插入和查询的效率很高，都是O(m),其中 m 是待插入/查询的字符串的长度
-2. Trie树可以对关键字按字典序排序  
-3. 利用字符串的公共前缀来最大限度地减少无谓的字符串比较,提高查询效率
-
-缺点：
-
-1. trie 树比较费内存空间，在处理大数据时会内存吃紧
-2. 当hash函数较好时，Hash查询效率比 trie 更优
-
-[知乎这里](http://www.zhihu.com/question/27168319)有个问题：`10万个串找给定的串是否存在`, 对trie和hash两种方案给出了讨论。 
-
-
-[DATrie](https://github.com/kmike/datrie) 是使用python实现的双数组trie树， 双数组可以减少内存的使用量  。有关 double-array trie，可以参考[这篇论文](http://linux.thai.net/~thep/datrie/datrie.html)
-  
-
-### trie应用
-
-典型应用是：前缀查询,字符串查询，排序  
-  
-* 用于统计，排序和保存大量的字符串（但不仅限于字符串）  
-* 经常被搜索引擎系统用于文本词频统计  
-* 排序大量字符串   
-* 用于索引结构  
-* 敏感词过滤  
-
-### 实际应用问题  
-
-1. 给你100000个长度不超过10的单词。对于每一个单词，我们要判断他出没出现过，如果出现了，求第一次出现在第几个位置  
-分析思路一：trie树 ，找到这个字符串查询操作就可以了，如何知道出现的第一个位置呢？我们可以在trie树中加一个字段来记录当前字符串第一次出现的位置。  
-
-2. 已知n个由小写字母构成的平均长度为10的单词,判断其中是否存在某个串为另一个串的前缀子串 
-  
-3. 给出N 个单词组成的熟词表，以及一篇全用小写英文书写的文章，请你按最早出现的顺序写出所有不在熟词表中的生词。  
-分析：trie树查询单词的应用。先建立N个熟词的前缀树，然后按文章的单词一次查询。  
-  
-4. 给出一个词典，其中的单词为不良单词。单词均为小写字母。再给出一段文本，文本的每一行也由小写字母构成。判断文本中是否含有任何不良单词。例如，若rob是不良单词，那么文本problem含有不良单词。
-分析：先用不良单词建立trie树，然后过滤文本(每个单词都在trie树上查询，查询的复杂度O(1),效率非常高)，这正是`敏感词过滤系统(或垃圾评论系统)`的原理。  
-  
-5. 给你N 个互不相同的仅由一个单词构成的英文名，让你将它们按字典序从小到大排序输出
-分析：这是trie树排序的典型应用，建立N个单词的trie树，然后线序遍历整个树，就可以达到效果。  
-

4 Tree/9-红黑树 R-B tree/红黑树.md

@@ -4,7 +4,7 @@
 ### 应用场景
 
 java 中 HashMap、TreeMap 的底层实现，当HashMap中元素大于8个时，HashMap底层存储实现改为红黑树，以提高元素搜索速度。
-关于 HashMap 实现解析参考 [这里](.../Hash\ Table/HashMap\ in\ Java.md)
+关于 HashMap 实现解析参考 [这里](../../3%20HashTable/HashMap%20in%20Java.md)
 
 
 

4 Tree/README.md

@@ -1,20 +1,51 @@
-
+# 树🌲
-## 树🌲
 
 介绍树相关的算法
 
+* 二叉树
 * 二叉查找树
-* 赫夫曼编码 Huffman
+* AVL树
 * 字典树trie(前缀树，单词查找树)
 * 伸展树
 * 后缀树
-* AVL树
+* B树 : B树, B+树(mysql索引使用B+树的数据结构)
+* 红黑树
+* 二叉堆（优先队列）
 * 红黑树
-* B树
-* B+树   mysql索引使用B+树的数据结构
-* B*树
-* R树
 * Treap 树
+* 赫夫曼编码 Huffman
+
+
+## [二叉查找树](2-二叉查找树/二叉查找树.md)
+
+
+## [AVL树](3-平衡树AVL/README.md)
+
+
+## [字典树trie](4-字典树Trie/README.md)
+
+字典树也叫前缀树，单词查找树
+
+
+## [伸展树](5-伸展树/伸展树.md)
+
+
+## [后缀树](6-后缀树/后缀树.md)
+
+## B树
+
+* [B树](7-B树/B树.md)
+* [B+树](7-B树/B+树.md)  mysql 索引使用 B+树 的数据结构		 
+  
+
+## [二叉堆](8-堆/堆.md) 
+
+
+## [红黑树](9-红黑树%20R-B%20tree/红黑树.md)
+
+
+## 赫夫曼编码 Huffman
+