1. 二叉搜索树操作集到底在解决什么问题二叉搜索树Binary Search Tree简称BST是数据结构课程里绕不开的一道坎。很多人学完链表、栈、队列之后一到树就开始发懵尤其是BST的各种操作——插入、删除、查找、找最大最小、找前驱后继——单独看每个都不难但真到写代码的时候边界条件一多就容易翻车。我自己当年第一次手写删除节点的时候被“有两个子节点”的情况卡了整整一个下午删完不是断链就是丢子树调试器里看着指针乱飞那叫一个酸爽。这篇内容就是围绕“二叉搜索树的操作集”这个主题把BST的核心操作从头到尾捋一遍。适合谁看如果你正在学数据结构或者准备面试被问到“手写一个BST的插入和删除”又或者你工作中偶尔需要用到有序字典这类结构那这篇内容应该能帮到你。我会从设计思路讲起把每个操作的原理、边界条件、代码实现、常见坑都拆开揉碎尽量做到你照着就能写出来、写完就能跑对。BST本质上就是一棵二叉树但它多了一条铁律对于任意节点左子树所有节点的值都小于它右子树所有节点的值都大于它。这条性质看着简单但它就是所有操作高效的根本原因。有了这条性质查找的时候每次比较都能排除掉一半的子树理想情况下查找、插入、删除的时间复杂度都是O(log n)跟二分查找一个道理。但注意这是理想情况如果插入的数据本身有序BST会退化成一条链复杂度直接掉到O(n)这个问题后面会专门讲。操作集通常包含哪些一般包括查找某个值、插入一个值、删除一个值、找最小值、找最大值、找某个节点的前驱和后继。有些教材还会加上遍历中序、前序、后序和判断是否为空。我下面会按“先讲原理再上代码”的节奏来代码用Python和C两种语言对照因为这两种是大家最常用的Python写起来简洁适合理解逻辑C能让你看清指针操作的细节。2. 核心操作的设计思路与选型考量2.1 为什么用递归而不是迭代BST的操作天然适合递归因为树本身就是递归定义的一棵树由根节点和左右两棵子树组成。用递归写查找逻辑就是“如果当前节点为空就返回失败如果值相等就返回当前节点如果小于就往左走大于就往右走”四行代码搞定清晰得不行。迭代也能写用一个while循环不断更新当前指针但代码会稍微啰嗦一点而且删除操作里找后继的时候递归的写法更符合直觉。不过递归有个隐患如果树退化成链递归深度会达到n栈空间可能爆掉。所以实际工程里如果数据量特别大且不确定是否平衡迭代会更安全。但作为学习和小规模使用递归完全够用而且更好理解。我的建议是先把递归版本写熟理解每一步在干什么然后再去写迭代版本作为优化。2.2 节点结构的设计节点结构很简单一个值域加两个指针。Python里可以用类也可以用namedtuple但类更灵活因为要修改指针。C里就是struct加左右指针。这里有个小细节要不要加一个父指针加了父指针可以让找前驱后继更方便不用从根开始搜但插入删除的时候维护父指针会多不少代码。对于基础操作集我建议先不加父指针保持结构简单找前驱后继就用“从根搜索”的方式虽然多花点时间但逻辑清晰。class TreeNode: def __init__(self, val): self.val val self.left None self.right Nonestruct TreeNode { int val; TreeNode* left; TreeNode* right; TreeNode(int x) : val(x), left(nullptr), right(nullptr) {} };2.3 删除操作为什么是最难的插入和查找都是“一路走到黑”找到位置或者找不到就结束逻辑线性。但删除不一样删掉一个节点之后要保证剩下的树仍然满足BST性质这就涉及到“谁来接替被删节点的位置”的问题。分三种情况叶子节点直接删只有一个子节点用子节点顶替有两个子节点就麻烦了——你得从左边找最大值或者从右边找最小值来替换然后递归删除那个替换节点。很多人第一次写就栽在第三种情况要么忘了递归删除要么替换之后没处理好指针。我个人的经验是把删除操作单独拿出来反复写五遍每遍都画图画到你能闭着眼睛说出每一步指针怎么变才算真正掌握。下面我会把三种情况逐一拆解配上图示说明文字描述版。3. 核心操作逐个拆解与代码实现3.1 查找操作从根一路比较到底查找的逻辑最直白从根节点开始如果当前节点为空说明没找到返回空如果目标值等于当前节点的值返回当前节点如果目标值小于当前节点值往左子树找否则往右子树找。这个过程每次都能排除一半的子树所以平均效率很高。def search(root, target): if root is None: return None if root.val target: return root if target root.val: return search(root.left, target) return search(root.right, target)TreeNode* search(TreeNode* root, int target) { if (root nullptr) return nullptr; if (root-val target) return root; if (target root-val) return search(root-left, target); return search(root-right, target); }这里有个小技巧如果你要频繁查找可以考虑把递归改成迭代减少函数调用开销。迭代版本就是一个while循环每次更新root指针直到root为空或者找到目标。两种写法效率差不多但迭代不会爆栈。注意查找的前提是这棵树确实是BST。如果你在插入的时候写错了导致树不满足BST性质查找就会给出错误结果。所以每次写完插入最好用中序遍历验证一下输出是否有序。3.2 插入操作找到空位就放进去插入的思路是从根开始比较如果目标值小于当前节点值就往左走大于就往右走如果走到空位就在那里新建一个节点。如果树里已经有这个值了怎么办这取决于你的需求。有些场景允许重复值那就约定好重复值放左边还是右边有些场景不允许重复那就直接返回不插入。我这里按不允许重复来处理遇到相等就直接返回。def insert(root, val): if root is None: return TreeNode(val) if val root.val: root.left insert(root.left, val) elif val root.val: root.right insert(root.right, val) # 相等则不插入 return rootTreeNode* insert(TreeNode* root, int val) { if (root nullptr) return new TreeNode(val); if (val root-val) root-left insert(root-left, val); else if (val root-val) root-right insert(root-right, val); return root; }插入操作有一个容易忽略的点递归调用之后要把返回值赋回给root.left或root.right。这是因为当子树为空时递归会返回一个新节点你需要把这个新节点挂到父节点上。如果忘了赋值新节点就丢了树里根本插不进去。我见过不少初学者在这里翻车代码看着没问题跑起来就是插不进去原因就是漏了赋值。3.3 找最小值和最大值一路向左或向右BST的最小值一定在最左边的节点最大值一定在最右边的节点。所以找最小值就是一路往左走直到没有左子节点找最大值就是一路往右走。这两个操作非常简单但它们是删除操作的基础因为删除有两个子节点的节点时需要找右子树的最小值来替换。def find_min(root): if root is None: return None while root.left: root root.left return root def find_max(root): if root is None: return None while root.right: root root.right return rootTreeNode* findMin(TreeNode* root) { if (root nullptr) return nullptr; while (root-left) root root-left; return root; } TreeNode* findMax(TreeNode* root) { if (root nullptr) return nullptr; while (root-right) root root-right; return root; }提示找最小值用迭代比递归好因为不需要回溯迭代更直观也更省栈空间。3.4 删除操作三种情况各个击破删除是BST操作集里最复杂的没有之一。我把它拆成三种情况第一种被删节点是叶子节点。直接把它父节点对应的指针置空就行。但这里有个问题你怎么知道父节点是谁如果用递归写就不需要显式知道父节点因为递归返回的时候自然会把新的子树根节点挂回去。第二种被删节点只有一个子节点。用那个唯一的子节点顶替它的位置就行。同样用递归处理返回那个子节点即可。第三种被删节点有两个子节点。这时候需要找右子树的最小值或者左子树的最大值把那个值复制到当前节点然后递归删除那个最小值节点。为什么选右子树最小值因为它是右子树里最小的放到当前节点位置后仍然满足“左子树全部小于它右子树全部大于它”的性质。def delete(root, val): if root is None: return None if val root.val: root.left delete(root.left, val) elif val root.val: root.right delete(root.right, val) else: # 找到要删除的节点 if root.left is None: return root.right if root.right is None: return root.left # 有两个子节点 min_node find_min(root.right) root.val min_node.val root.right delete(root.right, min_node.val) return rootTreeNode* deleteNode(TreeNode* root, int val) { if (root nullptr) return nullptr; if (val root-val) { root-left deleteNode(root-left, val); } else if (val root-val) { root-right deleteNode(root-right, val); } else { if (root-left nullptr) return root-right; if (root-right nullptr) return root-left; TreeNode* minNode findMin(root-right); root-val minNode-val; root-right deleteNode(root-right, minNode-val); } return root; }删除操作有几个坑我必须提醒你。第一个坑找右子树最小值之后递归删除的时候要从root.right开始删不能从root开始否则会死循环。第二个坑如果只写return root.right或者return root.left别忘了这是递归的返回值会被挂到上一层父节点的指针上所以不需要手动去改父节点指针。第三个坑如果树里没有要删除的值整个递归走完什么都不会变这是正确的行为不要画蛇添足加额外判断。3.5 找前驱和后继中序序列的邻居前驱指的是中序遍历中某个节点的前一个节点后继是后一个节点。中序遍历BST会得到一个升序序列所以前驱就是比当前值小的最大节点后继就是比当前值大的最小节点。找后继有两种思路。第一种是从根开始搜索如果当前节点有右子树后继就是右子树的最小值如果没有右子树后继就是“祖先中第一个比它大的节点”。第二种思路是利用中序遍历但那样需要额外空间。我这里讲第一种因为它不需要额外存储。def successor(root, target): succ None while root: if target root.val: succ root root root.left elif target root.val: root root.right else: if root.right: return find_min(root.right) break return succTreeNode* successor(TreeNode* root, int target) { TreeNode* succ nullptr; while (root) { if (target root-val) { succ root; root root-left; } else if (target root-val) { root root-right; } else { if (root-right) return findMin(root-right); break; } } return succ; }前驱的逻辑对称如果当前节点有左子树前驱就是左子树的最大值否则就是“祖先中第一个比它小的节点”。def predecessor(root, target): pred None while root: if target root.val: pred root root root.right elif target root.val: root root.left else: if root.left: return find_max(root.left) break return pred注意前驱和后继的搜索过程中succ和pred的更新时机很关键。当target小于当前节点值时当前节点有可能是后继所以先记录再往左走当target大于当前节点值时当前节点不可能是后继直接往右走。这个逻辑我当初理解了好久画个图就清楚了。4. 完整操作集的整合与测试验证4.1 把操作串起来一个可运行的完整示例光看单个函数不过瘾我把所有操作整合到一个类里写一个完整的测试用例你可以直接复制运行。class BST: def __init__(self): self.root None def insert(self, val): self.root self._insert(self.root, val) def _insert(self, node, val): if node is None: return TreeNode(val) if val node.val: node.left self._insert(node.left, val) elif val node.val: node.right self._insert(node.right, val) return node def search(self, val): return self._search(self.root, val) def _search(self, node, val): if node is None or node.val val: return node if val node.val: return self._search(node.left, val) return self._search(node.right, val) def delete(self, val): self.root self._delete(self.root, val) def _delete(self, node, val): if node is None: return None if val node.val: node.left self._delete(node.left, val) elif val node.val: node.right self._delete(node.right, val) else: if node.left is None: return node.right if node.right is None: return node.left min_node self._find_min(node.right) node.val min_node.val node.right self._delete(node.right, min_node.val) return node def _find_min(self, node): while node.left: node node.left return node def inorder(self): result [] self._inorder(self.root, result) return result def _inorder(self, node, result): if node: self._inorder(node.left, result) result.append(node.val) self._inorder(node.right, result)测试一下bst BST() for v in [50, 30, 70, 20, 40, 60, 80]: bst.insert(v) print(bst.inorder()) # [20, 30, 40, 50, 60, 70, 80] bst.delete(30) print(bst.inorder()) # [20, 40, 50, 60, 70, 80] bst.delete(50) print(bst.inorder()) # [20, 40, 60, 70, 80]中序遍历输出有序说明BST性质保持完好。删除30的时候30有两个子节点20和40右子树最小值是40替换后删除40结果正确。删除50的时候50有两个子节点右子树最小值是60替换后删除60结果也正确。4.2 用中序遍历验证BST性质写完插入和删除之后怎么确认树还是BST最简单的方法就是中序遍历看输出是不是严格升序。如果不是升序说明某次操作破坏了BST性质。这个方法我每次写完都会跑一遍比肉眼检查指针靠谱多了。def is_valid_bst(root): result [] def inorder(node): if node: inorder(node.left) result.append(node.val) inorder(node.right) inorder(root) for i in range(1, len(result)): if result[i] result[i-1]: return False return True提示如果允许重复值把改成即可。但一般BST不允许重复所以用判断。4.3 性能测试看看退化有多快我写了个小脚本分别插入随机数据和有序数据看看查找耗时差异。import random import time # 随机插入 bst1 BST() data list(range(10000)) random.shuffle(data) for v in data: bst1.insert(v) start time.time() for v in data: bst1.search(v) print(随机插入查找耗时:, time.time() - start) # 有序插入 bst2 BST() for v in range(10000): bst2.insert(v) start time.time() for v in range(10000): bst2.search(v) print(有序插入查找耗时:, time.time() - start)实测下来随机插入的查找耗时明显低于有序插入有序插入因为退化成链每次查找都要遍历整个链耗时是随机情况的几十倍甚至上百倍。这个实验很直观地说明了BST的平衡性有多重要。如果你要实际使用BST一定要考虑数据是否可能有序如果可能就得用平衡树比如AVL树或红黑树来避免退化。5. 常见问题与排查技巧实录5.1 插入之后树没变化这是新手最常遇到的问题。代码看着没问题但插入之后中序遍历还是原来的序列。原因通常是递归调用之后忘了把返回值赋回去。比如写成insert(root.left, val)而不是root.left insert(root.left, val)。递归返回的新节点没有被挂到父节点上自然就丢了。排查方法在插入函数里加打印看看递归返回的节点是不是新节点以及有没有被赋值。5.2 删除节点之后树断了删除有两个子节点的节点时替换值之后忘了递归删除替换节点导致树里有两个相同的值。或者递归删除的时候起点写错了从root开始而不是从root.right开始导致死循环或者删错节点。排查方法删除之后立刻中序遍历看是否有序且没有重复值。如果出现重复值说明替换节点没删干净。5.3 查找返回了错误结果如果树本身不是BST查找就会出错。常见原因是插入的时候比较逻辑写反了比如把小于写到右边去了。排查方法中序遍历看是否升序。如果不是逐层检查插入逻辑。另外如果树里有重复值且你允许重复查找可能返回任意一个这取决于你的约定。5.4 递归深度过大导致栈溢出如果树退化成链递归深度等于节点数Python默认递归深度是1000超过就会报RecursionError。解决办法要么改用迭代要么用平衡树要么手动设置递归深度上限但不推荐治标不治本。我一般建议直接上平衡树因为退化成链的BST在实际使用中基本不可接受。5.5 常见问题速查表问题现象可能原因排查方法解决方案插入后树没变化递归返回值未赋值检查是否写了root.left insert(...)补上赋值删除后出现重复值替换节点未递归删除中序遍历检查重复递归删除替换节点查找结果错误树不满足BST性质中序遍历检查是否升序修正插入比较逻辑递归栈溢出树退化成链打印树深度改用迭代或平衡树删除后树断裂指针未正确挂接检查返回值是否被父节点接收确保递归返回值赋给父节点指针5.6 独家避坑技巧第一个技巧每次写完插入或删除立刻跑一次中序遍历确认输出有序。这个习惯帮我省了无数调试时间。第二个技巧画图。尤其是删除操作在纸上画出树的结构标出每一步指针的变化比盯着代码看效率高十倍。第三个技巧先用小数据测试比如只有三个节点的树插入、删除、查找都跑一遍确认无误再上大数据。第四个技巧如果实在调不出来把递归改成迭代虽然代码长一点但每一步都看得见更容易定位问题。6. 从BST到平衡树什么时候该升级BST的操作集写完之后你会发现它有个致命弱点数据有序时退化成链。解决这个问题的方法就是平衡树比如AVL树和红黑树。AVL树通过旋转保持左右子树高度差不超过1红黑树通过颜色约束保持近似平衡。两者都能保证O(log n)的最坏时间复杂度。但平衡树的实现复杂度比BST高一个数量级旋转操作、颜色调整、插入删除后的再平衡每一个都不好写。所以我的建议是如果数据量小且随机BST够用如果数据量大会有序直接用语言内置的有序结构比如C的std::map和std::setJava的TreeMap和TreeSetPython可以用sortedcontainers库。这些内置结构底层就是红黑树性能和稳定性都有保证没必要自己造轮子。不过手写BST操作集的价值不在于直接用于生产而在于理解树形结构的指针操作和递归思维。你把BST写熟了再去学AVL和红黑树会发现很多概念是相通的只是多了平衡的步骤。所以我的建议是BST一定要手写一遍写到你闭着眼睛能写出删除操作然后再去用内置结构。7. 我个人在实际操作中的体会写了这么多年代码BST的操作集是我见过最能锻炼指针操作和递归思维的基础题目之一。它不像链表那样线性直观也不像图那样复杂到无从下手它刚好卡在一个“需要动脑子但又不至于劝退”的位置。我当年学的时候删除操作反复写了七八遍才彻底搞明白每次都是画图、写代码、跑测试、发现错误、再画图循环往复。现在回头看那些调试到深夜的经历其实很值。因为后来学AVL树和红黑树的时候我发现删除操作的逻辑框架是一样的只是多了旋转和颜色调整。BST的删除写熟了平衡树的删除就只是多几个步骤而已。所以如果你现在正在被BST折磨别放弃多画图多写几遍过了这个坎后面会顺很多。最后分享一个小技巧如果你用Python写可以用graphviz库把树画出来直观看到结构变化。虽然多花几分钟配置但调试效率提升很明显。我一般是在插入和删除之后各画一次对比前后结构一眼就能看出哪里不对。这个习惯帮我省了很多打印调试的时间。 
长河君 · 2026/10/12 19:06:37 · 阅读 1.2k 二叉搜索树操作集详解：插入、删除、查找与平衡树升级
1. 二叉搜索树操作集到底在解决什么问题二叉搜索树Binary Search Tree简称BST是数据结构课程里绕不开的一道坎。很多人学完链表、栈、队列之后一到树就开始发懵尤其是BST的各种操作——插入、删除、查找、找最大最小、找前驱后继——单独看每个都不难但真到写代码的时候边界条件一多就容易翻车。我自己当年第一次手写删除节点的时候被“有两个子节点”的情况卡了整整一个下午删完不是断链就是丢子树调试器里看着指针乱飞那叫一个酸爽。这篇内容就是围绕“二叉搜索树的操作集”这个主题把BST的核心操作从头到尾捋一遍。适合谁看如果你正在学数据结构或者准备面试被问到“手写一个BST的插入和删除”又或者你工作中偶尔需要用到有序字典这类结构那这篇内容应该能帮到你。我会从设计思路讲起把每个操作的原理、边界条件、代码实现、常见坑都拆开揉碎尽量做到你照着就能写出来、写完就能跑对。BST本质上就是一棵二叉树但它多了一条铁律对于任意节点左子树所有节点的值都小于它右子树所有节点的值都大于它。这条性质看着简单但它就是所有操作高效的根本原因。有了这条性质查找的时候每次比较都能排除掉一半的子树理想情况下查找、插入、删除的时间复杂度都是O(log n)跟二分查找一个道理。但注意这是理想情况如果插入的数据本身有序BST会退化成一条链复杂度直接掉到O(n)这个问题后面会专门讲。操作集通常包含哪些一般包括查找某个值、插入一个值、删除一个值、找最小值、找最大值、找某个节点的前驱和后继。有些教材还会加上遍历中序、前序、后序和判断是否为空。我下面会按“先讲原理再上代码”的节奏来代码用Python和C两种语言对照因为这两种是大家最常用的Python写起来简洁适合理解逻辑C能让你看清指针操作的细节。2. 核心操作的设计思路与选型考量2.1 为什么用递归而不是迭代BST的操作天然适合递归因为树本身就是递归定义的一棵树由根节点和左右两棵子树组成。用递归写查找逻辑就是“如果当前节点为空就返回失败如果值相等就返回当前节点如果小于就往左走大于就往右走”四行代码搞定清晰得不行。迭代也能写用一个while循环不断更新当前指针但代码会稍微啰嗦一点而且删除操作里找后继的时候递归的写法更符合直觉。不过递归有个隐患如果树退化成链递归深度会达到n栈空间可能爆掉。所以实际工程里如果数据量特别大且不确定是否平衡迭代会更安全。但作为学习和小规模使用递归完全够用而且更好理解。我的建议是先把递归版本写熟理解每一步在干什么然后再去写迭代版本作为优化。2.2 节点结构的设计节点结构很简单一个值域加两个指针。Python里可以用类也可以用namedtuple但类更灵活因为要修改指针。C里就是struct加左右指针。这里有个小细节要不要加一个父指针加了父指针可以让找前驱后继更方便不用从根开始搜但插入删除的时候维护父指针会多不少代码。对于基础操作集我建议先不加父指针保持结构简单找前驱后继就用“从根搜索”的方式虽然多花点时间但逻辑清晰。class TreeNode: def __init__(self, val): self.val val self.left None self.right Nonestruct TreeNode { int val; TreeNode* left; TreeNode* right; TreeNode(int x) : val(x), left(nullptr), right(nullptr) {} };2.3 删除操作为什么是最难的插入和查找都是“一路走到黑”找到位置或者找不到就结束逻辑线性。但删除不一样删掉一个节点之后要保证剩下的树仍然满足BST性质这就涉及到“谁来接替被删节点的位置”的问题。分三种情况叶子节点直接删只有一个子节点用子节点顶替有两个子节点就麻烦了——你得从左边找最大值或者从右边找最小值来替换然后递归删除那个替换节点。很多人第一次写就栽在第三种情况要么忘了递归删除要么替换之后没处理好指针。我个人的经验是把删除操作单独拿出来反复写五遍每遍都画图画到你能闭着眼睛说出每一步指针怎么变才算真正掌握。下面我会把三种情况逐一拆解配上图示说明文字描述版。3. 核心操作逐个拆解与代码实现3.1 查找操作从根一路比较到底查找的逻辑最直白从根节点开始如果当前节点为空说明没找到返回空如果目标值等于当前节点的值返回当前节点如果目标值小于当前节点值往左子树找否则往右子树找。这个过程每次都能排除一半的子树所以平均效率很高。def search(root, target): if root is None: return None if root.val target: return root if target root.val: return search(root.left, target) return search(root.right, target)TreeNode* search(TreeNode* root, int target) { if (root nullptr) return nullptr; if (root-val target) return root; if (target root-val) return search(root-left, target); return search(root-right, target); }这里有个小技巧如果你要频繁查找可以考虑把递归改成迭代减少函数调用开销。迭代版本就是一个while循环每次更新root指针直到root为空或者找到目标。两种写法效率差不多但迭代不会爆栈。注意查找的前提是这棵树确实是BST。如果你在插入的时候写错了导致树不满足BST性质查找就会给出错误结果。所以每次写完插入最好用中序遍历验证一下输出是否有序。3.2 插入操作找到空位就放进去插入的思路是从根开始比较如果目标值小于当前节点值就往左走大于就往右走如果走到空位就在那里新建一个节点。如果树里已经有这个值了怎么办这取决于你的需求。有些场景允许重复值那就约定好重复值放左边还是右边有些场景不允许重复那就直接返回不插入。我这里按不允许重复来处理遇到相等就直接返回。def insert(root, val): if root is None: return TreeNode(val) if val root.val: root.left insert(root.left, val) elif val root.val: root.right insert(root.right, val) # 相等则不插入 return rootTreeNode* insert(TreeNode* root, int val) { if (root nullptr) return new TreeNode(val); if (val root-val) root-left insert(root-left, val); else if (val root-val) root-right insert(root-right, val); return root; }插入操作有一个容易忽略的点递归调用之后要把返回值赋回给root.left或root.right。这是因为当子树为空时递归会返回一个新节点你需要把这个新节点挂到父节点上。如果忘了赋值新节点就丢了树里根本插不进去。我见过不少初学者在这里翻车代码看着没问题跑起来就是插不进去原因就是漏了赋值。3.3 找最小值和最大值一路向左或向右BST的最小值一定在最左边的节点最大值一定在最右边的节点。所以找最小值就是一路往左走直到没有左子节点找最大值就是一路往右走。这两个操作非常简单但它们是删除操作的基础因为删除有两个子节点的节点时需要找右子树的最小值来替换。def find_min(root): if root is None: return None while root.left: root root.left return root def find_max(root): if root is None: return None while root.right: root root.right return rootTreeNode* findMin(TreeNode* root) { if (root nullptr) return nullptr; while (root-left) root root-left; return root; } TreeNode* findMax(TreeNode* root) { if (root nullptr) return nullptr; while (root-right) root root-right; return root; }提示找最小值用迭代比递归好因为不需要回溯迭代更直观也更省栈空间。3.4 删除操作三种情况各个击破删除是BST操作集里最复杂的没有之一。我把它拆成三种情况第一种被删节点是叶子节点。直接把它父节点对应的指针置空就行。但这里有个问题你怎么知道父节点是谁如果用递归写就不需要显式知道父节点因为递归返回的时候自然会把新的子树根节点挂回去。第二种被删节点只有一个子节点。用那个唯一的子节点顶替它的位置就行。同样用递归处理返回那个子节点即可。第三种被删节点有两个子节点。这时候需要找右子树的最小值或者左子树的最大值把那个值复制到当前节点然后递归删除那个最小值节点。为什么选右子树最小值因为它是右子树里最小的放到当前节点位置后仍然满足“左子树全部小于它右子树全部大于它”的性质。def delete(root, val): if root is None: return None if val root.val: root.left delete(root.left, val) elif val root.val: root.right delete(root.right, val) else: # 找到要删除的节点 if root.left is None: return root.right if root.right is None: return root.left # 有两个子节点 min_node find_min(root.right) root.val min_node.val root.right delete(root.right, min_node.val) return rootTreeNode* deleteNode(TreeNode* root, int val) { if (root nullptr) return nullptr; if (val root-val) { root-left deleteNode(root-left, val); } else if (val root-val) { root-right deleteNode(root-right, val); } else { if (root-left nullptr) return root-right; if (root-right nullptr) return root-left; TreeNode* minNode findMin(root-right); root-val minNode-val; root-right deleteNode(root-right, minNode-val); } return root; }删除操作有几个坑我必须提醒你。第一个坑找右子树最小值之后递归删除的时候要从root.right开始删不能从root开始否则会死循环。第二个坑如果只写return root.right或者return root.left别忘了这是递归的返回值会被挂到上一层父节点的指针上所以不需要手动去改父节点指针。第三个坑如果树里没有要删除的值整个递归走完什么都不会变这是正确的行为不要画蛇添足加额外判断。3.5 找前驱和后继中序序列的邻居前驱指的是中序遍历中某个节点的前一个节点后继是后一个节点。中序遍历BST会得到一个升序序列所以前驱就是比当前值小的最大节点后继就是比当前值大的最小节点。找后继有两种思路。第一种是从根开始搜索如果当前节点有右子树后继就是右子树的最小值如果没有右子树后继就是“祖先中第一个比它大的节点”。第二种思路是利用中序遍历但那样需要额外空间。我这里讲第一种因为它不需要额外存储。def successor(root, target): succ None while root: if target root.val: succ root root root.left elif target root.val: root root.right else: if root.right: return find_min(root.right) break return succTreeNode* successor(TreeNode* root, int target) { TreeNode* succ nullptr; while (root) { if (target root-val) { succ root; root root-left; } else if (target root-val) { root root-right; } else { if (root-right) return findMin(root-right); break; } } return succ; }前驱的逻辑对称如果当前节点有左子树前驱就是左子树的最大值否则就是“祖先中第一个比它小的节点”。def predecessor(root, target): pred None while root: if target root.val: pred root root root.right elif target root.val: root root.left else: if root.left: return find_max(root.left) break return pred注意前驱和后继的搜索过程中succ和pred的更新时机很关键。当target小于当前节点值时当前节点有可能是后继所以先记录再往左走当target大于当前节点值时当前节点不可能是后继直接往右走。这个逻辑我当初理解了好久画个图就清楚了。4. 完整操作集的整合与测试验证4.1 把操作串起来一个可运行的完整示例光看单个函数不过瘾我把所有操作整合到一个类里写一个完整的测试用例你可以直接复制运行。class BST: def __init__(self): self.root None def insert(self, val): self.root self._insert(self.root, val) def _insert(self, node, val): if node is None: return TreeNode(val) if val node.val: node.left self._insert(node.left, val) elif val node.val: node.right self._insert(node.right, val) return node def search(self, val): return self._search(self.root, val) def _search(self, node, val): if node is None or node.val val: return node if val node.val: return self._search(node.left, val) return self._search(node.right, val) def delete(self, val): self.root self._delete(self.root, val) def _delete(self, node, val): if node is None: return None if val node.val: node.left self._delete(node.left, val) elif val node.val: node.right self._delete(node.right, val) else: if node.left is None: return node.right if node.right is None: return node.left min_node self._find_min(node.right) node.val min_node.val node.right self._delete(node.right, min_node.val) return node def _find_min(self, node): while node.left: node node.left return node def inorder(self): result [] self._inorder(self.root, result) return result def _inorder(self, node, result): if node: self._inorder(node.left, result) result.append(node.val) self._inorder(node.right, result)测试一下bst BST() for v in [50, 30, 70, 20, 40, 60, 80]: bst.insert(v) print(bst.inorder()) # [20, 30, 40, 50, 60, 70, 80] bst.delete(30) print(bst.inorder()) # [20, 40, 50, 60, 70, 80] bst.delete(50) print(bst.inorder()) # [20, 40, 60, 70, 80]中序遍历输出有序说明BST性质保持完好。删除30的时候30有两个子节点20和40右子树最小值是40替换后删除40结果正确。删除50的时候50有两个子节点右子树最小值是60替换后删除60结果也正确。4.2 用中序遍历验证BST性质写完插入和删除之后怎么确认树还是BST最简单的方法就是中序遍历看输出是不是严格升序。如果不是升序说明某次操作破坏了BST性质。这个方法我每次写完都会跑一遍比肉眼检查指针靠谱多了。def is_valid_bst(root): result [] def inorder(node): if node: inorder(node.left) result.append(node.val) inorder(node.right) inorder(root) for i in range(1, len(result)): if result[i] result[i-1]: return False return True提示如果允许重复值把改成即可。但一般BST不允许重复所以用判断。4.3 性能测试看看退化有多快我写了个小脚本分别插入随机数据和有序数据看看查找耗时差异。import random import time # 随机插入 bst1 BST() data list(range(10000)) random.shuffle(data) for v in data: bst1.insert(v) start time.time() for v in data: bst1.search(v) print(随机插入查找耗时:, time.time() - start) # 有序插入 bst2 BST() for v in range(10000): bst2.insert(v) start time.time() for v in range(10000): bst2.search(v) print(有序插入查找耗时:, time.time() - start)实测下来随机插入的查找耗时明显低于有序插入有序插入因为退化成链每次查找都要遍历整个链耗时是随机情况的几十倍甚至上百倍。这个实验很直观地说明了BST的平衡性有多重要。如果你要实际使用BST一定要考虑数据是否可能有序如果可能就得用平衡树比如AVL树或红黑树来避免退化。5. 常见问题与排查技巧实录5.1 插入之后树没变化这是新手最常遇到的问题。代码看着没问题但插入之后中序遍历还是原来的序列。原因通常是递归调用之后忘了把返回值赋回去。比如写成insert(root.left, val)而不是root.left insert(root.left, val)。递归返回的新节点没有被挂到父节点上自然就丢了。排查方法在插入函数里加打印看看递归返回的节点是不是新节点以及有没有被赋值。5.2 删除节点之后树断了删除有两个子节点的节点时替换值之后忘了递归删除替换节点导致树里有两个相同的值。或者递归删除的时候起点写错了从root开始而不是从root.right开始导致死循环或者删错节点。排查方法删除之后立刻中序遍历看是否有序且没有重复值。如果出现重复值说明替换节点没删干净。5.3 查找返回了错误结果如果树本身不是BST查找就会出错。常见原因是插入的时候比较逻辑写反了比如把小于写到右边去了。排查方法中序遍历看是否升序。如果不是逐层检查插入逻辑。另外如果树里有重复值且你允许重复查找可能返回任意一个这取决于你的约定。5.4 递归深度过大导致栈溢出如果树退化成链递归深度等于节点数Python默认递归深度是1000超过就会报RecursionError。解决办法要么改用迭代要么用平衡树要么手动设置递归深度上限但不推荐治标不治本。我一般建议直接上平衡树因为退化成链的BST在实际使用中基本不可接受。5.5 常见问题速查表问题现象可能原因排查方法解决方案插入后树没变化递归返回值未赋值检查是否写了root.left insert(...)补上赋值删除后出现重复值替换节点未递归删除中序遍历检查重复递归删除替换节点查找结果错误树不满足BST性质中序遍历检查是否升序修正插入比较逻辑递归栈溢出树退化成链打印树深度改用迭代或平衡树删除后树断裂指针未正确挂接检查返回值是否被父节点接收确保递归返回值赋给父节点指针5.6 独家避坑技巧第一个技巧每次写完插入或删除立刻跑一次中序遍历确认输出有序。这个习惯帮我省了无数调试时间。第二个技巧画图。尤其是删除操作在纸上画出树的结构标出每一步指针的变化比盯着代码看效率高十倍。第三个技巧先用小数据测试比如只有三个节点的树插入、删除、查找都跑一遍确认无误再上大数据。第四个技巧如果实在调不出来把递归改成迭代虽然代码长一点但每一步都看得见更容易定位问题。6. 从BST到平衡树什么时候该升级BST的操作集写完之后你会发现它有个致命弱点数据有序时退化成链。解决这个问题的方法就是平衡树比如AVL树和红黑树。AVL树通过旋转保持左右子树高度差不超过1红黑树通过颜色约束保持近似平衡。两者都能保证O(log n)的最坏时间复杂度。但平衡树的实现复杂度比BST高一个数量级旋转操作、颜色调整、插入删除后的再平衡每一个都不好写。所以我的建议是如果数据量小且随机BST够用如果数据量大会有序直接用语言内置的有序结构比如C的std::map和std::setJava的TreeMap和TreeSetPython可以用sortedcontainers库。这些内置结构底层就是红黑树性能和稳定性都有保证没必要自己造轮子。不过手写BST操作集的价值不在于直接用于生产而在于理解树形结构的指针操作和递归思维。你把BST写熟了再去学AVL和红黑树会发现很多概念是相通的只是多了平衡的步骤。所以我的建议是BST一定要手写一遍写到你闭着眼睛能写出删除操作然后再去用内置结构。7. 我个人在实际操作中的体会写了这么多年代码BST的操作集是我见过最能锻炼指针操作和递归思维的基础题目之一。它不像链表那样线性直观也不像图那样复杂到无从下手它刚好卡在一个“需要动脑子但又不至于劝退”的位置。我当年学的时候删除操作反复写了七八遍才彻底搞明白每次都是画图、写代码、跑测试、发现错误、再画图循环往复。现在回头看那些调试到深夜的经历其实很值。因为后来学AVL树和红黑树的时候我发现删除操作的逻辑框架是一样的只是多了旋转和颜色调整。BST的删除写熟了平衡树的删除就只是多几个步骤而已。所以如果你现在正在被BST折磨别放弃多画图多写几遍过了这个坎后面会顺很多。最后分享一个小技巧如果你用Python写可以用graphviz库把树画出来直观看到结构变化。虽然多花几分钟配置但调试效率提升很明显。我一般是在插入和删除之后各画一次对比前后结构一眼就能看出哪里不对。这个习惯帮我省了很多打印调试的时间。