哪个更快，对向量进行排序，然后将其放入AVL树中，或直接输入

Which is faster, sorting a vector, then putting it into an AVL tree, or inputting it directly?

本文关键字：AVL 树中 输入 然后 向量 排序      更新时间：2023-10-16

所以情况是这样的：

我有

数百万个，可能数十亿个字符串，我正在尝试解析并放入排序结构中，假设我有 5,000,000 个字符串。我正在尝试编写一个快速程序，可以将所有这些来自未排序向量的字符串放入有序数据结构中，该结构也可以快速搜索结构，因此 AVL 树的推理（最终我计划使用 a-z 的哈希表进行更快的查找，但稍后再说）。我首先将所有字符串放入一个向量中，但它们都是混乱的，未排序的和不同的长度。我不希望我的树中有任何重复的字符串，所以如果程序找到字符串"hello"和"hello"，它将只有一个 AVL 条目，并且会根据该字符串出现的频率增加一个整数持有者。

所以我的问题是：在所有单词与其他相同单词排序在一起之后，先对向量进行排序（使用多线程快速排序或其他快速的东西）然后将其输入到 AVL 树中会更快，还是将所有数据从未排序的向量放入 AVL 树中更快， 并不断检查 AVL 树是否已经存在一个单词，然后递增它。

因此，为了按操作顺序来描述它，这里有两种情况：

CASE A:
> Get input/parse strings
> Put strings into vector (unsorted)
> Put vector into array or linked-list
> Quicksort that array/llist
> Input that sorted array into the AVL Tree


CASE B:
> Get input/parse strings
> Put strings into vector (unsorted)
> Insert vector data into AVL tree
> During insertion, check if there are duplicate words, if so, increment the counter

哪种情况更快？？

-

-编辑-- 因此，在听到一些评论后，从一开始就将排序数组插入 AVL 树将是一个坏主意，这是有道理的，因为需要进行多少次旋转。似乎直接插入到 AVL 树中可能是一个好主意，但是当单词已经在树中的某个地方时，有效插入的最佳方法是什么？我怎样才能确保我找到它？这就是我的排序可以进来的地方吗？

想想平衡对 AVL 树的工作方式。如果"中间值"排在第一位，效果最好。对于排序的输入，您将需要大量的重新平衡，因此预排序可能弊大于利。

例如，考虑以下保存值 1-6 的 AVL 树：

    4
   / 
  2   5
 /    
1   3   6

如果输入顺序是 4, 2, 5, 1, 3, 6 ，则永远不需要平衡树。 相反，对于排序的输入1, 2, 3, 4, 5, 6，您将需要许多重新平衡操作：

  1     +3     2     +4     2       +5     2       +6       3
      --->   /    --->   /      --->   /      --->     / 
    2        1   3        1   3          1   4            2   5
                                           /           /   / 
                                4          3   5        1   4   6

更新 最初的问题是，在插入到 AVL 树之前对数据进行排序是否会提高性能。 现在OP编辑了这个问题，转向了他的具体问题。

但是，当单词已经在树中的某个地方时，有效插入的最佳方法是什么？我怎样才能确保我找到它？ 这就是我的排序可以进来的地方吗？

AVL树的全部意义在于有效地查找数据，所以我不明白这个问题。 如何遍历二叉搜索树以查找值应该是显而易见的。 为什么要为此对数据进行排序？

请注意，二叉搜索树是存储键的良好数据结构，但它也可以管理与这些键关联的任意数据。 在您的情况下，您希望将计数与密钥一起存储。 因此，您不需要单词/字符串树，而是表示单词及其计数的对树（字符串、整数）。 对于树顺序，只需考虑字符串键，即单词。

对于要插入的每个单词，请在树中查找它。 如果已存在，请更新字数统计。 否则，插入字数为 1 的新对。

最后一点：C++标准库带有一个map类型，通常（总是？）使用平衡树（AVL或红黑）实现。 仅使用此实现，您将节省大量工作和错误修复。 自C++11以来，还有un unordered_map，通常（总是？）使用哈希表实现。

我会将我的评论转换为答案。

如果字符串集是预定义的，也就是说，在初始加载后您不会向其添加更多字符串，那么最快的可能是根本不使用 AVL 树（或任何其他树）。

只需将字符串加载到std::vector中，对其进行排序（O（N*logN），删除唯一（std::uniq，O（N）），然后用于查找使用std::lower_bound（O（logN））。

具有与 AVL 树相同的复杂性，实际上它很可能会更快，因为缓存友好性增加。

在现实世界中，以下内容可能不会更快。

将排序后的向量插入 AVL 树时，请像插入树本身一样插入它。首先插入中间，然后递归插入左半部分的中间和右半部分的中间，依此类推。如果向量中的所有值都均匀分布，则不必重新平衡树。（理论上。

更好的是，你可以用排序的向量构建你自己的树（如果你控制内部存储器），或者首先使用二叉搜索。

获得客观答案的唯一方法是测试和测量。

AVL 树中的 1-插入是 O（Log n）。排序是 O（nLogN），因此在插入之前排序会降低性能。2-出于计数目的，您可以使用哈希表来查找每个单词的出现次数。遍历所有单词，更新哈希表中每个单词的计数，然后使用哈希表在 AVL 树中插入单词，以检查单词是否已插入，如果没有插入其关联的计数。

"但是当一个单词已经在树中的某个地方时，有效插入的最佳方法是什么？我怎样才能确保我找到它？这就是我的分拣可以进来的地方吗？

在以下情况下，为什么不使用地图：键=单词，值=单词索引

这样，只要单词存在，您就可以获得访问权限，并且您将拥有操作它的索引

相关文章：