【数据结构学习】有关B树

关注

原创最新推荐文章于 2026-06-09 11:13:47 发布 4.9k 阅读 AI 写同款· GEO 优化 ›

数据结构与算法之B树的机器学习应用本文旨在探索传统数据结构B树在现代机器学习系统中的创新应用。我们将分析B树如何解决机器学习中的特定问题，特别是在处理大规模特征数据和优化模型训练过程方面的优势。本文不仅涵盖理论分析，还包括实际应用案例和性能优化技巧。文章首先介绍B树的基本概念，然后深入探讨其在机器学习中的具体应用。我们将提供数学建模、算法实现和性能分析，最后讨论未来发展方向。B树：一种自平衡的树数据结构，保持数据有序并允许高效检索、顺序访问、插入和删除机器学习特征：用于描述数据的变量或属性，是模型训练的输入特征存储。阅读详情

1 概述

从直觉的角度看，二叉搜索树貌似较好地解决了快速搜索的问题，其实不然。如果给定一个关键字序列<1, 2, 3, 4, 5, 6>，要求按照这个顺序构建一个搜索二叉树，则这个二叉树的高度为5，从而退化为一个链表，并且浪费大量的空间。因此，二叉树在具体的实践中几乎没有应用。

针对二叉搜索树的问题，本文主要讲解B树，也会简单提到B+树（有些数据库索引使用B+树）。下面的内容首先介绍B树的背景，然后重点讲解B树上的相关操作（本文大部分内容参考算法导论和维基百科）。

2 背景

B树系列主要用在哪里？答：主要用在文件系统和数据库系统。大家知道，文件和数据库主要存储在磁盘（外存）上，特别是大数据时代，大规模的数据很难一次性导入到硬盘，即使可以导入，其耗费的时间是也无法容忍的（笔者2012年的时候曾经帮一个公司优化过MySQL数据库，在未经优化的前提下，从100万条数据中查询数据都非常耗时）。下面对磁盘上数据的操作基本原理进行解释。

这里写图片描述
图1:机械磁盘
当前应用广泛的机械磁盘如图1所示。数据存储在磁盘盘片上的磁道中，机械磁盘中的盘片围绕机械轴运行，读写磁头定位到需要读写的磁道（机械操作），然后再进行读写操作（电子操作）。机械操作的时间比电子操作的时间要高出5个数量级，因此，读写操作的效率取决于定位磁道（机械操作）的次数，即读写磁盘的次数。因此，降低磁盘读写操作次数是提高读写效率的关键。这时，就需要某种合理的数据组织形式来降低磁盘读写的次数。B树即是解决此类问题的基本数据结构，B树大致的样子如图2所示：

这里写图片描述
图2: B树的长相
与二叉搜索树不同，B树是一颗平衡树，即各子树的高度是一致的，且每个节点中存放的关键字数量t通常远大于2（通常是1000左右）。假设除根节点外的所有节点都存储在磁盘上，一次读写操作访问一个B树节点，对于查找操作，定位到任何一个节点需要访问磁盘的次数不超过树的高度h，如果每个节点中存放的关键字越多，则其高度h越小，即访问磁盘的次数越少，这样就可有效降低读写磁盘的次数。

如果t=1000，则高h为2的B树，其存储的关键字个数达10亿个，定位任何一个关键字需要的磁盘操作树不超过2。

3 B树的结构

B树是一颗有根树（设为T.root)，所有节点具有如下性质（有点多，从背景的角度容易理解）：

每个节点node具有如下属性：

node.n，存储node中的关键字数量；
node.n个关键字本身node.key1,node.key2, …, node.keyn以非降序的方式存放；
node.leaf是一个布尔值，标示当前节点是否是叶子节点；
每个内部节点（非叶子节点）node包含指向node.n+1个孩子节点的指针node.c1,node.c2,…,node.cn+1；

关键字node.keyi对各子树中的关键字加以分割，假设其左右孩子分别为node.ci、node.ci+1，则node.ci中的所有关键字不大于node.keyi，node.ci+1的所有关键字不小于node.keyi；

每个叶子节点具有相同的深度；

每个节点包含的关键字个数有规定的取值范围，由B树的度d（>= 2）决定:

除根节点外，其它节点至少有d-1个关键字，即除根节点外，所有节点至少包含d个孩子节点。如果树非空，根节点至少又个关键字。（注：这里没有说根节点只有一个关键字）
每个节点至多包含2d-1个关键字。因此，一个内部节点，至多有2d个节点，当一个节点恰好有2d-1个节点时，则称此节点时满的（非常重要，插入删除操作需要关注的重点）
B树的高度h满足： h <= logd((n+1)/2)，其证明分析如下图3所示：

这里写图片描述
图3: B树的高度分析过程

4 B树的操作

在B树定义的基础上，如何查询、增加、删除是关键。在后面的算法描述中，引入磁盘读写操作，分别记作diskRead(t,x), diskWrite(t, x)，表示从子树t中读写x。

4.1 查询操作：BTreeSearch

查询操作的思路很容易理解：对于子树t，要搜寻关键字key，首先在子树t中寻找，若存在关键字，则返回，若不存在，则定位到对应的子树（假设一次读取一个节点，这一过程要继续读磁盘），递归搜索。其算法描述如下：
BTreeSearch(t, k){ i =1; while i <= t.n and k > t.key[i]{ i++; } if i <= t.n and k == t.key[i] return (t, i); // t表示子树根，i表示这个根节点中的index elif t.leaf return nil; else diskRead(t, c[i]) return BTreeSearch(t.c[i], k); }
显然，BTreeSearch算法的执行时间分为两部分：1）内存类遍历时间O(t)；2）读写磁盘次数为O(h)，设读取一次磁盘的时间为T，则总的时间为： O(ht) + TO(h).

4.2 插入操作BTreeInsert(t, k)

B树中的插入操作比较麻烦，因为要保持B树的特征不变。其关键在于要保持除根节点外的所有节点的关键字数目满足：d -1 <= n <= 2d，根据这一规则，分情况讨论如下：

如果t为空树，则直接构造一个节点t，并将此节点作为根；
如果t非空，则遍历t中的关键字，寻找插入点，此时情况又分几种情况：

如果t.leaf = true(为叶子节点)，且t.n < 2d，则按照非降序原则插入关键字k；
如果t.leaf = true，且t.n = 2d - 1，即此节点是满的，则此节点t需要分裂以保持特性，分裂规则为：将关键字为[t.key1,t.key2,…,t.key2d-1]分裂为tleft=[t.key1,t.key2,…,t.keyd-1]、tright=[t.keyd+1,t.key2,…,t.key2d-1]两棵子树，然后将t.keyd插入到其父节点t.p的合适位置location, 并将tleft和tright分别作为t.p.key[location]的左右子树；如果在向父节点t.p插入t.keyd前，父节点已满，则按照此情况继续分裂父节点t.p;
如果t.leaf = false(为内部节点，非叶子节点)，可以有两种思路，一种思路是先检查当前节点是否已满，如果已满，则分裂，然后再插入节点；另一种则是，先定位到需要插入的叶子节点位置，如果叶子节点已满，则分裂，分裂完成之后，再插入节点，分别介绍如下：
如果t中的节点已满，则按照2）中的方法分裂，分裂后t.key[d]移到父节点t’.key[m]，t.key[1]…t.key[d-1]作为t’.key[m]的左孩子left，t.key[d+1]…t.key[2d-1]作为t’.key[m]的右孩子right；然后根据k与t’.key[m]的大小决定插入到哪个子树，若k < t’.key[m]，执行BTreeInsert(left, k)，反之，则执行BTreeInsert(right, k);
在t中寻找合适的位置m，使其满足: t.key[m] < k < t.key[m+1]或k < t.key[0];当t.key[m] < k < t.key[m+1]满足时，进入t.key[m]的右子树t.child[m]，继续执行BTreeInsert(t.child[m], k)；当k < t.key[0]时，进入 t.key[0]的左子树t.child[0]，执行BTreeInsert(t.child[0], k)；直到叶子节点，然后再从叶子节点逐层向上回溯，判断是否需要逐层向上分裂。（显然，这种方法比前一种方法多了一个回溯判断非叶子节点的情况，但是从总体执行效率上讲，两者是一致的，两种方法分裂的次数是一致的，前一种方法将分裂的情况分摊在每一次的插入操作中了，而后者则有可能在某次操作中执行更多的分裂，总体上而言，前者的均衡效果更好，现实中基本上都采用前者）
为了不让大家搞晕，请查阅图4所示直观理解。

这里写图片描述
图4:B树中插入节点的过程(d=3)
其算法为：
BTreeInsert(t, k){ r = t.root; if r.n = 2d - 1{ s = allocateNode(); // 构造一个B树节点 t.root = s; s.leaf = false; s.n = 0; s.child[1] = r; BTreeSplitChild(s, 1); // 将t分裂 BTreeInsertNotFull(s, k); // 向非空B树中插入节点 } else BTreeInsertNotFull(r, k); }
分析BTreeInsert，读取磁盘的次数为O(h)，分裂B树的次数也为O(h)，即写磁盘的次数也为O(h)，因此，读写总次数为O(h)

4.3 B树删除

在B树中删除节点时，同样要保持B树的特征，此时，关注的重点是：待删除的节点中，删除节点后，其节点个数是否会小于d-1.如果只满足这个要求，是否会出现问题，下面看一个具体的例子：

这里写图片描述
图5: d=3的B树

若删除关键字为1的元素，则变为：
这里写图片描述

图6: 删除1后的树的情况
非常幸运的是，在这个例子中貌似没有问题，因为根节点的关键字个数可以保持一个，如果图5中的（50， 100）不是根节点，而是内部节点，则删除关键字为1的元素后，图6就违反了B树的特征。

从上面分析可以看出，如果只要求删除节点过程中，仅仅满足节点数不小于d-1，会造成图5->图6变化的问题。

如果在B树T删除k的过程中，始终能够保持当前节点node中数量至少为d，则可以保证不会出现图5图6中那样的问题。在当前节点node中删除k的方法BTreeDelete(node, x)可分为如下几种情况（始终注意当前节点的意义，如下的几种情况明确说明了k是否在当前节点中的情况）：

如果node为叶子节点（意味着node.n >=d）且k在node中，则直接删除k;
如果node为内部节点，且k在node中，则分为如下几种情况：
a. 如果node中，k的左孩子left至少包含d个关键字，则以左孩子left为当前节点，寻找left中的最大关键字k’, 执行BTreeDelete(left, k’)，并返回k’,以k’代替node节点中的k；
b. 如果node中，k的右孩子right至少包含d个关键字，则以右孩子right为当前节点，寻找right中的最小关键字k’, 执行BTreeDelete(right, k’)，并返回k’,以k’代替node节点中的k；
c. 如果node中k的左右孩子关键字均只包含d-1个关键字，则将左右孩子合并即可；
如果关键字k不在当前内部节点node中，若k在树中，则必然在node的某棵子树node.c[i]中。如果node.c[i].n >= d，已满足前面讨论的要求，递归删除即可；若node.c[i].n = d - 1，则要求通过某种操作满足node.c[i].n = d,以规避图5图6中出现的状况，然后继续执行BTreeDelete(node.c[i], k)，具体可分为如下两种情况：
a. 若node.c[i].n = d - 1，但它的相邻左兄弟或有兄弟的关键字数量不少于d，则通过node，将左兄弟或右兄弟的某个关键字移至node中（具体移动哪个关键字其实很容易获取），将node中的对应的关键字移至node.c[i]中；
b. 若a不成立，则必然是左右兄弟关键字数量都是d-1，将两者合并即可.
分析这一删除过程，由于在当前子树中删除k时，始终保持了当前子树根节点的个数始终不小于d（整棵树的根节点除外），因此，不会出现在删除过程中向上回溯的过程，即节点中关键字移动控制在当前子树中。同样，在分析的过程中，始终是单向由树根向叶子前进，其访问磁盘的次数为O(h)次（h为树高）。

具体的例子如图7所示：

这里写图片描述
图7:删除节点图示
关于B树中删除元素的方法其实不止这一种，笔者本人最近也在尝试结合概率算法对B树中的操作进行优化，感兴趣的童鞋也可以进一步思考。

5 总结

B树在算法中的地位至关重要，它对高效访问外存提供了坚实的算法基础。在很多场合，童鞋们可能也听说过B+树，B+树其实就是B树的一个变体，其最大的不同之处在于B+树中的所有节点可以看成是索引，最终的数据内容在叶子节点上，且所有叶子节点组成链表的方式，因此，在B+树中寻找节点，可以同时使用B树搜索和链表搜索，结合具体场景，选择一个更加高效的搜索方法。

作者：CodingTech
链接：http://www.jianshu.com/p/c33c3f9fc422
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。