层序遍历之所以重要，是因为它提供了一种广度优先的全局视角，适用于寻找最短路径、按层处理节点等问题，如求树的最小深度或判断完全二叉树；它不仅可用于二叉树，还可推广到图的遍历、网络爬虫、社交网络分析、迷宫求解等场景；与深度优先遍历相比，层序遍历使用队列实现，按层访问，空间复杂度与树的宽度相关，适合解决最短路径类问题，而深度优先遍历使用栈或递归，适合探索所有路径或递归结构问题，两者各有适用场景，选择取决于具体问题需求。
层序遍历，简单来说，就是一种按“层”或“级别”访问树（通常是二叉树）节点的方式。它从树的根节点开始，先访问第一层的所有节点，接着是第二层的所有节点，以此类推，直到访问完所有节点。想象一下水波纹扩散开来的样子，就是这个意思。
解决方案
要实现层序遍历，队列（Queue）无疑是最佳选择。它的“先进先出”（FIFO）特性完美契合了层序遍历的需求：你先遇到的节点，它们的子节点也应该先被处理。
具体步骤是这样的：
- 创建一个空的列表，用来存放最终的遍历结果。
- 初始化一个队列，如果根节点为空，直接返回空列表。
- 将根节点加入队列。
- 当队列不为空时，循环执行以下操作：
- 获取当前队列的大小，这代表了当前层有多少个节点。
- 创建一个列表，用于存放当前层的所有节点值。
- 循环当前层节点数量次：
- 从队列头部取出一个节点（出队）。
- 将这个节点的值添加到当前层的列表中。
- 如果这个节点有左孩子，将其左孩子入队。
- 如果这个节点有右孩子，将其右孩子入队。
- 将当前层的列表添加到最终结果列表中。
举个例子，用Python代码来演示一下：
from collections import deque
class TreeNode:
def __init__(self, val=0, left=None, right=None):
self.val = val
self.left = left
self.right = right
def levelOrderTraversal(root: TreeNode):
if not root:
return []
result = []
queue = deque([root]) # 使用deque作为队列，效率更高
while queue:
level_size = len(queue) # 当前层有多少节点
current_level_nodes = [] # 存放当前层节点的值
for _ in range(level_size):
node = queue.popleft() # 从队列头部取出节点
current_level_nodes.append(node.val)
if node.left:
queue.append(node.left) # 左孩子入队
if node.right:
queue.append(node.right) # 右孩子入队
result.append(current_level_nodes) # 将当前层的结果加入总结果
return result
# 示例用法：
# 构建一个简单的二叉树
# 3
# / \
# 9 20
# / \
# 15 7
# root = TreeNode(3)
# root.left = TreeNode(9)
# root.right = TreeNode(20)
# root.right.left = TreeNode(15)
# root.right.right = TreeNode(7)
# print(levelOrderTraversal(root))
# 预期输出: [[3], [9, 20], [15, 7]]这个过程的时间复杂度是O(N)，其中N是树中节点的数量，因为每个节点都会被访问一次，并入队出队一次。空间复杂度在最坏情况下（比如满二叉树的最后一层）是O(W)，W是树的最大宽度，因为队列可能需要同时存储一整层的节点。对我来说，这种清晰的逻辑和直接的对应关系，是层序遍历最吸引人的地方。
为什么层序遍历在数据结构中如此重要？
层序遍历在数据结构，特别是树和图的算法中，扮演着一个核心角色。它提供了一种“广度优先”的视角，这与深度优先遍历（如前序、中序、后序）形成了鲜明对比。想象一下你在探索一个复杂的迷宫，深度优先就像是一条路走到黑，直到碰壁才回头；而层序遍历则更像是站在一个高点，先看清你周围的所有出口，然后选择一个，再看那个出口周围的所有出口。
这种广度优先的特性，使得层序遍历在解决某些特定问题时显得尤为高效和直观。比如，当你需要找出树的最小深度（也就是从根节点到最近叶子节点的最短路径）时，层序遍历能让你在第一次遇到叶子节点时就确定这个深度，因为它是按层推进的。再比如，判断一棵二叉树是否是完全二叉树，层序遍历能很方便地检测出节点是否按顺序紧密排列。我个人觉得，它就像是为那些“需要全局视角”的问题量身定制的工具。
除了二叉树，层序遍历还能应用于哪些场景？
虽然我们通常在二叉树的语境下讨论层序遍历，但它的核心思想——广度优先搜索（BFS），却有着更广泛的应用。本质上，任何可以通过“邻居”关系逐步扩展的问题，都可以考虑使用层序遍历的思路。
一个最典型的例子就是图的遍历。在图论中，BFS就是层序遍历的直接体现。当你需要找到从一个节点到另一个节点的最短路径（在无权图中），或者需要遍历一个图的所有可达节点时，BFS是首选。它会优先探索当前节点的所有邻居，然后才是邻居的邻居，这天然地保证了找到的是最短路径。
此外，它还能用在：
- 网络爬虫：从一个网页开始，首先抓取所有直接链接的网页，然后是这些网页链接的网页，以此类推，这不就是一种层序遍历吗？
- 社交网络分析：寻找“一度人脉”、“二度人脉”，或者计算两个用户之间的最短关系链，这背后都是BFS的影子。
- 迷宫求解：寻找从起点到终点的最短路径。
- 拓扑排序（Kahn算法）：虽然Kahn算法不完全是BFS，但它也利用了队列来处理入度为零的节点，这在某种程度上体现了按“层”处理的思想。
对我来说，理解了层序遍历的本质，就是理解了BFS的强大，它不仅仅是处理树的工具，更是一种解决许多复杂问题的高效策略。
层序遍历与深度优先遍历（DFS）有何异同？何时选择哪种遍历方式？
层序遍历（BFS）和深度优先遍历（DFS）是树和图遍历的两大基本策略，它们各有千秋，适用于不同的场景。
异同点：
- 遍历顺序： 这是最核心的区别。BFS是“广度优先”，一层一层地访问；DFS是“深度优先”，一条路走到黑，直到无路可走才回溯。
- 底层数据结构： BFS通常使用队列来实现，利用其FIFO特性保证按层访问。DFS则通常使用栈（或者通过递归，递归调用栈就是隐式的栈）来实现，利用其LIFO特性实现深度探索和回溯。
-
空间复杂度：
- BFS在最坏情况下（树非常宽，或图的连通分量非常大）可能需要存储大量节点在队列中，因此空间复杂度可能较高。
- DFS在最坏情况下（树非常深，或图有很长的路径）递归栈的深度可能很大，导致空间复杂度较高。通常来说，DFS的空间复杂度与树的高度成正比，而BFS与树的宽度成正比。
-
应用场景：
- BFS擅长：寻找最短路径（无权图），判断图的连通性，二分图检测，以及任何需要按层处理节点的问题（如树的最小高度、完全二叉树判断）。
- DFS擅长：寻找所有路径，判断图中是否有环，拓扑排序，以及许多回溯算法（如全排列、组合、数独求解），因为它能自然地探索所有可能性。
何时选择哪种遍历方式？
选择哪种遍历方式，很大程度上取决于你想要解决的问题类型：
- 如果你关心“最短”路径，或者需要“按层”处理节点：毫无疑问，选择层序遍历（BFS）。它的广度优先特性保证了第一次找到的路径就是最短路径。
- 如果你需要探索所有可能的路径，或者问题本身具有“递归”结构：深度优先遍历（DFS）往往更自然、更直观。例如，遍历文件系统的所有子目录，或者在迷宫中找到任意一条出路，DFS都能很好地胜任。
- 内存限制：如果树或图非常宽，BFS可能会占用大量内存。如果树或图非常深，DFS的递归深度可能会导致栈溢出。在这种情况下，可能需要考虑迭代版的DFS或优化BFS。
在我看来，这两种遍历方式就像是解决问题的两种基本思维模式。理解它们的内在机制和适用场景，能让你在面对各种数据结构问题时，拥有更清晰的思路和更高效的解决方案。没有绝对的优劣，只有更适合特定问题的选择。
