京公网安备 11010802034615号
经营许可证编号:京B2-20210330
树形结构数据是一种常见的数据结构,它由节点和边组成,可以用来表示层次化的关系。在MySQL表中存储树形结构数据,可以使用多种方法,本文将简要介绍几种主要的方法。
我们可以使用以下表格来存储此树形结构:
dept_id | name | parent_id
--------|----------------------|----------
1 | 公司 | NULL
2 | 技术部 | 1
3 | 开发团队 | 2
4 | 测试团队 | 2
5 | 销售部 | 1
6 | 区域销售团队 | 5
7 | 在线销售团队 | 5
其中,dept_id 是节点的唯一标识符,name 是节点名称,parent_id 是父节点的 dept_id。如果一个节点没有父节点,则其 parent_id 值为 NULL。
优点:邻接列表模型是非常简单和直观的模型,易于理解和实现。 缺点:查询复杂度高,特别是递归查询。
dept_id | name | path
--------|----------------------|---------
1 | 公司 | 1
2 | 技术部 | 1/2
3 | 开发团队 | 1/2/3
4 | 测试团队 | 1/2/4
5 | 销售部 | 1/5
6 | 区域销售团队 | 1/5/6
7 | 在线销售团队 | 1/5/7
在此模型中,每个节点都有一个唯一标识符dept_id,名称name和path,该路径包含其所有祖先节点的dept_id,以斜杠分隔。例如,技术部门的路径为1/2,其祖先为公司(dept_id为1)。
优点:查询效率高,对于子节点查询,只需要使用LIKE操作符即可。 缺点:更新节点时,需要更新其后代节点的路径。
dept_id | name | lft | rgt
--------|----------------------|-----|-----
1 | 公司 | 1 | 14
2 | 技术部 | 2 | 7
3 | 开发团队 | 3 | 4
4 | 测试团队 | 5 | 6
5 | 销售部 | 8 | 13
6 | 区域销售团队 | 9 | 10
7 | 在线销售团队 | 11 | 12
在此模型中,
每个节点都有一个唯一标识符dept_id,名称name,以及左右值lft和rgt。左右值的定义是这样的:假设一个节点有子节点,则其左值是其第一个子节点的左值减1,右值是其最后一个子节点的右值加1。如果一个节点没有子节点,则其左值和右值相等。
优点:查询效率高,递归查询时不需要使用JOIN操作,只需要使用BETWEEN操作即可。 缺点:更新节点时,需要更新许多左右值。
dept_id | name | lft | rgt | depth
--------|---------------------|-----|-----|-------
1 | 公司 | 1 | 14 | 0
2 | 技术部 | 2 | 7 | 1
3 | 开发团队 | 3 | 4 | 2
4 | 测试团队 | 5 | 6 | 2
5 | 销售部 | 8 | 13 | 1
6 | 区域销售团队 | 9 | 10 | 2
7 | 在线销售团队 | 11 | 12 | 2
在此模型中,每个节点都有一个唯一标识符dept_id,名称name,以及左右值lft、右值rgt和深度depth。与嵌套集合模型相比,MPTT模型额外提供了深度值,便于快速计算节点的层次关系。
优点:查询效率高,递归查询时不需要使用JOIN操作,只需要使用BETWEEN操作即可。 缺点:更新节点时,需要更新许多左右值。
总结 以上是几种常见的存储树形结构数据的方法。每种方法都有其优点和缺点,具体应用需根据具体场景而定。对于较深的树形结构,MPTT和嵌套集合模型可能比邻接列表和路径枚举模型更适合。但是,在更新节点时,MPTT和嵌套集合模型需要更新大量的值,因此在频繁更新节点的情况下,邻接列表和路径枚举模型可能更好。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27