微软的面试题：用4位数编码0-9

2015年5月微软的一道面试题：

来源：同学叙述

题目：

用0，2，4，6表示0-9任意的数字组成的序列。

分析：

乍一看，就是编码部分的知识。我们知道一位中有4个有效信息位：分别是0，2，4，6，它们要表示一个10位的信息：0-9。

（*在这里，肯定有很多人想到了哈夫曼编码什么的，我觉得这里应该是未知0-9这十个数的概率分布的，所以用哈夫曼编码并不合适。

当然了，在面试中你要提前先问清楚，作为你思考的一个过程。）

最先想到的可能就是用两个四位信息位表示一位10位信息位，4^2 = 16 > 10，可以满足。平均编码长度为2位。

对应关系为

编码	对应的数字
00	0
02	1
04	2
06	3
20	4
22	5
24	6
26	7
40	8
42	9
44	保留
46	保留
60	保留
62	保留
64	保留
66	保留

接着我们进行优化，考虑的就是减少编码长度，因为考虑到16位中是有浪费的，所以比较容易得会想到用3*3+1的方式：

即所谓的把0，2，4三个数字当作一个信息位，那么用两位就可以表示出9位信息位，然后再用6表示余下一位。

这样的方式有如下对应关系：

编码	对应的数字
00	0
02	1
04	2
20	3
22	4
24	5
40	6
42	7
44	8
6	9

这样子，平均的编码长度为（2 * 9 + 1）/ （ 9 + 1 ）= 1.9位。
（*写到这里，也许有人可能想到上面第一种方法中也可以进行优化，即用44-66的6位表示其他两位数字，比如用44表示00，这样就可以在一定程度上减少编码长度）

再思考：

但是上面的第二种方法并不是最优，或者说不是思考的尽头。

我们不妨假设0-9出现的概率相同，那么6对应的9的编码长度是1，其实只是减少了所有字符中1/10的长度，可以看到减少的长度很有限，因为另外有9/10的编码长度还是2的。

所以并不是最优的，我们应该朝怎么样把整体的编码长度有效降低。

这里，就有信息有效位的概念（我自己瞎想的）

对于0，2，4，6，其有效位是4，那么如果有n位就能表示4^n种的信息状态，而对于0-9，需要表示的是10种信息，如果有m位，则有10^m。

前提：需要表示的信息概率分布相同（也就是出现的概率差不多）时

要想编码长度最短，其实就是找到n和m，使4 ^ n >= 10 ^ m，并且使其中的(4 ^ n - 10 ^ m) / 10 ^ m尽量小，也就是浪费掉的或者说保留掉的位占得比率尽可能小。

我们可以找到，当n = 5时，m = 3时，可以满足上述条件，刚好是4 ^ 5 = 2 ^ 10 = 1024 > 1000 。

因此，我们也就相当于用5位表示了3位，平均编码长度为5 / 3 = 1.67位。

*这里的1.67是在0-9任意的数字组成的序列比较长的情况下的，而不是针对它们序列很短的时候，后者肯定是短编码比较好。

编码	对应的数字
00000	000
00002	001
00004	002
...	...
66426	999
66440	保留
...	...
66666	保留

但是呢，这里会出现一个问题，就是当我们用5位表示3位的时候，如果遇到序列并不是3的倍数的怎么办，我们如何来表示末尾的比如“3空空”或“34空”之类的数字呢。

这里我们可以用保留的位数做文章。

比如令66440表示末尾刚好是不用截取的，即刚好是3的倍数的。

令66442表示截取1位的，即刚好是3倍数多1位的。

令66444表示截取2位的，即刚好是3倍数多2位的。

那么对于9990的话，我们就可以编码：66426 00000 66442来进行编码。

所以，是可以完美解决5位编码3位的问题的，平均编码长度为1.67，应该是最短的。

再思考：

不过，这里还有一个小问题：虽然编码长度短了，但是，对于编码和接码过程中需要维护的映射关系却长了，比如第一第二种方法都只用维护10个映射关系即20空间大小，而对于第三种方法却需要维护1000各映射关系即2000个空间大小。这对于内存和处理来说会比较麻烦，但是至少在传输过程中会比较轻便。

这也和现实生活中很像，你要想路上轻便点，就需要多花点时间打包整理好行李。

——Apie陈小旭