数据结构与算法：哈夫曼树与哈夫曼编码

1.举例引入

我们先以成绩评级举例分析，一步一步的认识Haffman树和Haffman编码。

分数	0~59	60~69	70~79	80~89	90~100
成绩	不及格	及格	中等	良好	优秀
所占比例	5%	15%	40%	30%	10%

如果是要真实实现这个功能，当然有更好的逻辑实现。但是这里为了便于分析，就拿这样的伪代码举例了。通过if 判断语句进行成绩评级。

if (a >= 0 && a < 60) {
    b = "不及格";
} else if (a >= 60 && a < 70) {
    b = "及格";
} else if (a >= 70 && a < 80) {
    b = "中等";
} else if (a >= 80 && a < 90) {
    b = "良好";
} else if (a >= 90 && a <= 100) {
    b = "优秀";
}

统计成绩的判断语句执行次数：5 * 1 + 15 * 2 + 40 * 3 + 30 * 4 + 10 * 5 = 325

if (a >= 70 && a < 80) {
    b = "中等";
} else if (a >= 80 && a < 90) {
    b = "良好";
} else if (a >= 60 && a < 70) {
    b = "及格";
} else if (a >= 90 && a <= 100) {
    b = "优秀";
} else if (a >= 0 && a < 60) {
    b = "不及格";
}

判断成绩的语句要执行的次数为：40 * 1 + 30 * 2 + 15 * 3 + 10 * 4 + 5 * 5 = 210

通过两种方案的对比，我们发现改变权值(权重，频率，也可理解出现的次数或比例)大的元素先执行，判断语句的执行次数降低了，是不是隐隐约约有点感觉，其实这就是压缩思路的雏形。为了有更进一步的了解，接着往下看：

我们先把这两棵二叉树简化成叶子结点带权(重)的二叉树，如下图所示。其中A表示不及格、B表示及格、C表示中等、D表示良好、E表示优秀。每个叶子的分支线上的数字就是前面提到的成绩所占比例数。

2.哈夫曼树的定义

设二叉树具有n个带权值的叶子结点，那么从根结点到各个叶子结点的路径长度与相应结点权值的乘积的和，叫做二叉树的带权路径长度WPL(Weighted Path Length).具有最小带权路径长度的二叉树称为哈夫曼树。

如果考虑到带权的结点，结点的带权路径长度为从该结点到树根之间的路径长度与结点上权的成乘积。树的带权路径长度为树中所有叶子结点的带权路径长度之和。二叉树a的带权路径长度为：

5x1+15x2+40x3+30x4+10x4 = 315（其它结点权重值为1，未标明）

我们通常把带权路径长度最小的二叉树称作哈夫曼树。既然知道了哈夫曼树的概念，那么如何过构造一颗哈夫曼树呢？
构造哈夫曼树的原则：

• 权值越大的叶子结点越靠近根结点
• 权值越小的叶子结点越远离根结点

构造哈夫曼树的过程：

(1)给定的n个权值{W₁, W₂, …, Wn}构造n棵只有叶子结点的二叉树，从而得到一个二叉树的结合F

(2)在F中选取根结点的权值最小和次小的两棵二叉树作为左、右子树构造一棵新的二叉树，这棵新的二叉树根结点的权值为其左、右子树根结点权值之和。

(3)在集合F中删除作为左右子树的两棵二叉树，并将新建立的二叉树加入到集合F中。

(4)重复(2)、(3)两步，当F中只剩下一棵二叉树时，这棵二叉树便是所要建立的哈夫曼树。

还是上面的成绩例子进行分析，主要有以下几个步骤

• 1.先把有权值的叶子结点按照从小到大的顺序排列成一个有序序列，即：A 5，E 10，B 15，D 30，C 40。
• 2.取头两个最小权值的结点作为一个新结点N1的两个子结点，注意相对较小的是左孩子，这里就是A为N1的左孩子，E为N1的右孩子，如下图(1)所示。新结点的权值为两个叶子权值的和5+10=15。
• 3.将N1替换A与E，插入有序序列中，保持从小到大排列。即：N1 15，B 15，D 30，C 40。
• 4.重复步骤2，将N1与B作为一个新结点N2的两个子结点。如图(2)，N2的权值=15 + 15 = 30。

• 5.将N2替换N1与B，插入有序序列中，保持从小到大排列。即N2 30，D 30， C 40。
• 6.重复步骤2。将N2与D作为一个新结点N3的两个子结点。如图(3)所示，N3的权值=30+30=60
• 7.将N3替换N2与D，插入有序序列中，保持从小到大排列。即：C 40， N3 60。
• 8.重复步骤2。将C与N3作为一个新结点T的两个子结点，如图(4)所示。由于T即是根结点，完成哈夫曼树的构造。

3.Haffman编码

当然，哈夫曼研究这种最优树的目的不是为了我们可以转化一下成绩，他的更大目的是为了解决当年远距离通信(主要是电报)的数据传输的最优问题。

比如我们有一段文字内容为"BADCADFEED"要网络传输给别人，显然用二进制的数字(0和1)来表示是很自然的想法，我们现在这段文字只有6个字母ABCDEF，那么我们可以用相应的二进制数据表示，如下表所示：

字母	A	B	C	D	E	F
二进制字符	1	0	10	11	100	101

那么进行编码后得到的二进制数据为：01111011110110010011，传入这段二进制数据，接收方收到数据后，根据对应的表格进行解码，先查0得到B, 再查1得到A，再查1，又得到A，显然解码出问题了，无法得到解码二进制数据得到原数据。所以我们想到的是并不能简单随意指定数据中各个元素的二进制编码，需要有一定的规则。没错，就是考虑用Haffman树来存数据，进行二进制编码。由于构建Haffman树，需要知道各个元素的权值，也就是频率，现在我们假设6个字母的频率(权值)为A 27，B 8，C 15，D 15，E 30，F 5，合起来正好是100%，图(5)为构造Haffman树的过程的权值显示，图(6)为将权值左分支(孩子)改为0，右分支(孩子)改为1后的Hafuman树。

此时，我们对这6个字母用其从树根(根结点)到叶子(结点)所经过路径的0或1来编码，可以得到下表这样的定义

字母	A	B	C	D	E	F
二进制字符	01	1001	101	00	11	1000

我们将文字内容"BADCADFEED"再次编码，得到二进制串：

1001010010101001000111100(共25位)，接收数据的一方，就可以对照表格，将二进制数据进行还原了。如果按8位占用1个字节，不足8位，高位补0，这份二进制数据占用4byte，但是原数据呢，一个英文字母占用1个字节算，也是占用10byte, 也就是说我们的数据被压缩了，大大节约了存储或传输成本。相信读者现在应该可以明白微信的图片压缩方案即哈夫曼压缩为什么是无损压缩了，存储的不是像素信息，而是二进制数据，解码图片时，对照相应的编码，还原数据，即图片的具体像素信息。