什么是哈夫曼树
四个概念
什么是路径
-
在一颗树中,从一个节点到另一个节点所经过的所有节点,就是两个节点的路径
-
如下二叉树当中,从根结点A到叶子结点H的路径,就是A,B,D,H。
什么是路径长度
- 从根结点A到叶子结点H,共经过了3条边,因此路径长度是3。
什么是节点的带权路径长度
- 树的每一个结点,都可以拥有自己的“权重”(Weight),权重在不同的算法当中可以起到不同的作用。
- 结点的带权路径长度,是指树的根结点到该结点的路径长度,和该结点权重的乘积。
如下图:
- 假设结点H的权重是3,从根结点到结点H的路径长度也是3,因此结点H的带权路径长度是 3 X 3 = 9。
什么是树的带权路径长度?
- 在一棵树中,所有叶子结点的带权路径长度之和,被称为树的带权路径长度,也被简称为WPL。
如下图:
- 树的路径长度是 3X3 + 6X3 + 1X2 + 4X2 + 8X2 = 53。
什么是哈夫曼树
哈夫曼树是由麻省理工学院的哈夫曼博士于1952年发明,这到底是一颗什么样的树呢?
- 刚才我们学习了树的带权路径长度(WPL),而哈夫曼树(Huffman Tree)在叶子节点和权重确定的情况下,带权路径最小的二叉树,也被称为最优二叉树
举个例子
-
给定权重分别为1,3,4,6,8的叶子结点,我们应当构建怎样的二叉树,才能保证其带权路径长度最小?
-
原则上,我们应该让权重小的叶子结点远离树根,权重大的叶子结点靠近树根。
-
下图左侧的这棵树就是一颗哈夫曼树,它的WPL是46,小于之前例子当中的53:
-
需要注意的是:同样叶子节点所构成的哈夫曼树可能不止一颗,下面这几棵树都是哈夫曼树:
哈夫曼树
构建
例子1
假设有6个叶子结点,权重依次是2,3,7,9,18,25,如何构建一颗哈夫曼树,也就是带权路径长度最小的树呢?
第1步:构建森林
- 我们把每一个叶子节点,都当作是一颗独立的树(只有根节点的树),这样就形成了一个森林。
- 如下图,右侧是叶子节点的森林,左侧是一个辅助队列,按照权值从小到大存储着所有叶子节点。至于辅助队列的作用,我们后续将会看到。
第2步:选择当前权值最小的两个节点,生成新的父节点
- 借助辅助队列,我们可以找到权值最小的节点2和3,并根据这两个节点生成一个新的父节点,父节点的权值是这两个节点权值之和
第3步:从队列中移除上一步选择的两个最小节点,把新父节点加入队列
- 也就是从队列中删除2和3,插入5,并且仍然保持队列的升序:
第4步:选择当前权值最小的两个结点,生成新的父结点
- 这是对第2步的重复操作。当前队列中权值最小的结点是5和7,生成新的父结点权值是5+7=12:
第5步:从队列中移除上一步选择的两个最小结点,把新的父节点加入队列
- 这是对第3步的重复操作,也就是从队列中删除5和7,插入12,并且仍然保持队列的升序:
第6步:选择当前权值最小的两个结点,生成新的父结点
- 这是对第2步的重复操作。当前队列中权值最小的结点是9和12,生成新的父结点权值是9+12=21
第7步:从队列中移除上一步选择的两个最小结点,把新的父节点加入队列
- 这是对第3步的重复操作,也就是从队列中删除9和12,插入21,并且仍然保持队列的升序:
第8步:选择当前权值最小的两个结点,生成新的父结点
- 这是对第2步的重复操作。当前队列中权值最小的结点是18和21,生成新的父结点权值是18+21=39:
第9步:从队列中移除上一步选择的两个最小结点,把新的父节点加入队列
- 这是对第3步的重复操作,也就是从队列中删除18和21,插入39,并且仍然保持队列的升序:
第10步:选择当前权值最小的两个结点,生成新的父结点
- 这是对第2步的重复操作。当前队列中权值最小的结点是25和39,生成新的父结点权值是25+39=64:
第11步:从队列中移除上一步选择的两个最小结点,把新的父节点加入队列
- 这是对第3步的重复操作,也就是从队列中删除25和39,插入64
此时,队列中仅有一个结点,说明整个森林已经合并成了一颗树,而这棵树就是我们想要的哈夫曼树:
huffman树使得原先不同权重的叶子节点经过整合按照不同的层次进行分布,其具有的特点是:
- 值越大的叶子节点,距离根节点越近。
- 值越小的叶子节点,距离根节点越远。
哈夫曼树的应用—哈夫曼编码
哈夫曼编码是一种高效的编码方式,在信息存储和传输过程中,用于对信息的压缩
那么霍夫曼编码是怎么进行信息压缩的呢?我们先来学习下计算机是怎么存储信息的
计算机系统是怎么存储信息的
计算机不是人,它不认识中文和英文,更不认识图片和视频,它唯一“认识”的就是0(低电平)和1(高电平)。
因此,我们在计算机上看到的一切文字、图像、音频、视频,底层都是用二进制来存储和传输的。
从狭义上来讲,把人类能看懂的各种信息,转换成计算机能够识别的二进制形式,被称为编码。
编码的方式可以有很多种,我们大家最熟悉的编码方式就属ASCII码了。
在ASCII吗中,把每一个字符当成是一个特定的8位二进制数,比如
显然,ASCII码是一种等长编码,也就是任何字符的编码长度都相等。
等长编码的优缺点:
- 优点:容易设计,方便读写
- 缺点:可能会占用过多资源
为什么这么说呢?让我们来看一个例子:
假如一段信息当中,只有A,B,C,D,E,F这6个字符,如果使用等长编码,我们可以把每一个字符都设计成长度为3的二进制编码:
如此一来,给定一段信息 “ABEFCDAED”,就可以编码成二进制的 “000 001 100 101 010 011 000 100 011”,编码总长度是27。
但是,这样的编码方式是最优的设计吗?如果我们让不同的字符对应不同长度的编码,结果会怎样呢?比如:
如此一来,给定的信息 “ABEFCDAED”,就可以编码成二进制的 “0 00 10 11 01 1 0 10 1”,编码的总长度只有14。
对于不定长编码,如果一个字符的编码刚好是另一个字符编码的前缀,就会带来歧义问题。这个时候,哈夫曼编码出场了。
哈夫曼编码(Huffman Coding)也是一种不定长编码,由麻省理工学院的哈夫曼博所发明,这种编码方式实现了两个重要目标:
1.任何一个字符编码,都不是其他字符编码的前缀。
2.信息编码的总长度最小。
哈夫曼编码的生成过程(通过哈夫曼树实现的)是什么样子呢?让我们看看下面的例子:
假如一段信息里只有A,B,C,D,E,F这6个字符,他们出现的次数依次是2次,3次,7次,9次,18次,25次,如何设计对应的编码呢?
我们不妨把这6个字符当做6个叶子结点,把字符出现次数当做结点的权重,以此来生成一颗哈夫曼树:
这样做的意义是什么呢?
哈夫曼树的每一个结点包括左、右两个分支,二进制的每一位有0、1两种状态,我们可以把这两者对应起来,结点的左分支当做0,结点的右分支当做1,会产生什么样的结果?
这样一来,从哈夫曼树的根结点到每一个叶子结点的路径,都可以等价为一段二进制编码:
上述过程借助哈夫曼树所生成的二进制编码,就是哈夫曼编码。
现在,我们面临两个关键的问题:
首先,这样生成的编码有没有前缀问题带来的歧义呢?答案是没有歧义。
- 因为每一个字符对应的哈夫曼树的叶子节点,从根节点到这些叶子节点的路径并没有包含关系,最终得到的二进制编码自然也不会是彼此的前缀
其次,这样生成的编码能保证总长度最小吗?答案是可以保证。
- 哈夫曼树的重要特性,就是所有叶子结点的(权重 X 路径长度)之和最小。
- 放在信息编码的场景下,叶子结点的权重对应字符出现的频次,结点的路径长度对应字符的编码长度。
- 所有字符的(频次 X 编码长度)之和最小,自然就说明总的编码长度最小。
使用哈夫曼编码得到的编码总长度,比使用定长编码短了多少?