哈夫曼树
哈夫曼树（Huffman Tree）是一种带权路径长度最短的二叉树。哈夫曼树常常用于数据压缩，其压缩效率比较高。
哈夫曼树的构建过程主要有两个步骤：（1）选取权值最小的两个节点构造新的二叉树，其权值为两个节点权值之和；（2）将新生成的节点加入到原来的节点集合中，重复执行步骤一和步骤二，直到只剩下一个节点，这个节点就是哈夫曼树的根节点。哈夫曼树的构建过程可以用贪心算法实现，构建出的哈夫曼树可以保证带权路径长度最短。
树的带权路径长度(wpl)
树的带权路径长度（weighted path length）是指树中所有叶子节点深度乘以它们对应的权值之和。对于一棵有n个叶子节点的树，其带权路径长度为：
权路径长度是一种衡量树结构紧密程度的指标，一棵紧密结构的树的带权路径长度通常比较小，相对来说能够更好地利用树的结构进行数据压缩等操作。在哈夫曼编码中，带权路径长度是一个重要的概念，因为哈夫曼编码的目的就是要最小化树的带权路径长度，以达到最优编码的效果。
(a) wpl : 7 * 2 + 5 * 2 + 2 * 2 + 4 * 2 = 36
(b) wpl : 7 * 3 + 5 * 3 + 2 * 1 + 4 * 2 = 46
(c) wpl : 7 * 1 + 5 * 2 + 2 * 3 + 4 * 3 = 35
哈夫曼编码
哈夫曼编码（Huffman coding）是一种可变长度编码（variable-length encoding）方法，是一种最优编码，用于无损数据压缩。该方法的核心思想是，将出现频率较高的字符用较短的编码表示，出现频率较低的字符用较长的编码表示，以达到压缩数据的目的。
哈夫曼编码的实现过程可以分为两个阶段：
（1）建立哈夫曼树。将输入字符串中每个字符出现的频率作为权重，构建一个哈夫曼树，使得出现频率较高的字符对应的节点在哈夫曼树的深度较浅，出现频率较低的字符对应的节点在哈夫曼树的深度较深。哈夫曼树的叶子节点对应输入字符串中的每个字符，从根节点到叶子节点的路径上的边表示该字符的编码。
（2）对输入字符串进行编码。根据哈夫曼树的构建结果，生成每个字符的编码，并将输入字符串中每个字符替换为其对应的编码，得到压缩后的字符串。
由于哈夫曼编码是一种最优编码方法，因此它具有以下优点：
（1）压缩率高。使用哈夫曼编码进行压缩可以达到很高的压缩率，特别是对于包含大量重复字符的文本文件，哈夫曼编码的效果更加明显。
（2）无损压缩。哈夫曼编码是一种无损压缩方法，压缩后的数据可以完全恢复为原始数据。
（3）可逆性好。哈夫曼编码的编码和解码过程都可以通过哈夫曼树实现，因此哈夫曼编码具有很好的可逆性。
例如我们给定原文 A B A C C D A，使其变成二进制存储，我们就可以使用等长的编码方式，A:00 B:01 C:10 D:11，那么我们的原文就可以转换成00010010101100，len=14.所以我们想要缩短长度的话就需要用另一种编码方式，那就是让出现次数多的字母对应更短的二进制数，如A出现了三次，所以A:0 C出现了两次，所以C:1，那么B:00，D:01，这样原文就可以转换成000011010，len=9，但这样的缺点就是0000可以是AAAA，也可以是BB等多种情况。
所以我们就可以使用哈夫曼编码，也就是最优无前缀编码。
通过这个哈夫曼树得到A:0 B:10 C:110 D:111，原文也就转换成了01001101101110，len= 14。
代码实现哈夫曼树
封装哈夫曼树的节点
class HuffmanNode implements Comparable<HuffmanNode> { public int value; // 节点的值 public int frequency; // 节点出现的次数 public HuffmanNode left; // 左子节点 public HuffmanNode right; // 右子节点 public HuffmanNode(int value, int frequency) { this.value = value; this.frequency = frequency; } // 按照频率从小到大排序 @Override public int compareTo(HuffmanNode o) { return this.frequency - o.frequency; } }
构建哈夫曼树
import java.util.PriorityQueue; public class HuffmanTree { // 构建哈夫曼树 public static HuffmanNode buildHuffmanTree(int[] frequencies) { PriorityQueue<HuffmanNode> queue = new PriorityQueue<>(); // 将所有出现的数字及其频率作为叶子节点加入到优先队列中 for (int i = 0; i < frequencies.length; i++) { if (frequencies[i] > 0) { queue.offer(new HuffmanNode(i, frequencies[i])); } } // 构建哈夫曼树 while (queue.size() > 1) { HuffmanNode left = queue.poll(); HuffmanNode right = queue.poll(); HuffmanNode parent = new HuffmanNode(-1, left.frequency + right.frequency); parent.left = left; parent.right = right; queue.offer(parent); } // 返回哈夫曼树的根节点 return queue.poll(); } public static void main(String[] args) { int[] frequencies = new int[]{3, 2, 1, 4, 5, 6}; HuffmanNode root = buildHuffmanTree(frequencies); // do something with the root node of the Huffman tree } }
字典树
字典树（Trie树），也称为前缀树（Prefix Tree），是一种用于高效存储和检索字符串的树形数据结构。它的基本思想是利用字符串的公共前缀，将具有相同前缀的字符串存储在一起，从而达到节省空间、提高查询效率的目的。
字典树的每个节点都表示一个字符，从根节点开始到某个节点路径上的所有字符连接起来，就构成了从根节点到该节点所表示的字符串。每个节点还包含一个计数器，用于记录以该节点结尾的字符串的个数。
在字典树中，每个节点最多有26个子节点，对应着26个小写字母。为了实现高效的字符串检索，字典树通常是按照字典序排序的，即每个节点的子节点按照字母顺序排列。
字典树的主要优点是可以在O(m)的时间复杂度内（m为待查字符串的长度），完成字符串的检索操作，比其他数据结构如哈希表等具有更高的效率。同时，字典树还可以支持前缀匹配查询和自动补全功能，因此在搜索引擎、输入法、单词拼写检查等应用中广泛使用。
执行流程
字典树（Trie 树）是一种特殊的树型数据结构，用于快速检索和查找字符串集合中的单词或前缀。它的执行流程如下：
（1）初始化字典树，创建一个根节点，根节点不包含任何值。
（2）将所有的字符串依次插入到字典树中。对于每个字符串，从根节点开始，依次遍历字符串中的每个字符。如果该字符对应的节点已经存在，则直接向下遍历；否则，创建一个新节点，并将该节点作为当前节点的子节点。重复该过程，直到遍历完整个字符串。
（3）在字典树中查找指定的单词或前缀。从根节点开始，依次遍历待查找的单词或前缀中的每个字符，如果存在当前字符对应的节点，则向下遍历；否则，直接返回空。
（4）如果是查找单词，则需要判断查找到的最后一个节点是否为一个单词的结束节点。如果是，则说明该单词存在于字典树中；否则，不存在。
（5）如果是查找前缀，则不需要判断最后一个节点是否为一个单词的结束节点，只需要返回查找到的最后一个节点的子树中所有单词即可。
字典树的优点是可以快速的插入、查找和删除字符串集合中的单词，时间复杂度为 O(m)，其中 m 为单词的长度。但是它的缺点是会消耗大量的存储空间，因为每个节点都需要存储一个字符和若干个指针，如果字符串集合中的单词数量较多，则会占用大量的存储空间。
例如下图中已经出现过一遍的字母就会被存到字典树中，在下次遇到时就不会从新创建，加快了存储时间，但会占用较大的空间。
代码实现字典树
封装字典树的节点
public class TrieNode { char value;//当前节点存储的字符 int num;//有多少个单词经过了当前这个字符，从当前到根就是这num个单词的前缀 TrieNode[] son;//所有叶子存放在一个对象数组里，默认为26叉，因为只有26个英文字母 boolean isword;//是否构成一个完整的单词，如acm acmer public TrieNode() { num = 1;//至少有一个字符是经过本身的 isword = false;//默认为false son = new TrieNode[26];//26个英文单词 } }
构建字典树
public class TrieTree { public static void main(String[] args) { TrieTree trieNode = new TrieTree(); String[] strs = {"banana","band","bee","absolute","acm","acmer"}; String[] prefix = {"ba","b","band","abc","acm"}; for (String str : strs) trieNode.insertTrieTree(str); System.out.println(trieNode.isContains("abc")); System.out.println(trieNode.isContains("acm")); for (String str : prefix) System.out.printf("%s前缀%d\n",str,trieNode.getPreFixNum(str)); } TrieNode root = new TrieNode();//字典树的根 //建树的过程就是不断的往字典树里插入单词 public void insertTrieTree(String s) { if (s == null || s.length() == 0) return;//空串直接返回 TrieNode node = root;//获取根节点，因为在插入的时候根节点是变化的 char[] words = s.toCharArray();//得到字符数组给words for (int i = 0; i < words.length; i++) { int distance = words[i] - 'a';//计算当前字符是当前根的第多少个孩子，所以要-'a' if (node.son[distance] == null) {//当当前字符不存在时候 node.son[distance] = new TrieNode(); node.son[distance].value = words[i]; } else { node.son[distance].num++;//经过当前字符的次数++ } node = node.son[distance];//已经存储了，那么根就要做变化 } node.isword = true;//当最后一个字符存储完毕后，这个字符就变成了一个完整的字符了 } //给定单词，查找是否在字典树中 public boolean isContains(String s) { if (s == null ||s.length() == 0) return false;//空串直接返回false TrieNode node = root;//获取根节点，因为在插入的时候根节点是变化的 char[] words = s.toCharArray();//得到字符数组给words for (int i = 0; i < words.length; i++) { int distance = words[i] - 'a';//计算当前字符是当前根的第多少个孩子，所以要-'a' if (node.son[distance] != null) node = node.son[distance];//继续往下再找 else return false; } return node.isword;//返回是否构成完整的单词 } //给定前缀返回有多少个单词以它作为前缀 public int getPreFixNum(String prefix) { if (prefix == null ||prefix.length() == 0) return 0;//空串直接返回false TrieNode node = root;//获取根节点，因为在插入的时候根节点是变化的 char[] words = prefix.toCharArray();//得到字符数组给words for (int i = 0; i < words.length; i++) { int distance = words[i] - 'a';//计算当前字符是当前根的第多少个孩子，所以要-'a' if (node.son[distance] != null) node = node.son[distance];//继续往下再找 else return 0; } return node.num;//返回多少个单词经过当前这个字符的个数 } }
得到abc不在字典树中，acm在字典树中。以及以ba、b、band、abc、acm做前缀的单词个数
