题目描述：
给定长度为n的无序的数字数组，每个数字代表二叉树的叶子节点的权值，数字数组的值均大于等于1。
请完成一个函数，根据输入的数字数组，生成哈夫曼树，并将哈夫曼树按照中序遍历输出。为了保证输出的二叉树中序遍历结果统一，增加以下限制：
二叉树节点中，左节点权值小于等于右节点权值，
根节点权值为左右节点权值之和。
当左右节点权值相同时，左子树高度高度小于等于右子树。注意：所有用例保证有效，并能生成哈夫曼树。提醒：哈夫曼树又称最优二叉树，是一种带权路径长度最短的二叉树。
所谓树的带权路径长度，就是树中所有的叶结点的权值乘上其到根结点的路径长度
（若根结点为0层，叶结点到根结点的路径长度为叶结点的层数）。

---

解题思路：

由于未找到输入输出示例，自己手动创建一个输入权重列表weights = [5,5,15,40,30,10]

根据题意中，哈夫曼树的要求，可以构造树形如下：

故中序遍历结果[40, 105, 30, 65, 15, 35, 10, 20, 5, 10, 5]

构造哈夫曼树

1、创建一个优先级队列（最小堆）并将数组中的每个叶子节点作为一个节点加入堆中。

由于直接将节点压入最小堆中，使其只基于节点的权重进行比较。需要在树节点中重写类的 __lt__() 方法。

解决可以解决heapq 无法比较 Node 实例的问题，否则会遇见报错TypeError: '<' not supported between instances of 'TreeNode' and 'TreeNode'。

2、不断从堆中取出两个最小的节点作为左右子树，构造一个新的父节点，其权值为两个节点权值之和，并将新节点插入堆中。

3、重复此过程，直到堆中只剩下一个节点，即为哈夫曼树的根节点。

对限制条件进行处理

1、在合并左右节点时，如果两个节点的权值相等，则优先选择左子树高度小于或等于右子树的情况。

故需要统计每个节点的高度，可以在树节点类型中添加height值。

2、根节点权值为左右节点权值之和。

在构造时，父节点权值 = left_weight + right_weight，重新压入heapq中。

3、如果左右节点的权值不等，左子树权值必须小于等于右子树权值。

heapq弹出的第一个元素为左孩子、第二个为右孩子。

中序遍历输出

使用递归进行中序遍历：左子树 -> 根节点 -> 右子树。

---

代码部分

python">class TreeNode:def __init__(self, weight, left = None, right = None):self.weight = weightself.left = leftself.right = rightself.height = 1#   递归计算节点的高度def get_height(self):if not self.left and not self.right:return 1left_height = self.left.get_height() if self.left else 0right_height = self.right.get_height() if self.right else 0return 1 + max(left_height, right_height)#   重写方法，基于节点的权重进行比较。这解决了 heapq 无法比较 Node 实例的问题def __lt__(self, other):return self.weight < other.weight
import heapq
class Solution:def build_huffman_tree(self, weights):if not weights:return # 初始化最小堆，创建叶子节点heap = [TreeNode(weight) for weight in weights]heapq.heapify(heap)while len(heap) > 1:# 取出两个权值最小的节点left = heapq.heappop(heap)right = heapq.heappop(heap)# 如果权值相同，按照高度进行处理if left.weight == right.weight:left_height = left.get_height()right_height = right.get_height()# 确保左子树高度 <= 右子树高度if left_height > right_height:left, right = right, left# 创建新的父节点，权值为左右节点权值之和merged_node = TreeNode(left.weight + right.weight, left, right)heapq.heappush(heap, merged_node)# 返回堆中唯一的节点，即哈夫曼树的根节点return heap[0]#   栈迭代法进行中序遍历def midorder_traversal(self, root:TreeNode):res = []if root is None:returnstack = [root]while stack:node = stack.pop()if node != None:#   按照顺序压栈：右节点、中节点、左节点if node.right:stack.append(node.right)stack.append(node)#   中节点访问过，但是还没有处理，加入空节点做为标记。stack.append(None)if node.left:stack.append(node.left)#  只有遇到空节点的时候，才将下一个节点放进结果集else:#   按照左节点、中节点、右节点出栈node = stack.pop()res.append(node.weight)return res#   递归法进行中序遍历def midorder_traversal_I(self, root:TreeNode):res = []def dfs(node):if node is None:returndfs(node.left)res.append(node.weight)dfs(node.right)dfs(root)return res#   递归法简化写法def midorder_traversal_II(self, root:TreeNode):if root is None:return []return self.midorder_traversal_II(root.left) + [root.weight] + self.midorder_traversal_II(root.right)if __name__=='__main__':weights = list(map(int, input().split(',')))solution = Solution()huffman_tree = solution.build_huffman_tree(weights)result = solution.midorder_traversal(huffman_tree)print(result)

---

拓展：

__lt__() 方法是一个特殊方法（也称为魔术方法或双下划线方法），它用于定义小于（<）运算符的行为。

在尝试比较两个类的实例时，如果这两个实例之间的比较逻辑不是简单的基于它们的值或身份（即不是直接通过 ==、!=、<、<=、>、>= 这样的操作符），就可以通过定义这些特殊方法来自定义这些操作符的行为。

__lt__() 方法应该接收一个参数（即与当前实例进行比较的另一个实例），并返回一个布尔值：如果当前实例小于传入的参数，则返回 True；否则返回 False。

哈夫曼树的特点：

带权路径长度（WPL, Weighted Path Length）最小：

·对于一组给定的字符及其出现的频率（即权重），哈夫曼树能够构造出一种编码方式，使得这些字符的平均编码长度最短。

·这是通过构建一种特殊的二叉树来实现的，其中每个字符都位于树的一个叶节点上，且该叶节点到根节点的路径上的边所代表的字符（在哈夫曼编码中通常使用0和1表示）共同构成了该字符的编码。

贪心算法构建：

·哈夫曼树的构建过程采用了贪心算法的策略。

·它从包含n个叶节点的森林开始，每个叶节点代表一个字符及其出现的频率。

·然后，算法反复地选择两个频率最小的节点，将它们合并为一个新的节点，新节点的频率是两个子节点频率之和。

·新节点作为这两个子节点的父节点，而原来的两个节点则成为新节点的左右子节点（通常约定左子节点频率小于等于右子节点）。

·这个过程一直进行，直到森林中只剩下一个节点为止，这个节点即为根节点，整棵树就是所求的哈夫曼树。

---

知识点：哈夫曼树、堆、二叉树的中序遍历、贪心

---

结语：越简单的题目解法应该越多，请路过大神留下新的思路供本小白学习一下，打开思路