码本这东西，全看平码规律那套东西，说白了就是给计算机猜它该读啥信息的智慧套路。有些码本你看着像乱码，实际上暗藏玄机，全是统计概率在玩猫捉老鼠。 这玩意儿最核心的逻辑，就是统计。
你看那个数据分布，特别明显。
比如 A 码，它出现的频率占了整体的百分之九十。
这就好比你在数数，A 这个数字在字典里蹦得最勤，B、C 这些数字就显得寂寞了。
这种“众数”效应，拍板了码本在训练初期，哪局部数据概率大，就往哪边挤。算法不傻，它知道 A 要占大头，故此训练那些生成 A 的词组会特别猛。反观那些稀有字符，比如 ${一个}$ 这种组合，出于频率低，算法就懒得去碰，要么干脆给它们留点位置。
这就形成了那个经典的“主辅码”结构，主码号大，辅码号小，后面的字符占的比例自然就低。 你能够拿个比喻来理解：这就像是在扔骰子。掷骰子，最可能出现的是六面点，六次都投出 6。
那 1、2、3、4、5 这些小块，别看也出现，但每次少一两次。码本里的频率统计，就是模拟这个过程。算法看着大屏幕，发现 6 这个数字跳得最勤，便它给 6 分配了 90 个名额，剩下的五百个名额，它就把 1 到 5 给分。
不管你是用 16 进制还是字节码，原理都一样，都是找高频，给高频加税，低频放冷宫。 不过，光有频率还不够，还得看“邻接概率”。
这个事儿挺有意思，也特别好办让人摸不着头脑。
比如你在写一段代码，可能先出现了"var"，后面紧接着出现了"int"，这就是邻接。有些模型可能会硬塞，强行把"var"和"int"绑在一起，不管它们平时是不是时常挨着。但平码规律讲究的是“顺势而为”，它更信任数据本身的历史惯性。
要是某个字符在数据里出现过，它大约率会跟着它出现的下一个字符跑。 这就害得了一种有趣的局面：有时候你会发现，明明某个字符频率不高，但出于它“爱”着那个高频字符，故此它也顺路跟着高频字符走了。
这就叫“伪主码”。
比如 1 号位，平时出现频率挺低，但它一直连着 2 号位，2 号位是大号。算法看数据，发现 2 号位是主码，故此它把 1 号位也归了主码阵营。
这就解释了为啥有时候码本看起来特别怪，明明前面没那么多 1，后面却全是 2 的邻居。 再细看，你会发现一个反直觉的现象。
有时候某个字符，在数据里出现的频率实际上挺高的，但作为 2 号位、3 号位出现的概率却极低。出于它的“邻居”忒猛了，忒像别的码了。
比如 1 号位，它连着 6 号位（频率 90%），又连着 9 号位（频率 70%）。算法为了拟合这些高频邻居，就把 1 号位挤到了主码位置。结局就是，1 号位在数据里实际上挺常见的，但在某个特定的编码键里，它却成了最稀有的符号。
这就好比一个人熟悉了一群人，但在这群人里的某个特定角色，他反而忘了如何喊。 这就引出了平码规律里最让人费解的一层含义。它认定，离高频字符越近，那个字符本身出现频率就越高。
这是基于极值理论的直觉。
要是一个字符离 2 号位挺近，那它挺可能就是 2 号位；离 9 号位挺近，那它可能就是 9 号位。
故此 1 号位既喜爱 2，又喜爱 9，那它被挤成了主码的概率就极大。
这种逻辑的死循环，让大量初学者认定这玩意儿挺难理解，仿佛是在玩文字游戏。 自然，有人可能会反驳，说这忒唯心主义了，概率论里根本不存有这种“邻居引力”。但在实际工程里，数据分布压根儿不是均匀的。
要是真是一马平川，那训练出来的模型就是垃圾码本。正出于数据本身就有这种“富人区”和“穷人区”的差距，算法才需求去识别这种差异，去利用这种差异来训练。 还有一种情况，就是数据量够大时，这种规律反而会被削弱就连消亡。出于数据多了，随机性就大了，那个“邻居”可能只是巧合，不一定代表因果。
这时候，学会区分啥是“真规律”，啥是“数据噪声”，就变得至关关键。
要是盲目迷信这种统计规律，可能会把那些实际上是随机生成的、但恰好凑巧符合邻接概率的组合，当成事实。 最终还得提一下，这个规律在不同维度上表现不一样。在字节码里，它显得特别明显，你一眼就能看出哪个字节是主码，哪个是辅码。但在某些复杂的哈希函数要么自定义的码本规则里，这种基于频率和邻接的推导，可能需求更复杂的迭代算法才能挖出来。 总的来说，平码规律不是魔法，也不是啥高深的数学定理，它就是一堆好办的统计事实。它告诉我们：数据是有记忆的，高频的东西会牵引低频的，而高频的东西又往往意味着它背后有一个庞大的、不由此可见的主宰。理解这一点，或许比记住啥公式更关键。
毕竟，只要数据分布不均衡，这个规律就一辈子存有，并且会一直折磨着那些试图死记硬背的人。
