LeetCode 4. Median of Two Sorted Arrays的两种思路

题目链接

There are two sorted arrays nums1 and nums2 of size m and n respectively.

Find the median of the two sorted arrays. The overall run time complexity should be O(log (m+n)).

Example 1:
nums1 = [1, 3]
nums2 = [2]

The median is 2.0
Example 2:
nums1 = [1, 2]
nums2 = [3, 4]

The median is (2 + 3)/2 = 2.5

首先，看到是两个已经排好序的数组，自然想到最直接简单的方法，就是归并排序，再得到中值。显然这样的时间复杂度是O(m+n)的。代码实现如下：

class Solution {
public:
    double findMedianSortedArrays(vector<int>& nums1, vector<int>& nums2) {
        int size = nums1.size() + nums2.size();
        if (size == 0)
            return 0;
        int count = 0, i = 0, j = 0;
        while (count < (size - 1) / 2) {
            if (i >= nums1.size())
                j++;
            else if (j >= nums2.size())
                i++;
            else if (nums1[i] < nums2[j])
                i++;
            else
                j++;
            count++;
        }
        double median = 0;
        if (size % 2 == 0) {
            for (int k = 0; k < 2; k++) {
                if (i >= nums1.size()) {
                    median += nums2[j];
                    j++;
                }
                else if (j >= nums2.size()) {
                    median += nums1[i];
                    i++;
                } 
                else if (nums1[i] < nums2[j]) {
                    median += nums1[i];
                    i++;
                }
                else {
                    median += nums2[j];
                    j++;
                }
            }
            median /= 2;
        }
        else {
            if (i >= nums1.size())
                median = nums2[j];
            else if (j >= nums2.size())
                median = nums1[i];
            else if (nums1[i] < nums2[j])
                median = nums1[i];
            else
                median = nums2[j];
        }
        return median;
    }
};

虽然思路简单，但是由于两个数组的长度是不定的，因此需要很多的条件判断。

另一种思路，可以利用分治的方法。例如现在有数组A，B：

    ___ ___ ___ ___ ___
A: | a | b | c | d | e |
    --- --- --- --- ---
    ___ ___ ___ 
B: | x | y | z |
    --- --- ---

我们得到A+B的中值，可以分别先得到A的中值c和B的中值y。那么c和y有三种关系。我们以$c<y$为例，我们在下一次分治的时候，只需要处理c,d,e和x,y即可。原因很简单，当$c<y$，那么有$a<b<c<y<z$和$a<b<c<d<e$，即我们可以简单的理解为这样一个理论：分别根据A，B的中值，将A分为A1，A2，将B分为B1，B2。那么，在这种情况下，显然有$A1<A2，A1<B2，B1<B2$，即总体被分成了四部分，且A2和B1组成了中间的两部分，而A1和B2分别是首尾的两部分。即最后的中值，必定不会在A1和B2中，于是可以将它们舍去。

然而，其实这个思路实现起来很繁琐（至少对我而言），因为太多的边界条件需要判断，元素总数的奇偶性也造成了很大的麻烦。

于是。在此基础上，我们可以退一步，利用求第K小数的思路来解题。在上例中，假设c=A[k/2-1]，y=B[k/2-1]，那么同样，A1这部分是可以舍去的 ，但是B2则不能。这样，虽然每次问题规模缩小的幅度没有上面的方法大，但是实现起来却方便得多。因为k的奇偶性问题可以很方便解决，且边界判定也少了很多麻烦。代码实现如下：

class Solution {
public:
    double findMedianSortedArrays(vector<int>& nums1, vector<int>& nums2) {
        int size = nums1.size() + nums2.size();
        deque<int> que1, que2;
        for (int i = 0; i < nums1.size(); i++)
            que1.push_back(nums1[i]);
        for (int i = 0; i < nums2.size(); i++)
            que2.push_back(nums2[i]);
        if (size % 2 == 0) {
            deque<int> que3(que1), que4(que2);
            double x = getKsmallest(que1, que2, size / 2);
            double y = getKsmallest(que3, que4, size / 2 + 1);
            return (x + y) / 2;
        }
        else {
            return getKsmallest(que1, que2, size / 2 + 1);
        }
    }

    double getKsmallest(deque<int>& que1, deque<int>& que2, int k) {
        int m = que1.size(), n = que2.size();
        if (m > n)
            return getKsmallest(que2, que1, k);
        if (m == 0)
            return que2[k - 1];
        if (k == 1) {
            return min(que1[0], que2[0]);
        }
        int index1 = min(k / 2, m) - 1, index2 = k - index1 - 1 - 1;
        if (que1[index1] < que2[index2]) {
            int x = 0;
            while (x++ < index1 + 1)
                que1.pop_front();
            return getKsmallest(que1, que2, k - index1 - 1);
        }
        else if (que1[index1] > que2[index2]) {
            int y = 0;
            while (y++ < index2 + 1)
                que2.pop_front();
            return getKsmallest(que1, que2, k - index2 - 1);
        }
        else {
            return que1[index1];
        }

    }

};

同时，这样也将时间复杂度降低到了O(log(m + n))