Leetcode 295 Find Median from Data Stream

思路一： 使用list作为数据结构。虽然accepted，但是效率很低，不建议。但这也是我唯一一个想到的数据结构，下面给出代码：

class MedianFinder {
    List<Integer> list;
    /** initialize your data structure here. */
    public MedianFinder() {
        list = new ArrayList<>(); 
    }
    
    public void addNum(int num) {
        list.add(num);
    }
    
    public double findMedian() {
        double res = 0;
        Collections.sort(list);
        int medIdx = list.size() / 2;
        if(list.size() % 2 == 0){
            res = (double)(list.get(medIdx - 1) + list.get(medIdx)) / 2;
        }else{
            res = (double)list.get(medIdx); 
        }
        return res;
    }
}

/**
 * Your MedianFinder object will be instantiated and called as such:
 * MedianFinder obj = new MedianFinder();
 * obj.addNum(num);
 * double param_2 = obj.findMedian();
 */

思路二： 使用heap作为数据结构，初始化两个堆，一个最大堆，一个最小堆。然后两个堆顶元素就可以决定median number。这个方法我没想到，其实就是不熟悉heap这个数据结构。堆是一个完全二叉树，因此堆操作效率也是相当的高。堆里面比较常用的就是最大堆和最小堆。这题正好两个都用到。这个算法核心思想就是把数组的数分为两半，用堆来存储，一半全是小的数，另一半全是大的数。其实就是相当于把数组先从小到大排序好了，然后中间切一刀，前面一半放进最大堆，后面一半放进最小堆。然后两个堆的顶部元素就决定了median number。下面直接给出代码：

class MedianFinder {
    PriorityQueue< Integer > lo; //最大堆
    PriorityQueue<Integer> hi; //最小堆
    /** initialize your data structure here. */
    public MedianFinder() {
        lo = new PriorityQueue <> ();
        hi = new PriorityQueue<>(Comparator.reverseOrder());
    }
    
    public void addNum(int num) {
        lo.offer(num);
        hi.offer(lo.poll());
        if(lo.size() < hi.size()){
            lo.offer(hi.poll());
        }
    }
    
    public double findMedian() {
        return lo.size() == hi.size() ? (double)((lo.peek() + hi.peek())/2.0) : (double)lo.peek();
    }
}

/**
 1. Your MedianFinder object will be instantiated and called as such:
 2. MedianFinder obj = new MedianFinder();
 3. obj.addNum(num);
 4. double param_2 = obj.findMedian();
 */

总结：

1. 熟悉heap数据结构
2. 在java中priorityQueue 可以用作为heap。其中的add和offer方法可以理解为是相等的。peek和poll方法都是取堆顶元素，唯一的区别就是poll会删除堆顶元素，但是peek不会。