目录结构
1.题目
中位数是有序列表中间的数。如果列表长度是偶数,中位数则是中间两个数的平均值。
例如,
[2,3,4] 的中位数是 3
[2,3] 的中位数是 (2 + 3) / 2 = 2.5
设计一个支持以下两种操作的数据结构:
- void addNum(int num) - 从数据流中添加一个整数到数据结构中。
- double findMedian() - 返回目前所有元素的中位数。
示例:
addNum(1)
addNum(2)
findMedian() -> 1.5
addNum(3)
findMedian() -> 2
进阶:
- 如果数据流中所有整数都在 0 到 100 范围内,你将如何优化你的算法?
- 如果数据流中 99% 的整数都在 0 到 100 范围内,你将如何优化你的算法?
来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/find-median-from-data-stream
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。
2.题解
维护两个堆:
- 小顶堆存后半部分,故顶部为后半部分第一个数
- 大顶堆存前半部分,故顶部为前半部分最后一个数
- 当两个堆元素个数相同时,先将数字插入大顶堆,再取出大顶堆的顶部元素(最大值)插入小顶堆;此时元素个数为奇数,小顶堆的顶部元素(最小值)即为当前的中位数。
- 当两个堆元素不相同时(小顶堆比大顶堆多一个元素),先将数字插入小顶堆,再取出小顶堆的顶部元素(最小值)插入大顶堆;此时元素个数为偶数,且大顶堆的顶部元素(最大值)为前一半元素的最大值,小顶堆的顶部元素(最小值)为后一般元素的最小值,故两数平均数为当前的中位数。
- 根据奇偶返回相应中位数。
public class Solution295 {
@Test
public void tes295() {
MedianFinder medianFinder = new MedianFinder();
int[] nums = {1, 2, 3};
for (int num : nums) {
medianFinder.addNum(num);
System.out.println(medianFinder.findMedian());
}
}
class MedianFinder {
Queue<Integer> minHeap, maxHeap;
public MedianFinder() {
minHeap = new PriorityQueue<>();
maxHeap = new PriorityQueue<>((x, y) -> (y - x));
}
public void addNum(int num) {
if (minHeap.size() == maxHeap.size()) {
maxHeap.add(num);
minHeap.add(maxHeap.poll());
} else {
minHeap.add(num);
maxHeap.add(minHeap.poll());
}
}
public double findMedian() {
return minHeap.size() == maxHeap.size() ? (minHeap.peek() + maxHeap.peek()) / 2.0 : minHeap.peek();
}
}
}
- 时间复杂度:查找,插入更新堆
- 空间复杂度: