剑指Offer：[第17天 排序(中等)]---＞数据流中的中位数

---

一、题目描述

如何得到一个数据流中的中位数？如果从数据流中读出奇数个数值，那么中位数就是所有数值排序之后位于中间的数值。如果从数据流中读出偶数个数值，那么中位数就是所有数值排序之后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1：

输入：
["MedianFinder","addNum","addNum","findMedian","addNum","findMedian"]
[[],[1],[2],[],[3],[]]
输出：[null,null,null,1.50000,null,2.00000]

示例2：

输入：
["MedianFinder","addNum","findMedian","addNum","findMedian"]
[[],[2],[],[3],[]]
输出：[null,null,2.00000,null,2.50000]

限制：

最多会对 addNum、findMedian 进行 50000 次调用。

二、思路分析

注：思路分析中的一些内容和图片参考自力扣各位前辈的题解，感谢他们的无私奉献

思路

给定一长度为N的无序数组，其中位数的计算方法：首先对数组执行排序(使用O(NlogN)时间)，然后返回中间元素即可(使用O(1)时间)。根据以上思路，可以将数据流保存在一个列表中，并在添加元素时保持数组有序。此方法的时间复杂度为O(N)，其中包括：查找元素插入位置O(logN)(二分查找)、向数组某位置插入元素O(N)(插入位置之后的元素都需要向后移动一位)。
----借助堆可进一步优化时间复杂度。
建立一个小顶堆A和大顶堆B，各保存列表的一半元素，且规定
A保存较大的一半，长度为$\frac{N}{2}$(N为偶数)或$\frac{N+1}{2}$(N为奇数)
B保存较大的一半，长度为$\frac{N}{2}$(N为偶数)或$\frac{N+1}{2}$(N为奇数)
随后，中位数可仅根据A,B的堆顶元素计算得到。

算法流程：
设元素总数为N=m+nN，其中m和n分别为A和B中的元素个数。
addNum(num) 函数
当m=n(即N为偶数)：需向A添加一个元素。实现方法：将新元素num插入至B，再将B堆顶元素插入至A
当m≠n(即N为奇数)：需向B添加一个元素。实现方法：将新元素num插入至A，再将A堆顶元素插入至B
这样做的理由是：
对于第一种情况，可能num属于B，所以将num先插入B，然后将B的堆顶元素插入至A，这样可以保证A始终保存较大的一半。
对于第二种情况，可能num属于A，所以将num先插入A，然后将A的堆顶元素插入至B，这样可以保证B始终保存较小的一半。
findMedian() 函数
当m=n(N为偶数)：则中位数为(A的堆顶元素+B的堆顶元素)/2
当m≠n(N为奇数)：则中位数为A的堆顶元素。
案例分析：













复杂度分析：
时间复杂度：
查找中位数$\mathrm{O}(1)$：获取堆顶元素使用O(1)时间
添加数字$\mathrm{O}(\mathrm{l}\mathrm{o}\mathrm{g}\mathrm{N})$：堆的插入和弹出操作使用O(logN)时间
空间复杂度$\mathrm{O}(\mathrm{N})$：其中N为数据流中的元素数量，小顶堆A和大顶堆B最多同时保存N个元素

三、整体代码

整体代码如下

class MedianFinder {
public:
    // 最大堆，存储左边一半的数据，堆顶为最大值
    priority_queue<int, vector<int>, less<int>> maxHeap;
    // 最小堆， 存储右边一半的数据，堆顶为最小值
    priority_queue<int, vector<int>, greater<int>> minHeap;
    /** initialize your data structure here. */
    MedianFinder() {
    }

    // 维持堆数据平衡，并保证左边堆的最大值小于或等于右边堆的最小值
    void addNum(int num) {
        /*
         * 当两堆的数据个数相等时候，左边堆添加元素。
         * 采用的方法不是直接将数据插入左边堆，而是将数据先插入右边堆，算法调整后
         * 将堆顶的数据插入到左边堆，这样保证左边堆插入的元素始终是右边堆的最小值。
         * 同理左边数据多，往右边堆添加数据的时候，先将数据放入左边堆，选出最大值放到右边堆中。
         */
        if (maxHeap.size() == minHeap.size()) {
            minHeap.push(num);
            int top = minHeap.top();
            minHeap.pop();
            maxHeap.push(top);
        } else {
            maxHeap.push(num);
            int top = maxHeap.top();
            maxHeap.pop();
            minHeap.push(top);
        }
    }
    
    double findMedian() {
        if (maxHeap.size() == minHeap.size()) {
            return (maxHeap.top()+minHeap.top())*1.0/2;
        } else {
            return maxHeap.top()*1.0;
        }
    }
};

运行，测试通过