题目链接:数据流的中位数
题目描述:
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
题目分析:中位数的含义就不用解释了吧,当然,这道题最简单的做法就是对输入的数据放到一个有序的数组里面,然后再去取中位数,但是使用简单排序的时间复杂度最好不过是O(nlogn),我们仍需要一个比较好的解决方案。思考一下中位数的特点和位置,就是一个有序数组的最中间,因此可以把读入的数据分为两部分,比如
[1,2,3,4,5,6,7],分为1,2,3,4和5,6,7,此时中位数就是左部分的最大值,如果是偶数个,就是左部分的最大值和右部分的最小值的平均值。那么就需要分成同时并维护2个数组,取的时候能直接取到最值就十分舒服了,看到这里,是不是想到了堆?对的,可以用一个大顶堆和小顶堆,大顶堆是左边部分,小顶堆是右边部分,计算中位数的话,直接取堆顶元素就OK了。需要考虑的点就是这两个堆的分配策略,要保证元素个数是相等的,或者左边(右边也可)多一个即可。我们可以每次先把元素放入左边,同时把左边的堆顶元素放入右边,一旦左边个数小于右边,就把右边的堆顶元素放入左边,这样能保证左边个数等于右边或者多一个,计算的时候直接取中位数即可
代码:
public class MedianFinder {
PriorityQueue<Integer> maxHeap = new PriorityQueue<>((a,b)->(b-a));//左边
PriorityQueue<Integer> minHeap = new PriorityQueue<>();//右边
public void addNum(int num) {
maxHeap.add(num);
minHeap.add(maxHeap.poll());
//小于右边,挪一个过来
if(maxHeap.size()<minHeap.size()){
maxHeap.add(minHeap.poll());
}
}
public double findMedian() {
return maxHeap.size()>minHeap.size()?
maxHeap.peek()/1.0:(minHeap.peek()+maxHeap.peek())/2.0;
}
}