给定一个包含 n 个整数的数组,和一个大小为 k 的滑动窗口,从左到右在数组中滑动这个窗口,找到数组中每个窗口内的中位数。(如果数组个数是偶数,则在该窗口排序数字后,返回第 N/2 个数字。)
在线评测地址:LintCode 领扣
样例 1:
输入:
[1,2,7,8,5]
3
输出:
[2,7,7]
解释:
最初,窗口的数组是这样的:`[ | 1,2,7 | ,8,5]` , 返回中位数 `2`;
接着,窗口继续向前滑动一次。`[1, | 2,7,8 | ,5]`, 返回中位数 `7`;
接着,窗口继续向前滑动一次。`[1,2, | 7,8,5 | ]`, 返回中位数 `7`;
样例 2:
输入:
[1,2,3,4,5,6,7]
4
输出:
[2,3,4,5]
解释:
最初,窗口数组是这样的:`[ | 1,2,3,4, | 5,6,7]` , 返回中位数 `2`;
接着,窗口向前滑动一次.`[1,| 2,3,4,5 | 6,7]`,返回中位数 `3`;
接着,窗口向前滑动一次.`[1,2, | 3,4,5,6 | 7 ]`, 返回中位数 `4`;
接着,窗口向前滑动一次`[1,2,3,| 4,5,6,7 ]`, 返回中位数 `5`;
题解:
使用九章算法强化班中讲到的 HashHeap。即一个 Hash + Heap。 Hash 的 key 是 Heap 里的每个元素,值是这个元素在 Heap 中的下标。
要做这个题首先需要先做一下 Data Stream Median。这个题是只在一个集合中增加数,不删除数,然后不断的求中点。 Sliding Window Median,就是不断的增加数,删除数,然后求中点。比 Data Stream Median 难的地方就在于如何支持删除数。
因为 Data Stream Median 的方法是用 两个 Heap,一个 max heap,一个min heap。所以删除的话,就需要让 heap 也支持删除操作。 由于 Python 的 heapq 并不支持 logn 时间内的删除操作,因此只能自己实现一个 hash + heap 的方法。
总体时间复杂度 O(nlogk),n是元素个数,k 是 window 的大小。
public class Solution {