（算法总结）堆排序的应用：寻找中位数

设计一个数据结构，可动态地维护一组数据，且支持如下操作：

（1）添加元素：void addNum(int num)

（2）返回这组数据中的中位数 double findMedian()

【思考】如何获取一组元素的中位数

（1）首先，我们马上想到的方法，最直观的方法就是：添加元素的同时进行排序操作（直插sort）addNum的复杂度是O(n)，findMedian的复杂度则是O(1)；

（2）我们也可以考虑在查询中位数的时候进行排序，这样addNum的复杂度是O(1)，而findMedian的复杂度则是O(nlogn)。然而，如果addNum和findMedian的操作都是随机操作，共进行n次，则整体的时间复杂度最佳为O(n2)

这样的复杂度很明显不能满足要求，因此，我们需要试图寻找最佳的解决策略，这里我们巧妙地利用了堆的性质：

这里，我们动态地维护了一个大顶堆 max_heap 和一个小顶堆 min_heap，这两个堆各自存放“一半”的数据（这里的“一半”是指两个堆的size()相差小于等于1），且维持 max_heap 的堆顶 <= min_heap 的堆顶。如何实现呢？我们这样设计：

在插入新元素x时，如果max_heap为空，直接将x压入max_heap；

否则，先比较 max_heap.size() 与 min_heap.size()：

    若max_heap与min_heap元素个数相同：

        若 x < max_heap 的堆顶，将x压入 max_heap；

        否则，将x压入 min_heap；

    若 max_heap 比 min_heap 的size小（需要通过调整两个堆，以保证平衡）：

        若 x < max_heap 的堆顶，直接将x压入 max_heap；

        否则，将 min_heap 的堆顶弹出并压入 max_heap，再将x压入min_heap

   若 max_heap 比 min_heap 的size大（同样需要通过调整两个堆）：

        若 x > max_heap 的堆顶，直接将x压入 min_heap；

        否则，将 max_heap 的堆顶弹出并压入 min_heap，再将x压入max_heap

至此addNum()的流程已经完成，接下来需要考虑如何求中位数了。

    若max_heap与min_heap元素个数相同：

        median = max_heap 的堆顶与 min_heap 的堆顶的算数平均值

    若 max_heap 比 min_heap 的size小：

        median = min_heap 的堆顶

    否则：

        median = max_heap 的堆顶

 

代码如下：

class MedianFinder {
public:
	void addNum(int num);
	double find_median();
private:
	std::priority queue<int, std::vector<int>, std::less<int>> max_heap;
	std::priority queue<int, std::vector<int>, std::greater<int>> min_heap;
};

void MedianFinder::addNum(int num) {
	if (max_heap.empty()) {
		max_heap.push(num);
		return;
	}
	if (max_heap.size() == min_heap.size()) {
		if (num < max_heap.top()) {
			max_heap.push(num);
		} else {
			min_heap.push(num);
		}
	} else if (max_heap.size() < min_heap.size()) {
		if (num < max_heap.top()) {
			max_heap.push(num);
		} else {
			max_heap.push(min_heap.top());
			min_heap.pop();
			min_heap.push(num);
		}
	} else {
		if (num < max_heap.top()) {
			min_heap.push(max_heap.top());
			max_heap.pop();
			max_heap.push(num);
		} else {
			min_heap.push(num);
		}
	}
}

int MedianFinder::find_median() {
	if (max_heap.size() == min_heap.size()) {
		return (max_heap.top() + min_heap.top()) / 2.0;
	} else if (max_heap.size() < min_heap.size()) {
		return min_heap.top();
	}
	return max_heap.top();
}