两个排序数组的中位数

问题描述

• 给定两个大小为 m 和 n 的有序数组 nums1 和 nums2 。
• 请找出这两个有序数组的中位数。要求算法的时间复杂度为 O(log (m+n)) 。
• 你可以假设 nums1 和 nums2 不同时为空。

示例1:

nums1 = [1, 3]
nums2 = [2]

中位数是 2.0

示例2:

nums1 = [1, 2]
nums2 = [3, 4]

中位数是 (2 + 3)/2 = 2.5

我的答案

思考

输入两个有序数组，直接分别求出两个数组的中位数，然后将两个中位数相加除以二得出答案

代码

class Solution {
    public double findMedianSortedArrays(int[] nums1, int[] nums2) {
        int l1 = nums1.length;
        int l2 = nums2.length;
        float mid1 = 0;
        float mid2 = 0;
        float result = 0;
        if(l1==0||l2==0){
            return 0;
        }
        if(l1%2 != 0){
            mid1 = nums1[(l1+1)/2-1];
        }else{
            float num1 = nums1[(l1/2)-1];
            float num2 = nums1[(l1/2)];
            mid1 = (num1+num2)/2;
        }
        if(l2%2 != 0){
            mid2 = nums2[(l2+1)/2-1];
        }else{
            float num1 = nums2[(l1/2)-1];
            float num2 = nums2[(l1/2)];
            mid2 = (num1+num2)/2;
        }
        result = (mid1+mid2)/2;
        return result;
    }
}

问题

显然这个问题不会这么容易得出答案，而且时间复杂度几乎为1。在测试时输入的数是负数时不能得出正确答案，但是若我们将两个数组分别遍历然后合并再找中位数，就不能达到时间复杂度小于O(log(m+n))的要求,根据时间复杂度的要求，大概可以猜出需要使用二分查找法，但是如何将两个数组合并又是个问题，所以只能看看官方的算法。

最优解

算法思想

方法:递归法
为了解决这个问题，我们需要理解“中位数的作用是什么”。在统计中，中位数被用来：

将一个集合划分为两个长度相等的子集，其中一个子集中的元素总是大于另一个子集中的元素。

如果理解了中位数的划分作用，我们就很接近答案了。

首先，让我们在任一位置 i 将A 划分成两个部分：

left_A| right_A

A[0], A[1], …, A[i-1] | A[i], A[i+1], …, A[m-1]

由于 \text{A}A 中有 mm 个元素， 所以我们有 m+1m+1 种划分的方法（i = 0 \sim mi=0∼m）。

我们知道：

len(left_A)=i,len(right_A)=m−i.

注意：当 i = 0i=0 时，left_A 为空集， 而当 i = mi=m 时,right_A 为空集。

采用同样的方式，我们在任一位置 jj 将 B 划分成两个部分：

left_B | right_B
B[0], B[1], …, B[j-1] | B[j], B[j+1], …, B[n-1]

将left_A 和 left_B 放入一个集合，并将 right_A 和 right_B 放入另一个集合。 再把这两个新的集合分别命名为 left_part 和right_part：

left_part | right_part
A[0], A[1], …, A[i-1] | A[i], A[i+1], …, A[m-1]
B[0], B[1], …, B[j-1] | B[j], B[j+1], …, B[n-1]

如果我们可以确认：

len(left_part)=len(right_part)
max(left_part)≤min(right_part)

那么，我们已经将{A,B} 中的所有元素划分为相同长度的两个部分，且其中一部分中的元素总是大于另一部分中的元素。那么：

median=
max(left_part)+min(right_part)/2

要确保这两个条件，我们只需要保证：

1. i+j=m−i+n−j（或：m - i + n - j + 1m−i+n−j+1） 如果n≥m，只需要使 i = 0 ~ m,j =(m + n + 1)/2 - i

2. B[j−1]≤A[i] 以及 A[i−1]≤B[j]

ps.1 为了简化分析，我假设 A[i−1],B[j−1],A[i],B[j] 总是存在，哪怕出现 i=0，i=m，j=0，或是 j=n 这样的临界条件。 我将在最后讨论如何处理这些临界值。

ps.2 为什么 n≥m？由于0≤i≤m 且 j = m + n + 1{2}
m+n+1
−i，我必须确保 j 不是负数。如果n<m，那么 j 将可能是负数，而这会造成错误的答案。

所以，我们需要做的是：
< 在 [0，m][0，m] 中搜索并找到目标对象 ii，以使：
B[j−1]≤A[i] 且A[i−1]≤B[j], 其中 j=
(m+n+1)/2
−i
接着，我们可以按照以下步骤来进行二叉树搜索：

1. 设 imin=0,imax=m, 然后开始在[imin,imax] 中进行搜索。
2. 令 i = (imin + imax)/2
   ， j = (m + n + 1)/2
3. 现在我们有 len(left_part)=len(right_part)。 而且我们只会遇到三种情况：

• A[i]B[j−1]≤A[i] 且 B[j]A[i−1]≤B[j]：
  这意味着我们找到了目标对象 i，所以可以停止搜索。

• A[i]B[j−1]>A[i]：
  这意味着A[i] 太小，我们必须调整 i 以使 B[j−1]≤A[i]。
  我们可以增大 i 吗？
  是的，因为当 i 被增大的时候，j 就会被减小。
  因此 B[j−1] 会减小，而 A[i] 会增大，那么B [j−1]≤A[i] 就可能被满足。
  我们可以减小 i 吗？
  不行，因为当 i 被减小的时候，j 就会被增大。
  因此 B[j−1] 会增大，而 A[i] 会减小，那么 B[j−1]≤A[i] 就可能不满足。
  所以我们必须增大 i。
  也就是说，我们必须将搜索范围调整为 max[i+1,imax]。 因此，设 imin = i+1，并转到步骤 2。

• A[i−1]>B[j]： 这意味着 A[i−1] 太大，我们必须减小 i 以使A[i−1]≤B[j]。 也就是说，我们必须将搜索范围调整为[imin,i−1]。
  因此，设imax=i−1，并转到步骤 2。

当找到目标对象 i 时，中位数为：

max(A[i−1],B[j−1]), m+n 为奇数时
max(A[i-1],B[j-1]) + min(A[i], B[j])/2,
max(A[i−1],B[j−1]) + min(A[i],B[j]),当 m + nm+n 为偶数时

代码

class Solution {
    public double findMedianSortedArrays(int[] A, int[] B) {
        int m = A.length;
        int n = B.length;
        if (m > n) { // to ensure m<=n
            int[] temp = A; A = B; B = temp;
            int tmp = m; m = n; n = tmp;
        }
        int iMin = 0, iMax = m, halfLen = (m + n + 1) / 2;
        while (iMin <= iMax) {
            int i = (iMin + iMax) / 2;
            int j = halfLen - i;
            if (i < iMax && B[j-1] > A[i]){
                iMin = i + 1; // i is too small
            }
            else if (i > iMin && A[i-1] > B[j]) {
                iMax = i - 1; // i is too big
            }
            else { // i is perfect
                int maxLeft = 0;
                if (i == 0) { maxLeft = B[j-1]; }
                else if (j == 0) { maxLeft = A[i-1]; }
                else { maxLeft = Math.max(A[i-1], B[j-1]); }
                if ( (m + n) % 2 == 1 ) { return maxLeft; }

                int minRight = 0;
                if (i == m) { minRight = B[j]; }
                else if (j == n) { minRight = A[i]; }
                else { minRight = Math.min(B[j], A[i]); }

                return (maxLeft + minRight) / 2.0;
            }
        }
        return 0.0;
    }
}

复杂度分析

• 时间复杂度：O(log(min(m,n)))，
  首先，查找的区间是 [0,m]。 而该区间的长度在每次循环之后都会减少为原来的一半。 所以，我们只需要执行 log(m) 次循环。由于我们在每次循环中进行常量次数的操作，所以时间复杂度为O(log(m))。由于m≤n，所以时间复杂度是 O(log(min(m,n)))。

• 空间复杂度：O(1)， 我们只需要恒定的内存来存储 9 个局部变量， 所以空间复杂度为 O(1)。