剑指 Offer 41. 数据流中的中位数、295. 数据流的中位数:使用自动排序的优先队列寻找数据流的中位数
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]
优先队列/堆解法:
寻找中位数需要首先对数据进行排序,定义一个表示数据流的数组,若每次添加一个数就排序一次再计算中位数,时间复杂度太高,需要使用具有自动排序功能的优先队列/堆进行优化,结合寻找中位数的目的,使用两个优先队列/大顶堆+小顶堆来实现:
定义一个小顶堆 minheap 存放当前已经处理数据流中较大的一半,数据向堆顶方向递减;
定义一个大顶堆 maxheap 存放当前已经处理数据流中较小的一半,数据向堆顶方向递增;
添加整数函数 void addNum(int num) 的思路为:
始终保证向小顶堆中添加数据优先于向大顶堆中添加数据,即:第一个数据添加到小顶堆中;若当当前处理的数为第奇数个,保持小顶堆中存放的数据多一个(先将输入数据放入大顶堆中,再将大顶堆顶 top() 数据放入小顶堆中,再将大顶堆顶 top() 数据出堆,即总保证小顶堆存放数据较大的一半,大顶堆存放数据较小的一半,且小顶堆数据个数 >= 大顶堆数据个数)
那么最终计算中位数函数 double findMedian() 的实现方法为:
当最终数据个数为偶数时,中位数为大小顶堆 top() 数据 / 2.0;当最终数据个数为奇数时,中位数为小顶堆 top() 数据。
class MedianFinder {
private:
priority_queue<int, vector<int>, less<int>> maxheap;
priority_queue<int, vector<int>, greater<int>> minheap;
public:
/** initialize your data structure here. */
MedianFinder() {
}
void addNum(int num) {
if(maxheap.size() == minheap.size()){
maxheap.push(num);
minheap.push(maxheap.top());
maxheap.pop();
}
else if(maxheap.size() < minheap.size()){
minheap.push(num);
maxheap.push(minheap.top());
minheap.pop();
}
}
double findMedian() {
if(maxheap.size() == minheap.size())
return (maxheap.top() + minheap.top()) / 2.0;
else
return minheap.top();
return 0;
}
};
/**
* Your MedianFinder object will be instantiated and called as such:
* MedianFinder* obj = new MedianFinder();
* obj->addNum(num);
* double param_2 = obj->findMedian();
*/