算法：数据流求中位数

求数据流的中位数

1. 数组

1. 未排序的数组：采用快排的 Partition()。因此，插入时间复杂度是O(1) ，而找中位数的时间复杂度是 O(n)。

2. 排序的数组：适合使用插入排序，插入的时间复杂度是 O(n)，而找中位数的时间复杂度是 O(1)。

2.链表

排序的链表，插入的时间复杂度还是O(n) ，找中位数的时间复杂度是 O(n)，这里对链表中间节点做个标记，可以降低到O(1)

3.二叉搜索树BST

插入的时间复杂度平均O(log(n))，找到中位数的时间复杂度是 O(log(n)),最坏情况退化为链表O(n)。

4.平衡二叉树树AVL

二叉搜索树的改进，插入数据的时间复杂度不变，找到中位数的时间复杂度是O(1) 。

5.堆

插入数据的时间复杂度是 O(log(n))。而中位数肯定在两个堆的堆顶元素中，找到中位数的时间复杂度是 O(1)。

方法：一个大顶堆+一个小顶堆
中位数左边的数据保存在大顶堆；中位数右边的数据保存在小顶堆中，始终保持两个堆保存的数据个数相等或者只差一个。

/*
当输入数目为偶数的时候，如果输入数据比小顶堆堆顶大则用堆顶替换，将值插入大顶堆
当输入数目为奇数的时候，如果输入数据比大顶堆堆顶小则用堆顶替换，将值插入小顶堆
中位数:输入数目为偶数，取小顶堆和大顶堆根结点的平均值；输入数目为奇数，取小顶堆的堆顶
*/
class MedianFinder {
public:
    MedianFinder() {  
    }
    
    void AddNum(int num) {
    	++count;
        if((count & 1) == 0){
            if(0 != minHeap.size()  && num > minHeap.top(){
                minHeap.push(num);
                num = minHeap.top();
                minHeap.pop();
            }
            maxHeap.push(num);
        }
        if((count & 1) == 1){
            if(0 != maxHeap.size() && num < maxHeap.top(){
                maxHeap.push(num);
                num = maxHeap.top();
                maxHeap.pop();
            }
            minHeap.push(num);
        }
    }
    
    double FindMedian() {
        if( !count ) return 0;
        if((count & 1 == 1)){
            return maxHeap.top();
        }else{
            return (maxHeap.top()+minHeap.top())/2.0;
        }
    }
    
private:
    priority_queue<int,vector<int>,less<int>> maxHeap;//大顶堆
	priority_queue<int, vector<int>, greater<int>> minHeap;//小顶堆
	unsigned int count = 0;
};