求数据流的中位数
1. 数组
-
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)。
-
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;
};