数据流的中位数
1.题目描述
中位数是有序列表中间的数。如果列表长度是偶数,中位数则是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:
2.思路
两个优先队列:
1.用于存储中位数左边数字的最大堆 max_heap
2.用于存储中位数右边数字的最小堆 min_heap
如果数据的个数为奇数,则最大堆比最小堆多一个元素,如果是偶数,最大堆最小堆的个数相同。
3.添加一个数 num:
将 num 添加到最大堆 max_heap。因为 max_heap收到了一个新元素,所以我们:
(1)必须为 min_heap做一个平衡步骤。因此,从 max_heap中移除最大的元素并将其提供给 min_heap。
(2)在上一个操作之后,最小堆 min_heap可能会比最大堆 max_heap保留更多的元素。我们通过从 min_heap中去掉最小的元素并将其提供给 max_heap来解决这个问题。
4.代码
class MedianFinder {
public:
/** initialize your data structure here. */
MedianFinder() {
//priority_queue<int,vector<int>,less<int>> max_heap;
//priority_queue<int,vector<int>,greater<int>> min_heap;
}
void addNum(int num) {
max_heap.push(num);
//平衡两个堆
min_heap.push(max_heap.top());
max_heap.pop();
if(max_heap.size() < min_heap.size()){
max_heap.push(min_heap.top());
min_heap.pop();
}
}
double findMedian() {
return max_heap.size() > min_heap.size() ? (double)max_heap.top() : (max_heap.top() + min_heap.top())*0.5;
}
public:
priority_queue<int,vector<int>,less<int>> max_heap;
priority_queue<int,vector<int>,greater<int>> min_heap;
};
/**
* Your MedianFinder object will be instantiated and called as such:
* MedianFinder* obj = new MedianFinder();
* obj->addNum(num);
* double param_2 = obj->findMedian();
*/
4.复杂度分析
时间复杂度:O(5⋅logn)+O(1)≈O(logn)。
最坏情况下,从顶部有三个堆插入和两个堆删除。每一个都需要花费 O(logn) 时间。
找到平均值需要持续的 O(1) 时间,因为可以直接访问堆的顶部。
空间复杂度:O(n) 用于在容器中保存输入的线性空间。