class Solution {
#if 1
// 1. 用最简单的数组来保存读入的数据,显示未排序的,用Partition方法找出中位数,
// 插入时间O(1),查找中位数时间O(n);
// 2. 用最简单的数组来保存读入的数据,插入数据,保持其排序的特性,移动排序数据
// 需要O(n)时间,最终读取中位数时间O(1);
// 3. 用排序的列表,在O(n)的时间找到合适的位置,插入新读入的数据,再用两个指针
// 指向中间元素,如果是奇数指向同一个元素,查找中位数在O(1)时间。
// 4. 用二叉搜索树,插入新数据的平均时间为O(logn),但是二叉搜索树极度不平衡的时候,
// 会退化成一个排序列表,插入新数据的时间为O(n);为了得到中位数,可以在节点中
// 加入一个字段数目,表示子树结点的数目,有了这个字段,可以在O(logn)平均时间在
// 得到中位数,最差情况仍然需要O(n)时间;
// 5. AVL搜索树,AVL树的左右高度相差不超过1,可以稍加修改其左右高度相差的修改,
// O(logn)往书中添加节点,O(1)时间内获取中位数;系统中没有默认的AVL树结构
// 可以使用,自己实现的话,调整AVL树太麻烦了;
// 6. 用一个答对和一个小堆实现;
public:
/*
* @param nums: A list of integers
* @return: the median of numbers
*/
vector<int> medianII(vector<int> &nums) {
// write your code here
vector<int> ans;
for (int i=0; i<nums.size(); i++) {
Insert(nums[i]);
ans.push_back(GetMedian());
}
return ans;
}
private:
void Insert(int num) {
if(((min.size() + max.size()) & 1) == 0) { // 偶数
if(max.size() > 0 && num < max[0]) { // 比最大堆中某些数据还小
max.push_back(num); // 插入最大堆
//对刚插入的(尾部)元素做堆排序,从大到小堆化
push_heap(max.begin(), max.end(), less<int>());
num = max[0]; // 取出最大的
// 将front(即第一个最大元素)移动到end的前部,同时将剩下的元素重新构造成(堆排序)一个新的heap, 从大到小堆化。
pop_heap(max.begin(), max.end(), less<int>());
max.pop_back(); // 从尾部弹出
}
min.push_back(num); // 插入到最小堆
// 对刚插入的(尾部)元素做堆排序,从小到大堆化
push_heap(min.begin(), min.end(), greater<int>());
} else { // 奇数
if(min.size() > 0 && min[0] < num)
{
min.push_back(num); // 插入到最小堆
push_heap(min.begin(), min.end(), greater<int>());
num = min[0]; // 取出最小
pop_heap(min.begin(), min.end(), greater<int>());
min.pop_back();
}
max.push_back(num); // 插入到最大堆
push_heap(max.begin(), max.end(), less<int>());
}
}
int GetMedian()
{
int size = min.size() + max.size();
if(size == 0)
-1;
int median = 0;
if((size & 1) == 1)
median = min[0];
else
median = max[0];
return median;
}
private:
// [最大堆] < [最小堆]
vector<int> min;
vector<int> max;
#endif
};
Lintcode - 数据流中位数
最新推荐文章于 2022-01-02 01:12:59 发布