黄金挑战-数据流的中位数
1.数据流中中位数的问题
LeetCode295
https://leetcode.cn/problems/find-median-from-data-stream/
思路分析
中位数的问题,我们一般都可以用 大顶堆+小顶堆 来求解
小顶堆(minHeap):存储所有元素中较大的一半,堆顶元素是其中最小的数
大顶堆(maxHeap):存储所有元素中较小的一半,堆顶元素是其中最大的数
相当于,把所有元素分成了大和小两半,计算中位数,只需要大的那半的最小值和小的那半的最大值即可。
如[1,2,3,4,5],分成小顶堆[3,4,5],大顶堆[2,1],中位数为3
过程
加1 小顶堆[1] 大顶堆[] 中位数 1
加2 小顶堆[2] 大顶堆[1] 中位数 (2+1)/2
加3 小顶堆[2,3] 大顶堆[1] 中位数 3
加4 小顶堆[3,4] 大顶堆[2,1] 中位数 (3+2)/2
加5 小顶堆[3,4,5] 大顶堆[2,1] 中位数 3
代码实现
Java中的堆(即优先队列)可方便实现,c++、python里没有提供堆结构,需要自己构造
class MedianFinder {
// 小顶堆中存储的是比较大的元素,堆顶是其中的最小值
PriorityQueue<Integer> minHeap;
// 大顶堆中存储的是比较小的元素,堆顶是中期的最大值
PriorityQueue<Integer> maxHeap;
public MedianFinder() {
this.minHeap = new PriorityQueue<>();
this.maxHeap = new PriorityQueue<>((a, b) -> b - a);
}
public void addNum(int num) {
// 小顶堆存储的是比较大的元素,num大于小顶堆中根元素时进入minHeap
if (minHeap.isEmpty() || num > minHeap.peek()){
minHeap.offer(num);
// 如果minHeap比maxHeap多2个元素,就平衡一下
if (minHeap.size() - maxHeap.size() > 1){
maxHeap.offer(minHeap.poll());
}
}else{
maxHeap.offer(num);
// 这样可以保证多的那个元素肯定在minHeap
if(maxHeap.size() - minHeap.size() > 0){
minHeap.offer(maxHeap.poll());
}
}
}
public double findMedian() {
if(minHeap.size() > maxHeap.size()){
return minHeap.peek();
}else if(minHeap.size() < maxHeap.size()){
return maxHeap.peek();
}else{
return (minHeap.peek() + maxHeap.peek())/2.0;
}
}
}
/**
* Your MedianFinder object will be instantiated and called as such:
* MedianFinder obj = new MedianFinder();
* obj.addNum(num);
* double param_2 = obj.findMedian();
*/