295. 数据流的中位数----力扣

一、题目：

中位数是有序整数列表中的中间值。如果列表的大小是偶数，则没有中间值，中位数是两个中间值的平均值。

 

二、例子： 

• 例如 arr = [2,3,4] 的中位数是 3 。
• 例如 arr = [2,3] 的中位数是 (2 + 3) / 2 = 2.5

 三、实现 MedianFinder 类:

• MedianFinder() 初始化 MedianFinder 对象。

• void addNum(int num) 将数据流中的整数 num 添加到数据结构中。

• double findMedian() 返回到目前为止所有元素的中位数。与实际答案相差 10-5 以内的答案将被接受。

四、分析： 

由题可知，在一个有序的整数列表中，如果该列表的大小是偶数，则取其两个中位数的平均值；如果该列表的大小是奇数，则取其中位数。由于没有说不可以插入相同值，所以需要一个方法能够使其插入有序的同时，支持插入相同值。取其中位数，有的同学说这不简单，直接取列表大小的中位下标即可轻松得到答案，但事实是这样吗？

请看如下代码： 

typedef struct {
    int *data; //存储数据
    int n; //列表大小
} MedianFinder;

void xun(MedianFinder *obj){ //冒泡排序
    for(int i=0;i<obj->n;i++){
        for(int j=0;j<obj->n-1;j++){
            if(obj->data[j+1]<obj->data[j]){
                int a=obj->data[j+1];
                int b=obj->data[j];
                a=a^b;
                b=a^b;
                a=a^b;
            }
        }
    }
    return;
}
MedianFinder* medianFinderCreate() { //初始化
    MedianFinder *m=(MedianFinder *)malloc(sizeof(MedianFinder));
    m->data=(int *)malloc(sizeof(int)*400);
    m->n=0;
    return m;
}

void medianFinderAddNum(MedianFinder* obj, int num) { //插入数据
    obj->data[obj->n]=num; 
    obj->n+=1;
    return;
}

double medianFinderFindMedian(MedianFinder* obj) { //取中位数
    if(obj==NULL)return 0;
    xun(obj);
    int a=obj->n;
    if(obj->n%2==1){
        return obj->data[a/2];
    }else{
        return (double)(obj->data[a/2-1]+obj->data[a/2])/2; //从0开始
    }
}

void medianFinderFree(MedianFinder* obj) { //释放空间
    if(obj==NULL)return;
    free(obj->data);
    free(obj);
    return;
}

运行如下： 

 

提交后：

错误总结： 

这种思路对于一些简单的测试用例来说，是可以的。但是，对于一些特殊和并不常见的测试用例来说，这种方法是行不通的。

如：

输入：

["MedianFinder","addNum","findMedian","addNum","findMedian","addNum","findMedian",

"addNum","findMedian","addNum","findMedian","addNum","findMedian","addNum",

"findMedian","addNum","findMedian","addNum","findMedian","addNum","findMedian",

"addNum","findMedian"]

 [[],[6],[],[10],[],[2],[],[6],[],[5],[],[0],[],[6],[],[3],[],[1],[],[0],[],[0],[]]

五、使用对顶堆来解决： 

（1）什么是对顶堆：

简单来说，就是在一个列表结构中，该列即具有小顶堆的性质，也具有大顶堆的性质。对顶堆有以下特性：

1. 完全二叉树结构：对顶堆是一棵完全二叉树，即除了最底层外，其他层节点都是满的，最底层的节点从左到右连续排列。

2. 有序性质：对顶堆中的每个节点，父节点的值不小于（或不大于）子节点的值。这种有序性质可以分为两种类型：最小堆和最大堆。

   • 最小堆：父节点的值小于等于子节点的值，即根节点的值最小。
   • 最大堆：父节点的值大于等于子节点的值，即根节点的值最大。

用途：

对顶堆常用于实现优先队列，能够快速找到最小（或最大）值，并具有高效的插入和删除操作。

 （2）如图所示：

---

假如上图中，浅绿色的位置是中位数，其前面（包括自己）是一个大顶堆，其后面是一个小顶堆，拥有这种相似结构的列，也称为对顶堆结构。

思路：假如有一个对顶堆后，如果为空，先向前面的小顶堆插入数据，而后根据要插入的数据的大小与第一个插入的数据相比。如果大了，插入后面，否则插入前面。完成插入操作后，需要检查两个堆的大小，要保持前一个堆为n+1个有序数据，后一个堆为n个有序数据。因为这样子，当列表大小为奇数时，直接返回头部元素即是答案；否则，就将两个堆的头部元素弹出，相加后取平均值即是答案。

六、代码： 

class MedianFinder {
public:
    typedef pair<int,int>pir; //pair用来实现相同数据插入
    set<pir>s1; //set本为小顶堆，有序
    set<pir>s2; //模拟大顶堆，需要将数的符号取反
    int tot; //npc
    MedianFinder() {
        this->tot=0; //npc
    }
    
    void addNum(int num) {
        if(s1.size()==0||num<-s1.begin()->first){ //如果堆为空或插入的数小于第一个数
            s1.insert(pir(-num,tot++)); //插入小顶堆
        }else{
            s2.insert(pir(num,tot++)); //插入大顶堆
        }
        int n1=(s1.size()+s2.size()+1)/2; //堆中有n+1个数
        if(s1.size()==n1)return; //如果相等，返回
        if(s1.size()<n1){ //如果小于n+1
            s1.insert(pir(-s2.begin()->first,tot++)); //则将s2中的头部数据取反，再插入s1
            s2.erase(s2.begin()); //弹出
        }else{
            s2.insert(pir(-s1.begin()->first,tot++)); //否则将s1中的头部数据取反，再插入s2
            s1.erase(s1.begin()); //弹出
        }
        return;
    }
    
    double findMedian() {
        if((s1.size()+s2.size())%2){ //如果为奇数
            return -s1.begin()->first; //直接取反返回头部元素
        }
        double a=-s1.begin()->first;
        double b=s2.begin()->first;
        return (a+b)/2; //否则取两个头部元素相加之后再取平均值
    }
};

输出结果：

---

文章到此结束！