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
addNum(1)
addNum(2)
findMedian() -> 1.5
addNum(3)
findMedian() -> 2
进阶:
如果数据流中所有整数都在 0 到 100 范围内,你将如何优化你的算法?
如果数据流中 99% 的整数都在 0 到 100 范围内,你将如何优化你的算法?
思路
Push一个数,先放入大顶堆,然后比较大顶堆和小顶堆高度,维持其高度差为1。如果放进大顶堆的数比小顶堆堆顶元素要大,则交换大小堆顶元素。
代码
class MedianFinder {
public:
/** initialize your data structure here. */
MedianFinder() {
}
void addNum(int num) {
max_heap.push(num);
int maxSize = max_heap.size();
int minSize = min_heap.size();
if (maxSize - minSize > 1){
min_heap.push(max_heap.top());
max_heap.pop();
}
else{
if (minSize != 0 && num > min_heap.top()){
min_heap.push(num);
max_heap.push(min_heap.top());
max_heap.pop();
min_heap.pop();
}
}
}
double findMedian() {
int size = (min_heap.size() + max_heap.size()) % 2;
return size == 0 ? (min_heap.top() + max_heap.top()) / 2.0 : max_heap.top();
}
private:
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();
*/