【重温经典】数据流的中位数

【重温经典】数据流的中位数

方法1：大小根堆

• 维护maxHeap 和minHeap，保持maxHeap.size() = minHeap.size() 或者maxHeap.size() = minHeap.size()+1
• maxHeap维护的数据属于整个数据流的下半部分的数据，minHeap维护的数据属于整个数据流上半部分的数据
• 返回中位数的时候，注意总体的数据个数的奇偶性

class MedianFinder {

    //大根堆，从栈顶到栈底 依次从大到小
    PriorityQueue<Integer> maxHeap = new PriorityQueue<>(((o1, o2) -> o2 - o1));
    //小根堆，从栈顶到栈底 依次从小到大
    PriorityQueue<Integer> minHeap = new PriorityQueue<>();
    int cnt = 0;


    /**
     * initialize your data structure here.
     */
    public MedianFinder() {

    }

    public void addNum(int num) {
        cnt++;
        maxHeap.offer(num);
        minHeap.offer(maxHeap.poll());
        if (cnt % 2 == 1) maxHeap.offer(minHeap.poll());
    }

    public double findMedian() {
        if(cnt %2 ==1 ){
            return maxHeap.peek();
        }else {
            return (maxHeap.peek()+minHeap.peek())/2.0;
        }
    }
}

方法2：大小根堆（不使用计数器）

• 不使用计数器，用queue的size进行判断

class MedianFinder {
    PriorityQueue<Integer> maxHeap = new PriorityQueue<Integer>((o1, o2) -> o2 - o1);
    PriorityQueue<Integer> minHeap = new PriorityQueue<Integer>();

    public MedianFinder() {

    }

    public void addNum(int num) {
        maxHeap.offer(num);
        minHeap.offer(maxHeap.poll());
        if (maxHeap.size() < minHeap.size()) maxHeap.offer(minHeap.poll());
    }

    public double findMedian() {
        if (maxHeap.size() == minHeap.size())
            return (maxHeap.peek() + minHeap.peek()) / 2.0;
        else
            return maxHeap.peek();
    }
}

FollowUp

Q: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？

A:存储一个100范围的arr数组，记录0-100数据出现的个数，以及总的数据的个数，遍历arr数组，可以计算出中位数

Q: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？

A:如上还是维持以上的一个arr数组，对于<0和>100的数据，统计个数，这部分数据对结果不会产生影响，因为中位数出现在99%的数据里面，即0-100这个范围内