0
都在用堆做？ 那我来个不一样的方法，哈希
跟堆比，就是要占更大的空间，不过这个是可以优化的
效率要更快吧？
struct Pos
{
int _count = 0; //记录该位置下标对应数据出现的次数 (为什么要这个变量？因为有可能有重复的数据)
bool _IsExist = false; //记录是否存在
};
class Solution
{
public:
void Insert(int num)
{
if (num < 0)
{
num *= -1;
_Insert(_Nvec, num, -1);
++_NSize;
}
else
{
_Insert(_Pvec, num, 1);
++_PSize;
}
}
double GetMedian()
{
int size = _PSize + _NSize;
int pos = _PSize - _NSize; //size pos 奇偶性一定是相同的
int symbol = 1;
if (pos < 0)
{
symbol = -1;
pos *= -1;
}
double ret = 0;
if (pos % 2 == 0)//偶数
{
if (symbol == 1)
{
ret = ((double)_GetIndexVal(_Pvec, pos / 2) + (double)_GetIndexVal(_Pvec, pos / 2 - 1)) / 2;
}
else
{
ret = ((double)_GetIndexVal(_Nvec, pos / 2) + (double)_GetIndexVal(_Nvec, pos / 2 - 1) ) / 2;
}
}
else//奇数
{
if (symbol == 1)
{
ret = _GetIndexVal(_Pvec, pos / 2);
}
else
{
ret = _GetIndexVal(_Nvec, pos / 2);
}
}
ret *= symbol;
return ret;
}
protected:
void _Insert(vector &vec, int num, int symbol = 1)
{
//判断容量
if (num >= vec.size())
{
vec.resize(num * 2 + 1);
}
//生成结点
Pos pos;
pos._IsExist = true;
++pos._count;
//插入
vec[num] = pos;
}
int _GetIndexVal( vector vec, int pos) //pos表示第几个元素
{
int index = 0;
while (pos >= 0)
{
while (pos >= 0 && vec[index]._IsExist && vec[index]._count > 0)
{
--vec[index]._count;
--pos;
if (vec[index]._count == 0)
{
vec[index]._IsExist = false;
}
}
if (pos < 0)
{
break;
}
++index;
}
return index;
}
protected:
vector _Pvec;//存放正数的数组
vector _Nvec;//存放负数的数组
int _PSize = 0;//正数的数目
int _NSize = 0;//负数的数目
};
发表于 2016-08-30 22:51:00
回复(0)
更多回答
156
题目描述
如何得到一个数据流中的中位数？如果从数据流中读出奇数个数值，那么中位数就是所有数值排序之后位于中间的数值。如果从数据流中读出偶数个数值，那么中位数就是所有数值排序之后中间两个数的平均值。我们使用Insert()方法读取数据流，使用GetMedian()方法获取当前读取数据的中位数。
解题思路 先用java集合PriorityQueue来设置一个小顶堆和大顶堆
主要的思想是：因为要求的是中位数，那么这两个堆，大顶堆用来存较小的数，从大到小排列；
小顶堆存较大的数，从小到大的顺序排序*，显然中位数就是大顶堆的根节点与小顶堆的根节点和的平均数。
⭐保证：小顶堆中的元素都大于等于大顶堆中的元素，所以每次塞值，并不是直接塞进去，而是从另一个堆中poll出一个最大(最小)的塞值
⭐当数目为偶数的时候，将这个值插入大顶堆中，再将大顶堆中根节点(即最大值)插入到小顶堆中；
⭐当数目为奇数的时候，将这个值插入小顶堆中，再讲小顶堆中根节点(即最小值)插入到大顶堆中；
⭐取中位数的时候，如果当前个数为偶数，显然是取小顶堆和大顶堆根结点的平均值；如果当前个数为奇数，显然是取小顶堆的根节点
理解了上面所述的主体思想，下面举个例子辅助验证一下。
例如，传入的数据为：[5,2,3,4,1,6,7,0,8],那么按照要求，输出是"5.00 3.50 3.00 3.50 3.00 3.50 4.00 3.50 4.00 "
那么整个程序的执行流程应该是(用min表示小顶堆，max表示大顶堆)： 5先进入大顶堆，然后将大顶堆中最大值放入小顶堆中，此时min=[5],max=[无]，avg=[5.00]
2先进入小顶堆，然后将小顶堆中最小值放入大顶堆中，此时min=[5],max=[2],avg=[(5+2)/2]=[3.50]
3先进入大顶堆，然后将大顶堆中最大值放入小顶堆中，此时min=[3,5],max=[2],avg=[3.00]
4先进入小顶堆，然后将小顶堆中最小值放入大顶堆中，此时min=[4,5],max=[3,2],avg=[(4+3)/2]=[3.50]
1先进入大顶堆，然后将大顶堆中最大值放入小顶堆中，此时min=[3,4,5],max=[2,1]，avg=[3/00]
6先进入小顶堆，然后将小顶堆中最小值放入大顶堆中，此时min=[4,5,6],max=[3,2,1],avg=[(4+3)/2]=[3.50]
7先进入大顶堆，然后将大顶堆中最大值放入小顶堆中，此时min=[4,5,6,7],max=[3,2,1],avg=[4]=[4.00]
0先进入小顶堆，然后将小顶堆中最大值放入小顶堆中，此时min=[4,5,6,7],max=[3,2,1,0],avg=[(4+3)/2]=[3.50]
8先进入大顶堆，然后将大顶堆中最小值放入大顶堆中，此时min=[4,5,6,7,8],max=[3,2,1,0],avg=[4.00]
我的答案 import java.util.PriorityQueue;
import java.util.Comparator;
public class Solution {
//小顶堆
private PriorityQueue minHeap = new PriorityQueue();
//大顶堆
private PriorityQueue maxHeap = new PriorityQueue(15, new Comparator() {
@Override
public int compare(Integer o1, Integer o2) {
return o2 - o1;
}
});
//记录偶数个还是奇数个
int count = 0;
//每次插入小顶堆的是当前大顶堆中最大的数
//每次插入大顶堆的是当前小顶堆中最小的数
//这样保证小顶堆中的数永远大于等于大顶堆中的数
//中位数就可以方便地从两者的根结点中获取了
public void Insert(Integer num) {
//个数为偶数的话，则先插入到大顶堆，然后将大顶堆中最大的数插入小顶堆中
if(count % 2 == 0){
maxHeap.offer(num);
int max = maxHeap.poll();
minHeap.offer(max);
}else{
//个数为奇数的话，则先插入到小顶堆，然后将小顶堆中最小的数插入大顶堆中
minHeap.offer(num);
int min = minHeap.poll();
maxHeap.offer(min);
}
count++;
}
public Double GetMedian() {
//当前为偶数个，则取小顶堆和大顶堆的堆顶元素求平均
if(count % 2 == 0){
return new Double(minHeap.peek() + maxHeap.peek())/2;
}else{
//当前为奇数个，则直接从小顶堆中取元素即可
return new Double(minHeap.peek());
}
}
}
编辑于 2019-08-21 08:56:28
回复(37)
231
class Solution {
priority_queue, less > p;
priority_queue, greater > q;
public:
void Insert(int num){
if(p.empty() || num <= p.top()) p.push(num);
else q.push(num);
if(p.size() == q.size() + 2) q.push(p.top()), p.pop();
if(p.size() + 1 == q.size()) p.push(q.top()), q.pop();
}
double GetMedian(){
return p.size() == q.size() ? (p.top() + q.top()) / 2.0 : p.top();
}
};
/*
//弱弱的数据。。。
class Solution {
vector v;
int n;
public:
void Insert(int num){
v.push_back(num);
n = v.size();
for(int i = n - 1; i > 0 && v[i] < v[i - 1]; --i) swap(v[i], v[i - 1]);
}
double GetMedian(){
return (v[(n - 1) >> 1] + v[n >> 1]) / 2.0;
}
};
*/
编辑于 2015-09-12 12:30:40
回复(79)
88
前言：
Java的PriorityQueue
是从JDK1.5开始提供的新的数据结构接口，默认内部是自然排序，结果为小顶堆，也可以自定义排序器，比如下面反转比较，完成大顶堆。
思路：
为了保证插入新数据和取中位数的时间效率都高效，这里使用大顶堆+小顶堆的容器，并且满足：
1、两个堆中的数据数目差不能超过1，这样可以使中位数只会出现在两个堆的交接处；
2、大顶堆的所有数据都小于小顶堆，这样就满足了排序要求。
最后再贴张不同数据结构对应的时间复杂度：
import java.util.Comparator;
import java.util.PriorityQueue;
public class Solution {
int count;
PriorityQueue minHeap = new PriorityQueue();
PriorityQueue maxHeap = new PriorityQueue(11, new Comparator() {
@Override
public int compare(Integer o1, Integer o2) {
//PriorityQueue默认是小顶堆，实现大顶堆，需要反转默认排序器
return o2.compareTo(o1);
}
});
public void Insert(Integer num) {
count++;
if (count & 1) == 0) { // 判断偶数的高效写法
if (!maxHeap.isEmpty() && num < maxHeap.peek()) {
maxHeap.offer(num);
num = maxHeap.poll();
}
minHeap.offer(num);
} else {
if (!minHeap.isEmpty() && num > minHeap.peek()) {
minHeap.offer(num);
num = minHeap.poll();
}
maxHeap.offer(num);
}
}
public Double GetMedian() {
if(count==0)
throw new RuntimeException("no available number!");
double result;
//总数为奇数时，大顶堆堆顶就是中位数
if((count&1)==1)
result=maxHeap.peek();
else
result=(minHeap.peek()+maxHeap.peek())/2.0;
return result;
}
}
编辑于 2016-07-15 17:49:30
回复(27)
171
思路：构建一棵"平衡二叉搜索树"。
每个结点左子树均是小于等于其value的值，右子树均大于等于value值。每个子树均按其 “结点数” 调节平衡。 这样根节点一定是中间值中的一个。若结点数为奇数，则返回根节点的值；若结点个数为偶数，则再从根结点左子数或右子数中个数较多的子树中选出最大或最小值既可。 struct myTreeNode
{
int val;
int count;//以此节点为根的树高
struct myTreeNode* left;
struct myTreeNode* right;
myTreeNode(int v) :
val(v),
count(1), left(NULL), right(NULL) {}
};
myTreeNode *root = NULL;
class Solution
{
public:
/*计算以节点为根的树的高度
*/
int totalCount(myTreeNode* node)
{
if (node == NULL)
return 0;
else
return node->count;
}
//左左
void rotateLL(myTreeNode* &t)
{
myTreeNode* k = t->left;
myTreeNode* tm = NULL;
while (k->right != NULL)
{
k->count--;
tm = k;
k = k->right;
}
if (k != t->left)
{
k->left = t->left;
tm->right = NULL;
}
t->left = NULL;
k->right = t;
t->count = totalCount(t->left) + totalCount(t->right) + 1;
k->count = totalCount(k->left) + t->count + 1;
t = k;
}
//右右
void rotateRR(myTreeNode* &t)
{
myTreeNode* k = t->right;
myTreeNode* tm = NULL;
while (k->left != NULL) {
k->count--;
tm = k;
k = k->left;
}
if (k != t->right)
{
k->right = t->right;
tm->left = NULL;
}
t->right = NULL;
k->left = t;
t->count = totalCount(t->left) + 1;
k->count = totalCount(k->right)+ t->count + 1;
t = k;
}
//左右
void rotateLR(myTreeNode* &t)
{
rotateRR(t->left);
rotateLL(t);
}
//右左
void rotateRL(myTreeNode* &t)
{
rotateLL(t->right);
rotateRR(t);
}
//插入
void insert(myTreeNode* &root, int x)
{
if (root == NULL)
{
root = new myTreeNode(x);
return;
}
if (root->val >= x)
{
insert(root->left, x);
root->count = totalCount(root->left)+ totalCount(root->right) + 1;
if (2 == totalCount(root->left) - totalCount(root->right))
{
if (x < root->left->val)
{
rotateLL(root);
}
else
{
rotateLR(root);
}
}
}
else
{
insert(root->right, x);
root->count = totalCount(root->left)+ totalCount(root->right) + 1;
if (2 == totalCount(root->right) - totalCount(root->left))
{
if (x > root->right->val)
{
rotateRR(root);
}
else {
rotateRL(root);
}
}
}
}
void deleteTree(myTreeNode* root)
{
if (root == NULL)return;
deleteTree(root->left);
deleteTree(root->right);
delete root;
root = NULL;
}
void Insert(int num)
{
insert(root, num);
}
double GetMedian()
{
int lc = totalCount(root->left), rc = totalCount(root->right);
if ( lc == rc)
return root->val;
else
{
bool isLeft = lc > rc ;
myTreeNode* tmp ;
if (isLeft)
{
tmp = root->left;
while (tmp->right != NULL)
{
tmp = tmp->right;
}
}
else {
tmp = root->right;
while (tmp->left != NULL)
{
tmp = tmp->left;
}
}
return (double)(root->val + tmp->val) / 2.0;
}
}
};
发表于 2017-08-18 17:53:15
回复(50)
37
#Python版
#该题Python版牛客有问题
#一直提示 def GetMedian(self)函数多给了一个参数 ，然后自己def GetMedian(self,n=None):
#多给它加了一个默认参数，就过了。。。我擦
#思路：两个堆，自己实现，一个最大堆，一个最小堆
# -*- coding:utf-8 -*-
class Solution:
def __init__(self):
self.minNums=[]
self.maxNums=[]
def maxHeapInsert(self,num):
self.maxNums.append(num)
lens = len(self.maxNums)
i = lens - 1
while i > 0:
if self.maxNums[i] > self.maxNums[(i - 1) / 2]:
t = self.maxNums[(i - 1) / 2]
self.maxNums[(i - 1) / 2] = self.maxNums[i]
self.maxNums[i] = t
i = (i - 1) / 2
else:
break
def maxHeapPop(self):
t = self.maxNums[0]
self.maxNums[0] = self.maxNums[-1]
self.maxNums.pop()
lens = len(self.maxNums)
i = 0
while 2 * i + 1 < lens:
nexti = 2 * i + 1
if (nexti + 1 < lens) and self.maxNums[nexti + 1] > self.maxNums[nexti]:
nexti += 1
if self.maxNums[nexti] > self.maxNums[i]:
tmp = self.maxNums[i]
self.maxNums[i] = self.maxNums[nexti]
self.maxNums[nexti] = tmp
i = nexti
else:
break
return t
def minHeapInsert(self,num):
self.minNums.append(num)
lens = len(self.minNums)
i = lens - 1
while i > 0:
if self.minNums[i] < self.minNums[(i - 1) / 2]:
t = self.minNums[(i - 1) / 2]
self.minNums[(i - 1) / 2] = self.minNums[i]
self.minNums[i] = t
i = (i - 1) / 2
else:
break
def minHeapPop(self):
t = self.minNums[0]
self.minNums[0] = self.minNums[-1]
self.minNums.pop()
lens = len(self.minNums)
i = 0
while 2 * i + 1 < lens:
nexti = 2 * i + 1
if (nexti + 1 < lens) and self.minNums[nexti + 1] < self.minNums[nexti]:
nexti += 1
if self.minNums[nexti] < self.minNums[i]:
tmp = self.minNums[i]
self.minNums[i] = self.minNums[nexti]
self.minNums[nexti] = tmp
i = nexti
else:
break
return t
def Insert(self, num):
if (len(self.minNums)+len(self.maxNums))&1==0:
if len(self.maxNums)>0 and num < self.maxNums[0]:
self.maxHeapInsert(num)
num = self.maxHeapPop()
self.minHeapInsert(num)
else:
if len(self.minNums)>0 and num > self.minNums[0]:
self.minHeapInsert(num)
num = self.minHeapPop()
self.maxHeapInsert(num)
def GetMedian(self,n=None):
allLen = len(self.minNums) + len(self.maxNums)
if allLen ==0:
return -1
if allLen &1==1:
return self.minNums[0]
else:
return (self.maxNums[0] + self.minNums[0]+0.0)/2
t = Solution()
t.Insert(5)
print t.GetMedian()
t.Insert(2)
print t.GetMedian()
t.Insert(3)
print t.GetMedian()
t.Insert(4)
print t.GetMedian()
t.Insert(1)
print t.GetMedian()
t.Insert(6)
print t.GetMedian()
t.Insert(7)
print t.GetMedian()
t.Insert(0)
print t.GetMedian()
t.Insert(8)
print t.GetMedian()
发表于 2016-12-09 16:46:56
回复(5)
90
private int count = 0;
private PriorityQueue minHeap = new PriorityQueue<>();
private PriorityQueue maxHeap = new PriorityQueue(15, new Comparator() {
@Override
public int compare(Integer o1, Integer o2) {
return o2 - o1;
}
});
public void Insert(Integer num) {
if (count %2 == 0) {//当数据总数为偶数时，新加入的元素，应当进入小根堆
//(注意不是直接进入小根堆，而是经大根堆筛选后取大根堆中最大元素进入小根堆)
//1.新加入的元素先入到大根堆，由大根堆筛选出堆中最大的元素
maxHeap.offer(num);
int filteredMaxNum = maxHeap.poll();
//2.筛选后的【大根堆中的最大元素】进入小根堆
minHeap.offer(filteredMaxNum);
} else {//当数据总数为奇数时，新加入的元素，应当进入大根堆
//(注意不是直接进入大根堆，而是经小根堆筛选后取小根堆中最大元素进入大根堆)
//1.新加入的元素先入到小根堆，由小根堆筛选出堆中最小的元素
minHeap.offer(num);
int filteredMinNum = minHeap.poll();
//2.筛选后的【小根堆中的最小元素】进入大根堆
maxHeap.offer(filteredMinNum);
}
count++;
}
public Double GetMedian() {
if (count %2 == 0) {
return new Double((minHeap.peek() + maxHeap.peek())) / 2;
} else {
return new Double(minHeap.peek());
}
}
编辑于 2017-05-02 18:55:32
回复(44)
22
【java】这里讨论两种方法：
一：代码复杂：减少不必要插入，提高效率
二：代码大大简化：可能有不必要插入，效率有所降低
==============思路解析=================================
思考：如何得到一个数据流中的中位数？
如果从数据流中读出奇数个数值，那么中位数就是所有数值排序之后位于中间的数值。
如果从数据流中读出偶数个数值，那么中位数就是所有数值排序之后中间两个数的平均值。
一：代码复杂：
* 分析：对于海量数据和流的数据，用最大堆和最小堆来管理
* 我们希望 数据分为[小]|[大]两个部分，细化一点
[最大堆 | 左边最大 leftMax] 右边最小rightMin | 最小堆]
* 定义一个规则：保证左边和右边个数相差不大于1，且左边小于右边
* 1.数据是偶数的时候 insert的数据进入 [右边，最小堆]中
* 1.1当插入的数字cur > leftMax时，直接插入到[右边，最小堆]中
* 1.2当插入的数字cur < leftMax时，为了保证左边小于右边，
* 先把cur插入[最大堆|左边最大leftMax]中，
* 然后把leftMax放入[右边最小rightMin|最小堆]中
* 就可以保证：左边 < 右边
* 2.数据是奇数的时候 insert的数据进入[左边，最大堆]中
* 2.1当插入的数字cur < rightMin时，直接插入到[左边，最小堆]中
* 2.2当插入的数字cur > rightMin时，为了保证左边小于右边，
* 先把cur插入[右边最小rightMin|最小堆]中，
* 然后把rightMin放入[最大堆|左边最大leftMax]中
* 就可以保证：左边 < 右边
* 最后：
* 如果是偶数：中位数mid= (leftMax+right)/2
* 如果是奇数：中位数mid= leftMax 因为先插入到左边，再插入到右边，为奇数时，中位数就是mid
//降序就是最大堆，lambda表达式了解下
private static PriorityQueue leftHeap = new PriorityQueue<>((x, y) -> y - x);
//升序就是最小堆
private static PriorityQueue rightHeap = new PriorityQueue<>();
//当前是奇数还是偶数
private static boolean isOdd = true;
public static void Insert(Integer num) {
if(isOdd) {//数据是奇数的时候 insert的数据进入 [左边，最大堆]中
if(leftHeap.isEmpty()) {
leftHeap.add(num);
}
else {//这个时候rightHeap一定不是null，就不讨论了。考虑鲁棒性可以讨论
int rightMin = rightHeap.peek();
if(num <= rightMin) {//直接插入到[左边，最小堆]中
leftHeap.add(num);
}else {
rightHeap.add(num);//先把cur插入[右边最小rightMin|最小堆]中
leftHeap.add(rightHeap.poll());//然后把rightMin放入[最大堆|左边最大leftMax]中
}
}
}else {//数据是偶数的时候 insert的数据进入 [右边，最小堆]中
//这个时候leftHeap一定不是null，就不讨论了。考虑鲁棒性可以讨论
int leftMax = leftHeap.peek();
if(num >= leftMax) {//直接插入到[右边，最小堆]中
rightHeap.add(num);
}else {
leftHeap.add(num);//先把cur插入[右边最小rightMin|最小堆]中，
rightHeap.add(leftHeap.poll());//然后把rightMin放入[最大堆|左边最大leftMax]中
}
}
isOdd = !isOdd;//改变奇偶性
}
public static Double GetMedian() {
if(leftHeap.isEmpty()) return 0.0;
if(!isOdd)//这里插入num改变了奇偶性，这里是奇数的意思
return leftHeap.peek() / 1.0;
else
return (leftHeap.peek() + rightHeap.peek()) / 2.0;
} 二.简化代码，取消了判断过程，直接插入到对面的堆中，然后再转移到自己的堆中
* 但是！！！时间复杂度提高，每次都插入时间复杂度O(log n)这是很可怕的
* 定义一个规则：不要判断了
* 1.数据是偶数的时候 insert的数据进入 [右边，最小堆]中
* 先把cur插入[最大堆|左边最大leftMax]中，
* 然后把leftMax放入[右边最小rightMin|最小堆]中
* 就可以保证：左边 < 右边
* 2.数据是奇数的时候 insert的数据进入[左边，最大堆]中
* 先把cur插入[右边最小rightMin|最小堆]中，
* 然后把rightMin放入[最大堆|左边最大leftMax]中
* 就可以保证：左边 < 右边
* 最后：
* 如果是偶数：中位数mid= (leftMax+right)/2
* 如果是奇数：中位数mid= leftMax
看看是不是简化了很多，哈哈！ //降序就是最大堆，lambda表达式了解下
private static PriorityQueue leftHeap = new PriorityQueue<>((x, y) -> y - x);
private static PriorityQueue rightHeap = new PriorityQueue<>();
private static boolean isOdd = true;
public static void Insert(Integer num) {
if(isOdd) {
rightHeap.add(num);
leftHeap.add(rightHeap.poll());
}else {
leftHeap.add(num);
rightHeap.add(leftHeap.poll());
}
isOdd = !isOdd;
}
public static Double GetMedian() {
if(leftHeap.isEmpty()) return 0.0;
if(!isOdd)
return leftHeap.peek() / 1.0;
else
return (leftHeap.peek() + rightHeap.peek()) / 2.0;
}
编辑于 2018-06-14 22:10:53
回复(13)
48
解题思路就是用两个堆，一个大顶堆，一个小顶堆来过滤数据。
自己实现的堆类。
public class Solution{
private Heap maxHeap = new Heap(Heap.isMaxHeap);
private Heap minHeap = new Heap(Heap.isMinHeap);
/**
* 插入有两种思路：
* 1：直接插入大堆中，之后若两堆尺寸之差大于1(也就是2)，则从大堆中弹出堆顶元素并插入到小堆中
* 若两队之差不大于1，则直接插入大堆中即可。
* 2：奇数个数插入到大堆中，偶数个数插入到小堆中，
* 但是 可能会出现当前待插入的数比小堆堆顶元素大，此时需要将元素先插入到小堆，然后将小堆堆顶元素弹出并插入到大堆中
* 对于偶数时插入小堆的情况，一样的道理。why?
* 因为要保证最大堆的元素要比最小堆的元素都要小。
* @param num
*/
public void Insert(Integer num) {
//若总尺寸为偶数，则插入大顶堆中
if(((maxHeap.si敏感词Heap.size()) & 1) == 0){
if(minHeap.size() != 0 && num > minHeap.peek()){
minHeap.add(num);
maxHeap.add(minHeap.pop());
}else{
maxHeap.add(num);
}
}else{
if(maxHeap.size() != 0 && num < maxHeap.peek()){
maxHeap.add(num);
minHeap.add(maxHeap.pop());
}else{
minHeap.add(num);
}
}
}
public Double GetMedian() {
double res = 0.0;
if(((maxHeap.si敏感词Heap.size()) & 1) == 0){
res = (maxHeap.peek() + minHeap.peek()) / 2.0;
}else{
res = maxHeap.peek();
}
return res;
}
}
//堆类，可直接设置最大堆最小堆
class Heap {
public List list = null;
public static final boolean isMaxHeap = true;
public static final boolean isMinHeap = false;
private boolean flag = true; //true表示最大堆，false表示最小堆
public Heap(){
this.list = new ArrayList();
}
public Heap(boolean flag){
this.list = new ArrayList();
this.flag = flag;
}
//获取堆大小
public int size(){
return this.list.size();
}
//获取堆顶元素
public int peek(){
if(list.size() == 0) return 0;
return list.get(0);
}
//插入元素，从插入点开始向上调整堆
public void add(int val){
this.list.add(val);
int i = list.size() - 1, index, parent, cur;
while(i > 0){
index = (i - 1) / 2;
parent = list.get(index);
cur = list.get(i);
if(flag == true && parent < cur){
swap(index, i);
}else if(flag == false && parent > cur){
swap(index, i);
}
i = index;
}
}
/**
* 将堆顶元素取出,并重新调整堆。
* 1>取出堆顶元素
* 2>将最后一个元素放到堆顶
* 3>向下调整堆
*/
public int pop(){
if(list.size() == 0) return -1;
int res = list.get(0);
list.set(0,list.get(list.size() - 1));
list.remove(list.size()-1);
int len = list.size() - 1 , i = 0;
int left , right;
while(i < len){
left = (i << 1) + 1;
right= (i << 1) + 2;
int maxIndex = i;
if(flag == true){
if(left < len && list.get(left) > list.get(maxIndex)) maxIndex = left;
if(right< len && list.get(right)> list.get(maxIndex)) maxIndex = right;
}else{
if(left < len && list.get(left) < list.get(maxIndex)) maxIndex = left;
if(right< len && list.get(right)< list.get(maxIndex)) maxIndex = right;
}
if(maxIndex != i){
swap(maxIndex,i);
i = maxIndex;
}else break;
}
return res;
}
//交换list中两个位置的元素
public void swap(int i, int j){
int temp = list.get(i);
list.set(i, list.get(j));
list.set(j,temp);
}
}
编辑于 2015-10-05 21:15:09
回复(13)
29
//大家好，我来了！欢迎点赞！
class Solution {
private:
vector min;
vector max;
public:
void Insert(int num)
{
if(((min.size()+max.size())&1)==0)//偶数时 ，放入最小堆
{
if(max.size()>0 && num
{
// push_heap (_First, _Last),要先在容器中加入数据，再调用push_heap ()
max.push_back(num);//先将元素压入容器
push_heap(max.begin(),max.end(),less());//调整最大堆
num=max[0];//取出最大堆的最大值
//pop_heap(_First, _Last)，要先调用pop_heap()再在容器中删除数据
pop_heap(max.begin(),max.end(),less());//删除最大堆的最大值
max.pop_back(); //在容器中删除
}
min.push_back(num);//压入最小堆
push_heap(min.begin(),min.end(),greater());//调整最小堆
}
else//奇数时候，放入最大堆
{
if(min.size()>0 && num>min[0])
{
// push_heap (_First, _Last),要先在容器中加入数据，再调用push_heap ()
min.push_back(num);//先压入最小堆
push_heap(min.begin(),min.end(),greater());//调整最小堆
num=min[0];//得到最小堆的最小值(堆顶)
//pop_heap(_First, _Last)，要先调用pop_heap()再在容器中删除数据
pop_heap(min.begin(),min.end(),greater());//删除最小堆的最大值
min.pop_back(); //在容器中删除
}
max.push_back(num);//压入数字
push_heap(max.begin(),max.end(),less());//调整最大堆
}
}
/*获取中位数*/
double GetMedian()
{
int si敏感词.size()+max.size();
if(size<=0) //没有元素，抛出异常
return 0;//throw exception("No numbers are available");
if((size&1)==0)//偶数时，去平均
return ((double)(max[0]+min[0])/2);
else//奇数，去最小堆，因为最小堆数据保持和最大堆一样多，或者比最大堆多1个
return min[0];
}
};
编辑于 2016-07-28 19:20:05
回复(9)
14
python solution
题目有问题，自己要加一个参数，默认少了一个参数！！！ # -*- coding:utf-8 -*-
class Solution:
def __init__(self):
self.arr = []
def Insert(self, num):
self.arr.append(num)
self.arr.sort()
def GetMedian(self, ***):
length = len(self.arr)
if length % 2 == 1:
return self.arr[length // 2]
return (self.arr[length // 2] + self.arr[length // 2 - 1]) / 2.0
编辑于 2019-08-09 20:35:02
回复(16)
20
PYTHON
技巧： 构造小根堆时，对数组元素取负值来构造
heappush(heap,data),将deat放入大根堆中
heapposh(heap),弹出heap中的最小值
heappushpop(heap,data),将data放入大根堆中，再弹出堆heap的最小值# -*- coding:utf-8 -*-
from heapq import *
class Solution:
def __init__(self):
self.heaps = [], []
def Insert(self, num):
# write code here
small, large = self.heaps
heappush(small, -heappushpop(large, num))#将num放入大根堆，并弹出大根堆的最小值，取反，放入大根堆small
if len(large) < len(small):
heappush(large, -heappop(small)) #弹出small中最小的值，取反，即最大的值，放入large
def GetMedian(self,ss):
# write code here
small,large = self.heaps
if len(large) > len(small):
return float(large[0])
return (large[0] - small[0]) /2.0
发表于 2018-08-19 15:11:47
回复(6)
12
import java.util.*;
// 运行时间：23ms
// 占用内存：9104k
public class Solution {
ArrayList res = new ArrayList<>();
public void Insert(Integer num) {
res.add(num);
Collections.sort(res);
}
public Double GetMedian() {
int n = res.size();
if (n % 2 == 0) {
return Double.valueOf((res.get(n / 2) + res.get(n / 2 - 1)) / 2.0);
} else {
return Double.valueOf(res.get(n / 2));
}
}
}
发表于 2017-12-25 17:01:02
回复(8)
10
mark版的详细解释(c++) class Solution {
public:
void Insert(int num)
{
if(left.empty() || num <= left.top()){
left.push(num);
}else{
right.push(num);
}
// 左边大顶堆的大小最多可以比右边小顶堆大1(奇数次输入)
if(left.size() == right.size() + 2){
right.push(left.top());
left.pop();
}
// 因为最后返回的只有可能是左边大顶堆的堆顶，所以右边小顶堆的大小不能比左边小顶堆大
if(left.size() + 1 == right.size()){
left.push(right.top());
right.pop();
}
}
double GetMedian()
{
return left.size() == right.size() ? (left.top() + right.top())/2\. : left.top();
}
private:
// 右边小顶堆的元素都大于左边大顶堆的元素，并且左边元素的个数，要么与右边相等(偶数次输入)，要么比右边大1(奇数次输入)
priority_queue, less > left; // 大顶堆
priority_queue, greater > right; // 小顶堆
};
最大堆和最小堆的底层实现 class Solution {
private:
vector max_heap;
vector min_heap;
void adjust_heap(vector &nums, int lo, int hi, bool is_max) {
for (int cur = lo, next = cur * 2 + 1; next <= hi; cur = next, next = cur * 2 + 1) {
if (is_max) {
if (next < hi && nums[next + 1] > nums[next]) {
++next;
}
if (nums[next] > nums[cur]) {
swap(nums[next], nums[cur]);
} else {
break;
}
} else {
if (next < hi && nums[next + 1] < nums[next]) {
++next;
}
if (nums[next] < nums[cur]) {
swap(nums[next], nums[cur]);
} else {
break;
}
}
}
}
void build_heap(vector &heap, bool is_max) {
int n = heap.size();
for (int i = n / 2 - 1; i >= 0; --i) {
adjust_heap(heap, i, n - 1, is_max);
}
}
int pop(vector &heap, bool is_max) {
int ret = heap[0];
heap.erase(heap.begin());
build_heap(heap, is_max);
return ret;
}
void push(vector &heap, int num, bool is_max) {
heap.emplace_back(num);
build_heap(heap, is_max);
}
public:
void Insert(int num) {
if (min_heap.empty() || num > min_heap[0]) {
push(min_heap, num, false);
} else {
push(max_heap, num, true);
}
if (min_heap.size() == max_heap.size() + 2) {
push(max_heap, pop(min_heap, false), true);
}
if (min_heap.size() + 1 == max_heap.size()) {
push(min_heap, pop(max_heap, true), false);
}
}
double GetMedian() {
return min_heap.size() == max_heap.si***_heap[0] + max_heap[0]) / 2. : min_heap[0];
}
};
编辑于 2019-04-18 00:31:33
回复(4)
15
两个堆实现
class Solution {
public:
void Insert(int num)
{
count+=1;
// 元素个数是偶数时,将小顶堆堆顶放入大顶堆
if(count%2==0){
big_heap.push(num);
small_heap.push(big_heap.top());
big_heap.pop();
}
else{
small_heap.push(num);
big_heap.push(small_heap.top());
small_heap.pop();
}
}
double GetMedian()
{
if(count&0x1){
return big_heap.top();
}
else{
return double((small_heap.top()+big_heap.top())/2.0);
}
}
private:
int count=0;
priority_queue, less> big_heap; // 左边一个大顶堆
priority_queue, greater> small_heap; // 右边一个小顶堆
// 大顶堆所有元素均小于等于小顶堆的所有元素.
};
发表于 2016-04-21 10:48:38
回复(2)
4
//简洁的CPP
class Solution {
public:
multiset rec;
void Insert(int num)
{
rec.insert(num);
}
double GetMedian()
{
auto it1=rec.begin(), it2=it1;
advance(it1, rec.size()/2);
advance(it2, rec.size()/2-!(rec.size()%2));
return (*it1+*it2)/2.0;
}
};
发表于 2017-05-02 11:14:04
回复(1)
4
/**
@author zhengyanan
@date 2017/3/9 @time 16:26
version_2:
核心思路：
1.维护一个大顶堆，一个小顶堆，且保证两点：
1)小顶堆里的全大于 大顶堆里的；
2)2个堆个数的差值小于等于1
2.当insert的数字个数为奇数时：使小顶堆个数比大顶堆多1；
当insert的数字个数为偶数时，使大顶堆个数跟小顶堆个数一样。
3.那么当总数字个数为奇数时，中位数就是小顶堆堆头；
当总数字个数为偶数时，中卫数就是 2个堆堆头平均数
运行时间：43ms
占用内存：699k
*/
private PriorityQueue min = new PriorityQueue();
private PriorityQueue max = new PriorityQueue(15,new Comparator() {
public int compare(Integer o1, Integer o2) {
return o2.compareTo(o1);
}
});
private int count = 0;
public void Insert(Integer num) {
count++;
if (count % 2 == 1){
max.offer(num);//先从大顶堆过滤一遍
min.offer(max.poll());
}else {
min.offer(num);//先从小顶堆过滤一遍
max.offer(min.poll());
}
}
public Double GetMedian() {
if (count % 2 == 0) return (min.peek() + max.peek())/2.0;
else return (double)min.peek();
}
/**
@author zhengyanan
@date 2017/3/9 @time 16:08
version_1:
核心思路：
1.直接维护一个链表，每次加入时，用直接插入的思想，放置在合适的位置。
*/
// LinkedList data = new LinkedList();
// public void Insert(Integer num) {
// for (int i = data.size() - 1; i >= 0 ; i--) {
// if (num >= data.get(i)){
// data.add(i+1,num);
// return;
// }
// }
// data.addFirst(num);
// }
//
// public Double GetMedian() {
// int size = data.size();
// if (size% 2 == 1) return (double)data.get(size/2);
// else return (data.get(size/2) + data.get(size/2 - 1))/2.0;
// }
发表于 2017-03-09 16:53:36
回复(3)
3
import java.util.Collections;
import java.util.PriorityQueue;
public class Solution {
// smaller堆用于存放相对较小的一半数字，larger堆用于存放相对较大的一半数字
// 由于默认排序堆顶是最小值，而对于smaller的一半我们更关注最大值，因此使用reverseOrder()来初始化
private PriorityQueue smaller = new PriorityQueue<>(Collections.reverseOrder());
private PriorityQueue larger = new PriorityQueue<>();
public void Insert(Integer num) {
// 首次将数字存入smaller，然后在将smaller中堆顶的(较小一半数字的最大值)存入larger
smaller.add(num);
larger.add(smaller.poll());
// 为了保证larger内的数量<=smaller内的数量，进行两个堆大小的比较，并进行转移
// 此规则下，如果两个堆数量相等，则中位数为两个堆顶数字的平均值；若不相等则为smaller的堆顶数字
// 也可以使larger存储更多数字，则不相等时，中位数为larger的堆顶数字
if (larger.size() > smaller.size()) {
smaller.add(larger.poll());
}
}
public Double GetMedian() {
// 如前所述，两者大小相等，则求平均
if (smaller.size() == larger.size()) {
return ((double)smaller.peek() + (double)larger.peek()) / 2;
} else { // 否则中位数为smaller的堆顶数字
return (double)smaller.peek();
}
}
}
编辑于 2018-07-12 23:17:37
回复(0)
3
//看大家都用堆，那我来个树，插入和取中值复杂度都是lgn
public class Solution {
private TreeNode root;
public void Insert(Integer num) {
root = Insert(root, num);
}
private TreeNode Insert(TreeNode node, Integer num){
if(node == null)
return new TreeNode(num, 1);
node.size++;
if(num <= node.val)
node.left = Insert(node.left, num);
else
node.right = Insert(node.right, num);
return node;
}
public Double GetMedian() {
if(root == null)
return null;
if((root.size & 1) == 0)
return (double)(getKth(root, root.size/2) + getKth(root, root.size/2 + 1))/2;
else
return (double)getKth(root, (root.size + 1)/2);
}
private int getKth(TreeNode node, int k){
int size = node.left == null ? 0 : node.left.size;
if(k <= size)
return getKth(node.left, k);
else if(k == size + 1)
return node.val;
else
return getKth(node.right, k-size-1);
}
public static class TreeNode {
int val = 0;
TreeNode left = null;
TreeNode right = null;
int size = 0;//该字段的含义是以该节点为子树根的节点总个数
public TreeNode(int val, int size) {
this.val = val;
this.size = size;
}
}
}
编辑于 2017-10-02 19:43:48
回复(1)
3
用两个堆，一个大顶堆，一个小顶堆。
先往小顶堆里面存数，并保持： 0 <= 小顶堆的size()-大顶堆的size() <= 1
保持两边数量几乎一致就需要在插入的时候进行比较、调整。
返回中位数的时候，如果小顶堆和大顶堆size()相同，就返回他们堆顶元素的平均值；否则返回小顶堆的堆顶元素。
这种方法插入时间复杂度是O(log n)，返回中位数的时间复杂度是O(1)
发表于 2015-04-17 09:52:06
回复(0)
8
import java.util.*;
public class Solution {
ArrayList al = new ArrayList();
public void Insert(Integer num) {
al.add(num);
Collections.sort(al);
}
public Double GetMedian() {
int mid = al.size()/2;
if((al.size()&1) == 0){
Integer n1 = al.get(mid);
Integer n2 = al.get(mid - 1);
double s = (Double.valueOf(n1 + "") + Double.valueOf(n2 + ""))/2;
return s;
}else{
double s = Double.valueOf(al.get(mid) + "");
return s;
}
}
}
发表于 2015-10-18 00:27:59
回复(5)
186
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
