题目难度: 困难
原题链接[1]
今天继续更新剑指 offer 系列, 这道题有一定难度, 对应的思路也比较巧妙, 大家可以尝试挑战一下~
老样子晚上 6 点 45 分准时更新公众号 每日精选算法题, 大家记得关注哦~ 另外在公众号里回复 offer 就能看到剑指 offer 系列当前连载的所有文章了
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。
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。
最多会对 addNum、findMedia 进行 50000 次调用。
题目样例
示例 1
输入
s = "abaccdeff"
输出
"b"
示例 2
输入
["MedianFinder","addNum","addNum","findMedian","addNum","findMedian"][[],[1],[2],[],[3],[]]
输出
[null,null,2.00000,null,2.50000]
题目思考
观察数据规模, 会有 5W 次调用, 那么意味着每次调用的平均时间不能超过 O(N), 不然就需要 5W*5W 的数量级, 有什么数据结构可以做到每次调用的时间复杂度小于 O(N) 呢?
解决方案
思路
根据中位数性质, 它要么是偶数长度数组的两个中间值的平均数, 要么是奇数长度数组的最中间的值
考虑到每次调用复杂度要小于 O(N), 显然 O(1)是不可能的, 我们没办法只根据当前插入的值直接判断更新后的中位值是什么, 必须通过一些扫描和判断
那么我们尝试 O(logN)复杂度的数据结构, 注意到中间值左边的部分一定是小于中间值的, 而右边的部分一定是大于中间值的, 是有一定的有序性的
我们可以利用这一点, 构造两个堆:
左边是一个大顶堆, 存放所有小于等于中间值的数(奇数长度的话, 堆顶就是中间值)
右边是一个小顶堆, 存放所有大于等于中间值的数(因为可能有很多重复元素)
查询中位数
当前元素个数为奇数时, 直接返回左堆顶
当前元素个数为偶数时, 返回左堆顶和右堆顶的平均值
插入新元素
如果当前左堆和右堆个数相同, 那么左堆需要增加一个元素
具体是增加新元素还是右堆顶, 则要看当前 num 和右堆顶的大小
当前 num 更小的话直接插入左边即可
否则就要先把右堆顶先挪到左堆, 然后右堆再插入新元素
如果当前左堆比右堆多 1, 那么右堆需要增加一个元素
具体是增加新元素还是左堆顶, 则要看当前 num 和左堆顶的大小
当前 num 更大的话直接插入右边即可
否则就要先把左堆顶先挪到右堆, 然后左堆再插入新元素
注意代码中实现了两个版本, 都有详细的注释. 一个是系统内置堆/优先队列, 更加简洁, 一个是自定义堆 (这里和昨天不同, 堆的下标从 1 开始, 这样父子节点的计算方式也就有所差别, 大家可以选择自己更喜欢的方式), 方便大家复习堆的构造~
复杂度
时间复杂度
O(logN)
每次调用只需要常数次堆操作, 复杂度为 O(logN)
空间复杂度
O(N)
两个堆共需要存 N 个元素
代码
方法 1 - 使用内置优先队列/堆
import heapq
class MedianFinder:
def __init__(self):
"""
initialize your data structure here.
"""
# 使用两个堆, 左边大顶堆, 右边小顶堆
# 注意python内置的heapq是小顶堆
# 所以大顶堆的话需要将其值取相反数再插入, 也不要忘了pop的时候也要再取反回来
self.left = []
self.right = []
def addNum(self, num: int) -> None:
if len(self.left) == len(self.right):
# 左堆需要增加一个元素
if not self.left or num <= self.right[0]:
# 左堆不存在, 或者新元素不大于右堆顶, 插到左边大顶堆
heapq.heappush(self.left, -num)
else:
# 否则先把右堆顶插到左边, 然后右堆再插入新元素
heapq.heappush(self.left, -heapq.heappop(self.right))
heapq.heappush(self.right, num)
else:
# 右堆需要增加一个元素
# 根据插入逻辑, 此时左堆至少有一个元素, 可以直接拿到左堆顶
if num >= -self.left[0]:
# 新元素不小于左堆顶, 直接插到右边小顶堆即可
heapq.heappush(self.right, num)
else:
# 否则先把左堆顶插到右边, 然后左堆再插入新元素
heapq.heappush(self.right, -heapq.heappop(self.left))
heapq.heappush(self.left, -num)
def findMedian(self) -> float:
if not self.left:
return 0
if len(self.left) == len(self.right):
# 偶数个元素, 取两个堆顶的平均值
res = (-self.left[0] + self.right[0]) / 2
else:
# 奇数个元素, 左堆个数至少为1, 取左堆顶
res = -self.left[0]
return res
方法 2 - 自定义最大最小堆
class Heap:
def __init__(self, heapType):
# smallHeap用于标记这是一个小顶堆还是大顶堆
self.smallHeap = True if heapType == 'SmallHeap' else False
# 注意下标为0的元素不会被用, 此处作为占位符
self.heap = [0]
def __len__(self):
return len(self.heap)
def empty(self):
return len(self.heap) == 1
def push(self, v):
# 先在堆末尾加入新元素
self.heap.append(v)
# 然后进行上浮操作
cur = len(self.heap) - 1
parent = cur >> 1
while parent >= 1:
if self.smallHeap and self.heap[parent] > self.heap[
cur] or not self.smallHeap and self.heap[
parent]
self.heap[cur], self.heap[parent] = self.heap[
parent], self.heap[cur]
cur, parent = parent, parent >> 1
else:
break
def pop(self):
res = self.heap[1]
tail = self.heap.pop()
if self.empty():
return res
# 将堆末尾元素弹出并放到堆顶
self.heap[1] = tail
# 然后进行下沉操作
cur = 1
child = 2
while child
if child + 1
if self.smallHeap and self.heap[child + 1]
child] or not self.smallHeap and self.heap[
child + 1] > self.heap[child]:
child += 1
if self.smallHeap and self.heap[child]
cur] or not self.smallHeap and self.heap[
child] > self.heap[cur]:
self.heap[cur], self.heap[child] = self.heap[child], self.heap[
cur]
cur, child = child, child <
else:
break
return res
class MedianFinder:
def __init__(self):
"""
initialize your data structure here.
"""
# 使用两个堆, 左边大顶堆, 右边小顶堆
self.left = Heap('BigHeap')
self.right = Heap('SmallHeap')
def addNum(self, num: int) -> None:
if len(self.left) == len(self.right):
# 左堆需要增加一个元素
if self.left.empty() or num <= self.right.heap[1]:
# 左堆不存在, 或者新元素不大于右堆顶, 插到左边大顶堆
self.left.push(num)
else:
# 否则先把右堆顶插到左边, 然后右堆再插入新元素
self.left.push(self.right.pop())
self.right.push(num)
else:
# 右堆需要增加一个元素
# 根据插入逻辑, 此时左堆至少有一个元素, 可以直接拿到左堆顶
if num >= self.left.heap[1]:
# 新元素不小于左堆顶, 直接插到右边小顶堆即可
self.right.push(num)
else:
# 否则先把左堆顶插到右边, 然后左堆再插入新元素
self.right.push(self.left.pop())
self.left.push(num)
def findMedian(self) -> float:
if self.left.empty():
return 0
if len(self.left) == len(self.right):
# 偶数个元素, 取两个堆顶的平均值
res = (self.left.heap[1] + self.right.heap[1]) / 2
else:
# 奇数个元素, 左堆个数至少为1, 取左堆顶
res = self.left.heap[1]
return res
参考资料
[1]
原题链接: https://leetcode-cn.com/problems/shu-ju-liu-zhong-de-zhong-wei-shu-lcof/
443
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
