无序数组中位数

于 2021-09-09 22:43:36 发布
阅读量752 收藏
点赞数
分类专栏： 算法 文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38051797/article/details/120211596
版权
这篇博客探讨了如何利用排序算法寻找数组的中位数，包括使用O(nlogn)时间复杂度的排序方法以及通过快速排序思想寻找第K大的数。对于奇数长度的数组，中位数是第(n+1)/2大的数，而偶数长度时，中位数是第n/2+1和第n/2大数的平均。此外，还介绍了利用最小堆在O(nlog(k))时间复杂度内求解中位数的方法，堆顶元素在奇数长度时即为中位数，偶数长度时需要结合堆顶下一个元素求平均值。
摘要由CSDN通过智能技术生成

1. 排序

对无序数组排序，然后可以直接得到该数组的中位数，时间复杂度为O(nlogn)。

2. 利用快排思想寻找第K大的数（时间复杂度为O(n)）

先挑选一个数作为标准，以该元素为支点，将数组划分为两部分。

这个问题可以抽象化为寻找第K大的数，快排每排完一轮之后左侧都是比他小的元素，右侧都是比他大的元素，那么支点的index（假设为N-1）即为第N大的数。当N == K，我们就找到了第K大的数；当N > K时， 第K大的数在[0,N-1]范围内；当N < K时，第K大的数在[N+1,n-1] (n为数组长度)范围内，利用递归即可找到第K大的数。

具体到寻找中位数，可分为两种情况：如果数组长度为奇数，即为寻找第(n+1)/2大的数；如果为偶数，则为分别寻找第(n/2+1)和第(n/2)大的数，然后求其平均值。

3. 最小堆（时间复杂度为O(nlog(k))）

这个问题可以延伸至求数组的第K小的数。

  1. 取n/2+1个数建堆，将数组中剩余项与堆顶项进行比较，如果比堆顶项小，则直接丢弃；如果比堆顶项大，则入堆，然后重新调整堆的结构，更新堆顶元素，并推出堆中最小的数。
  2. 如果数组长度为奇数，堆顶项即为中位数；如果数组长度为偶数，则中位数为堆顶项以及推出第一个堆顶项之后的数的平均。

弟炜啊
关注
专栏目录
python 实现在无序数组中找到中位数方法
12-20
一、问题描述 1、求一个无序数组的中位数， （若数组是偶数，则中位数是指中间两个数字之和除以2，若数组是奇数，则中位数是指最中间位置。要求：不能使用排序，时间复杂度尽量低 2、例如： lists = [3, 2, 1, 4] , 中位数为 = (2+3)/2 = 2.5 lists = [3, 1, 2] , 中位数为 2 3、算法思想： 利用快速排序思想（但是并不是全部使用）：任意挑选一个元素，以该元素为key， 划分数组为两个部分，如果左侧数组长度刚好为(n-1)/2, 那么key就为中位数， 若左侧数组长度 < (n-1)/2 ， 那么中位数点在右侧，反之，中位数在左侧。然后进入相应
无序数组求中位数
Henry1991back的博客
12-07 2240
长度为 n 的无序数组，求中位数，如何尽快的估算出中位数，算法复杂度是多少？ 算法 1（建立最小堆）： 如果数组中元素有奇数个，可以采用这种算法： 步骤 1 ：可以将数组的前 (n+1)//2 个元素，建立 1 个最小堆； 步骤 2 ：遍历剩余元素，如果剩余元素小于堆顶元素，则丢弃或不作处理；如果剩余元素大于堆顶元素，则将其取代堆顶元素，并将当前堆调整为最小堆。 步骤 3 ：返回堆顶元素，即 nu...
无序数组找中位数
lin的博客
04-04 6251
1.无序数组找中位数 思路一 把无序数组排好序，取出中间的元素 时间复杂度 采用普通的比较排序法 O(N*logN) 如果采用非比较的计数排序等方法， 时间复杂度 O(N), 空间复杂度也是O(N). 思路二 （1）将前(n+1)/2个元素调整为一个小顶堆 （2）对后续的每一个元素，和堆顶比较，如果小于等于堆顶，丢弃之，取下一个元素。 如果大于堆顶，用该元素取代堆顶，调整堆，取下一元素。重复2.2步 （3）当遍历完所有元素之后，堆顶即是中位数。 注：如果数组元素的个数是奇数，取数组前(size+1)
无序数组的中位数(三种方法)
HUAERBUSHI521的博客
07-22 6484
一.利用排序进行查找中位数 基本思路:对数组进行排序,直接访问数组中位数 double MIDnum(vector<int>& array) { if(array.empty()) return -1; int midIndex = (array.size() - 1) / 2; sort(array.begin(), array.end()); if (array.size() % 2 == 1) { return (double)array[m
无序数组中求中位数
小一的专栏
06-08 8110
题目现有一些随机生成的数字要将其依次传入，请设计一个高效算法，对于每次传入一个数字后，算出当前所有传入数字的中位数。(若传入了偶数个数字则令中位数为第n/2小的数字，n为已传入数字个数)。 给定一个int数组A，为传入的数字序列，同时给定序列大小n，请返回一个int数组，代表每次传入后的中位数。保证n小于等于1000。 测试样例：[1,2,3,4,5,6],6 返回：[1,1,2,2,3,3]思
程序设计－求N个数的中位数（C++）
热门推荐
了解➔熟悉➔掌握➔精通
02-28 7万+
分享一个大牛的人工智能教程。零基础！通俗易懂！风趣幽默！希望你也加入到人工智能的队伍中来！请点击http://www.captainbed.net /* * 求n个数的中位数 - C++ - by Chimomo * * 对于一组有有限个数的数据来说，它们的中位数是这样的一种数：这群数据里的一半的数据比它大，而另外一半数据比它小。 * 计算有限个数的数据的中位数的方法是：把所有的同类...
寻找两个有序数组的中位数
01-08
请你找出这两个有序数组的中位数，并且要求算法的时间复杂度为 O(log(m + n))。 你可以假设 nums1 和 nums2 不会同时为空。 示例1： nums1 = [1, 3] nums2 = [2] 则中位数是 2.0 示例2： nums1 = [1, 2] nums...
数组中数字出现的次数1
08-03
数组中所有其他元素都会出现两次。题目强调了时间复杂度必须为 O(n)，空间复杂度应为 O(1)。这里的 n 表示数组 `nums` 的长度。 给出的代码实现中，使用了 `unordered_map` 来存储每个数字及其出现的次数。首先遍历...
线性时间选择中位数算法
06-09
1. **掌握线性时间选择的基本算法及其应用：** 线性时间选择算法是一种可以在平均或最坏情况下达到线性时间复杂度的选择算法，它主要用于在无序数组中找到第k小的元素。该算法特别适用于大规模数据集，其核心思想是...
无序数字中位数_求无序数组中位数的方法
weixin_32515349的博客
12-23 924
转载：http://blog.csdn.net/zdl1016/article/details/4676882中位数即是排过序后的处于数组最中间的元素。 不考虑数组长度为偶数的情况。设集合元素个数为n。简单的想了下：思路1) 把无序数组排好序，取出中间的元素时间复杂度 采用普通的比较排序法O(N*logN)如果采用非比较的计数排序等方法， 时间复杂度 O(N), 空间复杂度也是O(N).思路2)...
【算法】无序数组中求中位数
Mlib
10-05 1万+
问题 给定一个int数组A，为传入的数字序列，同时给定序列大小n，请返回一个int数组，代表每次传入后的中位数。保证n小于等于1000 或者 求一个无序数组的中位数。 如：{2,5,4,9,3,6,8,7,1}的中位数为5。 要求：不能使用排序，时间复杂度O(n)。 分析因为题目指定不能使用排序算法，而且要求时间复杂度O(n)，也就是要求一次遍历就得给出结果。所以排序算法基本上没有用武之地。
求一个无序数组的中位数
wxx2222222的博客
08-09 582
求一个无序数组的中位数。 如：{2,5,4,9,3,6,8,7,1}的中位数为5，{2,5,4,9,3,6,8,7,1,0}的中位数为4和5。 要求：不能使用排序，时间复杂度尽可能高。 提示：考虑堆或者快排思想解决。 思路一：利用堆排序的思路 将前n/2的元素放进一个大堆里，然后将后续的元素与堆顶比较，如果比堆顶大，则继续比下一个，如果比堆顶小，则与堆顶的值进行交换。
无序数组中求解中位数
小呼哥的博客
09-03 1060
问题： 从一个无序的数组中找出中位数 这个类似于topk的问题，可以跟topK问题一起解决 解法：1.可以使用小顶堆，堆的大小为数组的一半，遍历一遍以后，输出堆顶元素即可。2.使用快排+二分，找一个基数，通过快排的方式将数组（长度为n）划分为两部分，如果恰好两部分的长度相等（=(n-1)/2,），则中位数就是当前基数，如果左边长度小于(n-1)/2,那中位数就在右侧。反之在左侧。 快排思想求解TOPK 3. 代码： public class One { public static i.
如何找到两个数组中的中位数(Python)
weixin_43300894的博客
05-24 998
一、题目描述 给定两个升序数组，如何找到这两个数组归并以后新的升序数组的中位数？（如果新的数组长度为奇数：中位数为中间的元素；如果数组长度为偶数，中位数为中间两个元素的平均值。） 简单的方法：可以直接对两个数组进行归并操作，进而求得中位数。但这种方法效率不高，时间复杂度为O(m+n) 二、解题思路 中位数：中位数把一个升序数组分成了长度相等的两个部分，其中左半部分的最大值永远小于或等于右半部分的最小值。 设有两个初始数组A和B,它们归并后的大数组为C,则大数组的左右部分，分别来源于两个初始数组A和B的左右部
O(n)求中位数和第k大数
weixin_30402343的博客
02-26 519
解题关键：模板与思路。面试题 #include<cstdio> #include<cstring> #include<algorithm> #include<cstdlib> #include<iostream> #include<cmath> #include<vector> using na...
O(n)的时间复杂度求中位数
Histranger_的博客
09-26 1万+
O(n)的时间复杂度求中位数 O(n)中位数问题是指：在O(n)的时间复杂度内找到一个无序序列的中位数。 在开始O(n)时间复杂度求中位数之前，先手写一下快速排序。 快速排序的实现 Reference： 快速排序|菜鸟教程 白话经典算法系列之六 快速排序 快速搞定 快速排序的原理 如果想正序排序一个序列： 从序列中找到一个 基准数 。 分区：将序列中比基准数大的数字都放到基准数的右边，将序列中比基准数小的数字都放在基准数的左边。 此时，序列被分成了三部分: 左序列 + 基准数 + 右序列。 实现2的方.
求一个无序数组的中位数。
菜鸟成长记
08-04 3940
问题描述求一个无序数组的中位数。 如：{2,5,4,9,3,6,8,7,1}的中位数为5，{2,5,4,9,3,6,8,7,1,0}的中位数为4和5。 要求：不能使用排序，时间复杂度尽可能低。 提示：考虑堆或者快排思想解决方法1：堆思路1： 分析：将数据平均分配到最大堆和最小堆中，并且保证最小堆中的数据存放的数据都比最大堆中是数据大，那么此时最小堆堆顶的元素一定是中位数。 那么如何保证最小堆中
无序数组取中位数问题
qq_40921866的博客
04-14 837
解决快速求出无序数组的中位数 方法一：快排思想 思想：利用快排思想。 具体解释，其实简单，我们利用的就是一个东西，快排每次选取一个数，然后把比这个数字小的扔到前面，把比这个数字大的数放到前面，那么对取的这个中间数，它的位置一定是正确的，然后我们考虑这个数字的位置，如果比中位数的位置大，就往前面 那个区间继续找中位数的位置，反之如果中位数的位置，比这个标准位置的位置小，那么一定是在这个数字后面一个...
无序数组的中位数java
最新发布
10-18
在Java中，可以使用PriorityQueue来实现无序数组的中位数。PriorityQueue是一个基于优先级堆的无界优先级队列，默认是一个最小堆。具体实现可以参考以下代码： ``` import java.util.PriorityQueue; public class Median { public static double median(int[] array) { int heapSize = array.length / 2 + 1; PriorityQueue<Integer> heap = new PriorityQueue<>(heapSize); for (int i = 0; i < heapSize; i++) { heap.add(array[i]); } for (int i = heapSize; i < array.length; i++) { if (heap.peek() < array[i]) { heap.poll(); heap.add(array[i]); } } if (array.length % 2 == 1) { return (double) heap.peek(); } else { return (double) (heap在Java中，可以使用PriorityQueue来实现无序数组的中位数。PriorityQueue是一个基于优先级堆的无界优先级队列，默认是一个最小堆。具体实现可以参考以下代码： ``` import java.util.PriorityQueue; public class Median { public static double median(int[] array) { int heapSize = array.length / 2 + 1; PriorityQueue<Integer> heap = new PriorityQueue<>(heapSize); for (int i = 0; i < heapSize; i++) { heap.add(array[i]); } for (int i = heapSize; i < array.length; i++) { if (heap.peek() < array[i]) { heap.poll(); heap.add(array[i]); } } if (array.length % 2 == 1) { return (double) heap.peek(); } else { return (double) (heap.poll() + heap.peek()) / 2.0; } } public static void main(String[] args) { int[] array = new int[]{12, 34, 1, 209, 17, 900, -10}; System.out.println(median(array)); } } ``` 其中，首先定义了一个大小为数组长度一半加一的最小堆，然后将数组的前一半元素加入堆中。接着，遍历数组的后一半元素，如果当前元素比堆顶元素大，则将堆顶元素弹出，将当前元素加入堆中。最后，如果数组长度为奇数，则中位数就是堆顶元素；如果数组长度为偶数，则中位数就是堆顶元素和次顶元素的平均值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值