python 数据流中的移动平均值_[LeetCode] 295. 数据流的中位数

题目链接： https://leetcode-cn.com/problems/find-median-from-data-stream

难度：困难

通过率：37.9%

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:

1. 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？
2. 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:

思路一：二分法

使用二分法插入，使得数据流是有序的

插入时间复杂度：

查找：

import bisect


class MedianFinder:

    def __init__(self):
        """
        initialize your data structure here.
        """

        self.data = []

    def addNum(self, num: int) -> None:
        bisect.insort_left(self.data, num)

    def findMedian(self) -> float:
        n = len(self.data)
        mid = (n - 1) // 2
        if n % 2 == 1:
            return self.data[mid]
        else:
            return (self.data[mid] + self.data[mid + 1]) / 2

思路二：堆

我们用两个堆， 一个最小堆，一个最大堆

我们把数据分成两部分，求中位数就是前半部分的最大值，后半部分的最小值。

当数据流为奇数个时候，说明最小堆个数，和最大堆个数要不一样，我们把这个数放在哪个堆里，其实都一样的，这里我放在后半部分（最小堆）

我们每次入堆，都有从另一个堆里挤出一个元素，保证最小堆和最大堆是数据流前后两部分

插入时间复杂度：

查找：

import heapq
class MedianFinder:

    def __init__(self):
        """
        initialize your data structure here.
        """
        self.max_heap = []
        self.min_heap = []

    def addNum(self, num: int) -> None:
        if len(self.max_heap) == len(self.min_heap):
            heapq.heappush(self.min_heap, -heapq.heappushpop(self.max_heap, -num))
        else:
            heapq.heappush(self.max_heap, -heapq.heappushpop(self.min_heap, num))

    def findMedian(self) -> float:
        if len(self.max_heap) == len(self.min_heap):
            return (self.min_heap[0] - self.max_heap[0]) / 2
        else:
            return self.min_heap[0]

更多题解：

九四干：[LeetCode] 题目汇总(持续更新)​zhuanlan.zhihu.com