剑指offer实践 ——41.数据流中的中位数（python版)

---

题目

数据流中的中位数

---

一、思路

数据是流式的从数据容器中读取出来的，如果我们将它存储到一个数组中，需要查找中位数的时候，排序并查找，则排序需要的时间理想是O(logn)，查找需要的时间O(1)。
如果将流式的数据存储到排序的数组中，插入需要O(n)的时间，但是查找需要O(1)。
思考一下中位数的特点。
中位数的左边数字均小于中位数。
中位数的右边数字均大于中位数。
中位数左右两边的数字数量相等（偶数个长度的时候中位数取中间2位的平均值）

因此如果我们在读取流式数据的时候，维护两个堆。
一个小顶堆存储右半部分大于中位数的数据。
一个大顶堆存储左半部分小于中位数的数据。
当左右两个顶堆的长度相同时，插入左边的大顶堆。
当左右两个顶堆的长度不同时，插入右边的小顶堆。

基于这个思路需要思考更细致的地方：
1.如果两个顶堆长度相同，需要插入左边，但此时插入的数据大于右边小顶堆的最小值，则这个值应该插入右边的小顶堆，并把右边小顶堆的最小值推入左边大顶堆。

2.如果两个顶堆长度相同，需要插入右边，但此时插入的数据小于左边大顶堆的最大值，则这个值应该插入左边的大顶堆，并把左边大顶堆的最大值推入右边的小顶堆。

class MedianFinder(object):

    def __init__(self):
        """
        initialize your data structure here.
        """
        # 保存左半部分的最大堆
        self.left = []
        # 保存右半部分的最小堆
        self.right = []


    def addNum(self, num):
        """
        :type num: int
        :rtype: None
        """
        if len(self.left) == len(self.right):
            heapq.heappush(self.right, num)
            heapq.heappush(self.left, -heapq.heappop(self.right))
        else:
            heapq.heappush(self.left, -num)
            heapq.heappush(self.right, -heapq.heappop(self.left))



    def findMedian(self):
        """
        :rtype: float
        """
        if len(self.left) == 0:
            return 0
        if len(self.left) == len(self.right):
            mid = (self.right[0] - self.left[0]) / 2.0
        else:
            mid = -self.left[0]
        return mid