(Leetcode) 数据流的中位数 - Python实现

题目：数据流的中位数
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:
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？
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？

--------------------------------------------------------------------------------------------------

解法1：笨办法，每次计算中位数之前，对数组排序一次

class MedianFinder(object):
    def __init__(self):
        """
        initialize your data structure here.
        """
        self.array = []

    def addNum(self, num):
        """
        :type num: int
        :rtype: None
        """
        self.array.append(num)
        

    def findMedian(self):
        """
        :rtype: float
        """
        self.array.sort()
        n = len(self.array)
        if n % 2 == 1:
            return self.array[n//2]
        else:
            return (self.array[n//2] + self.array[n//2-1]) / 2.0

        # Your MedianFinder object will be instantiated and called as such:
        # obj = MedianFinder()
        # obj.addNum(num)
        # param_2 = obj.findMedian()

解法2：数据结构之堆 (heap)

堆(heap)
又被为优先队列(priority queue)。尽管名为优先队列，但堆并不是队列。回忆一下，在队列中，我们可以进行的限定操作是dequeue和enqueue。
dequeue是按照进入队列的先后顺序来取出元素。而在堆中，我们不是按照元素进入队列的先后顺序取出元素的，而是按照元素的优先级取出元素。
性质
堆的实现通过构造二叉堆（binary heap），实为二叉树的一种；由于其应用的普遍性，当不加限定时，均指该数据结构的这种实现。这种数据结构具有以下性质。
任意节点小于（或大于）它的所有后裔，最小元（或最大元）在堆的根上（堆序性）。
堆总是一棵完全树。即除了最底层，其他层的节点都被元素填满，且最底层尽可能地从左到右填入。
实现
堆的主要操作是插入和删除最小元素(元素值本身为优先级键值，小元素享有高优先级)
在插入或者删除操作之后，我们必须保持该实现应有的性质: 1. 完全二叉树 2. 每个节点值都小于或等于它的子节点

class MedianFinder(object):
    def __init__(self):
        """
        initialize your data structure here.
        """
        self.array = []

    def addNum(self, num):
        """
        :type num: int
        :rtype: None
        """
        heapq.heappush(self.array, num)


    def findMedian(self):
        """
        :rtype: float
        """
        n = len(self.array)
        mid = math.ceil(n/2)
        return (heapq.nlargest(mid,self.array)[-1] + heapq.nsmallest(mid,self.array)[-1])/2.0

        # Your MedianFinder object will be instantiated and called as such:
        # obj = MedianFinder()
        # obj.addNum(num)
        # param_2 = obj.findMedian()

参考：

https://blog.csdn.net/csdn_lzw/article/details/82939100

https://www.cnblogs.com/kumata/p/9201571.html

https://www.jianshu.com/p/3bad56bd8bfe

https://blog.csdn.net/fuxuemingzhu/article/details/79725893

https://blog.csdn.net/u010005281/article/details/80327328