(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

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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