问题描述
给定两个大小分别为 m 和 n 的正序(从小到大)数组 nums1 和 nums2。请你找出并返回这两个正序数组的 中位数 。
算法的时间复杂度应该为 O(log (m+n)) 。
示例 1:
输入:nums1 = [1,3], nums2 = [2]
输出:2.00000
解释:合并数组 = [1,2,3] ,中位数 2
示例 2:
输入:nums1 = [1,2], nums2 = [3,4]
输出:2.50000
解释:合并数组 = [1,2,3,4] ,中位数 (2 + 3) / 2 = 2.5
解决思路
方法一
合并数组排序,返回中位数
//方法一:O(m+n) 合并数组 在合并时用归并速度更快 返回中位数
//方法二:在归并是不用归并完 比到中位数的位置就停止 不过时间还是O(m+n)
public double findMedianSortedArrays1(int[] nums1, int[] nums2) {
int m = nums1.length;
int n = nums2.length;
int[] num = new int[m + n];
for (int i = 0; i < nums1.length; i++) {
num[i] = nums1[i];
}
for (int i = 0; i < nums2.length; i++) {
num[nums1.length + i] = nums2[i];
}
Arrays.sort(num);
System.out.println(num.length == m + n);
if (num.length == 0) {
return 0;
}
if (num.length % 2 == 0) {
return (num[num.length / 2] + num[num.length / 2 - 1]) / 2.0;
} else {
return num[num.length / 2];
}
方法二
简单粗暴,先将两个数组合并,两个有序数组的合并也是归并排序中的一部分。然后根据奇数,还是偶数,返回中位数。
public double findMedianSortedArrays(int[] nums1, int[] nums2) {
int[] nums;
int m = nums1.length;
int n = nums2.length;
nums = new int[m + n];
if (m == 0) {
if (n % 2 == 0) {
return (nums2[n / 2 - 1] + nums2[n / 2]) / 2.0;
} else {
return nums2[n / 2];
}
}
if (n == 0) {
if (m % 2 == 0) {
return (nums1[m / 2 - 1] + nums1[m / 2]) / 2.0;
} else {
return nums1[m / 2];
}
}
int count = 0;
int i = 0, j = 0;
while (count != (m + n)) {
if (i == m) {
while (j != n) {
nums[count++] = nums2[j++];
}
break;
}
if (j == n) {
while (i != m) {
nums[count++] = nums1[i++];
}
break;
}
if (nums1[i] < nums2[j]) {
nums[count++] = nums1[i++];
} else {
nums[count++] = nums2[j++];
}
}
if (count % 2 == 0) {
return (nums[count / 2 - 1] + nums[count / 2]) / 2.0;
} else {
return nums[count / 2];
}
}
在归并是不用归并完 比到中位数的位置就停止 不过时间还是O(m+n)
public double findMedianSortedArrays(int[] A, int[] B) {
int m = A.length;
int n = B.length;
int len = m + n;
int left = -1, right = -1;
int aStart = 0, bStart = 0;
for (int i = 0; i <= len / 2; i++) {
left = right;
if (aStart < m && (bStart >= n || A[aStart] < B[bStart])) {
right = A[aStart++];
} else {
right = B[bStart++];
}
}
if ((len & 1) == 0)
return (left + right) / 2.0;
else
return right;
}
方法三
找中位数,就是删除(逻辑删除)中位数位置前面的数字,用递归删除
时间复杂度:O(log(m+n)
//方法三:大佬解法 O(log(m+n)) 用递归
//用递归函数把小的那个对应的数组的数字排除,将两个新数组进入递归,并且 k 要减去排除的数字的个数
//时间复杂度:每进行一次循环,我们就减少 k/2 个元素,所以时间复杂度是 O(log(k),而 k=(m+n)/2,所以最终的复杂也就是 O(log(m+n))。
//空间复杂度:虽然我们用到了递归,但是可以看到这个递归属于尾递归,所以编译器不需要不停地堆栈,所以空间复杂度为 O(1)。
public double findMedianSortedArrays3(int[] nums1, int[] nums2) {
int n = nums1.length;
int m = nums2.length;
int left = (n + m + 1) / 2;
int right = (n + m + 2) / 2;
//将偶数和奇数的情况合并,如果是奇数,会求两次同样的k。
return (getKth(nums1, 0, n - 1, nums2, 0, m - 1, left) + getKth(nums1, 0, n - 1, nums2, 0, m - 1, right)) / 2.0;
}
//递归函数 用于找到返回两个数组中第k个小的值
// 我们一次遍历就相当于去掉不可能是中位数的一个值,也就是一个一个排除。由于数列是有序的,其实我们完全可以一半儿一半儿的排除。
//假设我们要找第 k 小数,我们可以每次循环排除掉 k/2 个数。
//递归出口就是当 k=1 或者其中一个数字长度是 0 了
private int getKth(int[] nums1, int start1, int end1, int[] nums2, int start2, int end2, int k) {
//新数组的长度
int len1 = end1 - start1 + 1;
int len2 = end2 - start2 + 1;
//如果len1大,则交换两个数组,让 len1 的长度始终小于 len2,这样就能保证如果有数组空了,一定是 len1
if (len1 > len2) return getKth(nums2, start2, end2, nums1, start1, end1, k);
//递归出口 如果一个数组空了,不用递归了,直接返回另一个数组中k指的坐标
if (len1 == 0) return nums2[start2 + k - 1];
//递归出口 k=1 就是只需找到最小的 比较一下两个数组的指针即可
if (k == 1) return Math.min(nums1[start1], nums2[start2]);
//一半儿一半儿的排除小的数
//为了防止数组长度小于 k/2,所以每次比较 min(k/2,len(数组)) 对应的数字
int i = start1 + Math.min(len1, k / 2) - 1;
int j = start2 + Math.min(len2, k / 2) - 1;
//把小的那个对应的数组的数字排除,将两个新数组进入递归,并且 k 要减去排除的数字的个数
if (nums1[i] > nums2[j]) {
return getKth(nums1, start1, end1, nums2, j + 1, end2, k - (j - start2 + 1));
} else {
return getKth(nums1, i + 1, end1, nums2, start2, end2, k - (i - start1 + 1));
}
}
方法四
根据中位数的定义,对数组进行切分。
时间复杂度:
我们对较短的数组进行了二分查找,所以时间复杂度是 O(log(min(m,n))
空间复杂度:只有一些固定的变量,和数组长度无关,所以空间复杂度是 O(1)
//解法四
//时间复杂度:我们对较短的数组进行了二分查找,所以时间复杂度是 O(log(min(m,n))
//
//空间复杂度:只有一些固定的变量,和数组长度无关,所以空间复杂度是 O(1)。
public double findMedianSortedArrays4(int[] A, int[] B) {
int m = A.length;
int n = B.length;
if (m > n) {
return findMedianSortedArrays4(B, A); //保证m<=n
}
//找到i的位置
int iMin = 0, iMax = m;
//最后一个问题,增加 i 的方式。当然用二分了。初始化 i 为中间的值,然后减半找中间的,减半找中间的,减半找中间的直到答案。
while (iMin <= iMax) {
int i = (iMax + iMin) / 2;
int j = (m + n + 1) / 2 - i;
if (j!=0&&i!=m&&B[j-1]>A[i]){ //i 需要增加
iMin = i+1;
}
else if (i!=0&&j!=n&&A[i-1]>B[j]){ // i 需要减小
iMax = i-1;
}
// 达到要求(左边最大小于右边最小),并且将边界条件列出来单独考虑
else {
int maxLeft = 0; // 左半部分最大值
if (i==0) {
maxLeft=B[j-1];
}
else if (j==0){
maxLeft=A[i-1];
}
else {
maxLeft=Math.max(A[i-1],B[j-1]);
}
if ((m+n)%2==1) return maxLeft; // 奇数的话 不用考虑左半部分
//求右半部分的最小值
int minRight = 0;
if (i==m){
minRight=B[j];
}
else if (j==n){
minRight=A[i];
}
else {
minRight = Math.min(A[i],B[j]);
}
//如果是偶数的话就返回结果
return (maxLeft+minRight)/2.0;
}
}
return 0.0;
}
总结
- 思路有,但是代码不一定能实现或者写的优雅,还要考虑数组边界(特殊)情况。
- 想要log级别的复杂度,就要考虑二分查找、递归的方法,递归理解起来相对比较复杂,但是代码确实简单优雅。
- 算法思考起来,应该先易后难,一开始不一定是最优解,先实现出来,再考虑优化迭代。比如第一二个方法,归并排序。
- 统一的美;对不同情况进行分类讨论,但是考虑是否可以进行合并,不同情况用同一个方式(代码)实现。比如对数组大小奇偶数不同,求得中位数位置不同,是否可以将两种情况合并,比如方法三。