295 数据流的中位数

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:
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？

方法1：
主要思路：
（1）使用两个堆：最大堆和最小堆，来存储添加的数据流的元素；
（2）这样，保证两个堆的大小差距最大只为1，则两个堆的堆顶元素应该为数据流中中间元素；
（3）在需要弹出当前数据流中的中间值时，若当前的两个堆的大小一致，则返回两个堆的堆顶元素之和的平均值，否则，就返回较大的堆的堆顶元素；
（4）为了构造这样的两个堆，则需要将添加的元素先添加到一个堆中，在将该堆的堆顶元素弹出，放入另一堆中，并在后面判断两个堆的大小，决定是否需要再弹出一个元素；

class MedianFinder {
public:
    priority_queue<int,vector<int>,less<int>> big_heap;//最大堆
    priority_queue<int,vector<int>,greater<int>> little_heap;//最小堆
    /** initialize your data structure here. */
    MedianFinder() {

    }
    
    void addNum(int num) {
    	//先将当前数据流中的元素加入到最小堆中，再将最小堆的堆顶元素弹出到最大堆中
        little_heap.push(num);
        big_heap.push(little_heap.top());
        little_heap.pop();
		//保证两个堆的大小最大差距为1，且最小堆数量可能更多一点
        if(little_heap.size()<big_heap.size()){
            little_heap.push(big_heap.top());
            big_heap.pop();
        }
    }
    
    double findMedian() {
        if(little_heap.size()==big_heap.size()){//两个堆的大小一致时，返回两个堆堆顶元素的平均值
            return (little_heap.top()+big_heap.top())/2.0;
        }
        return little_heap.top();//否则，返回最小堆的堆顶元素
    }
};

/**
 * Your MedianFinder object will be instantiated and called as such:
 * MedianFinder* obj = new MedianFinder();
 * obj->addNum(num);
 * double param_2 = obj->findMedian();
 */