数据流中的中位数--使用python内置的heapq模块

如何得到一个数据流中的中位数？如果从数据流中读出奇数个数值，那么中位数就是所有数值排序之后位于中间的数值。如果从数据流中读出偶数个数值，那么中位数就是所有数值排序之后中间两个数的平均值
链接
方法一

1. 使用大堆存储左边的值
2. 使用小堆存储右边的值
3. 0 <= 保证大堆数据的长度 - 小堆数据的长度 <=1
4. 数据长度为奇数时, 中位数为大堆堆顶
5. 在python中只能使用小堆 使用最大堆时存储 -num
6. 每个添加数据时，先要判断往哪个堆插入 然后balance

import heapq
class MedianFinder:
    def __init__(self):
        """
        initialize your data structure here.
        """
        self.min_heap = []
        self.max_heap = []

    def addNum(self, num: int) -> None:
        if self.max_heap and num >= -self.max_heap[0]:
            # 如果大堆不为空且 num大于大碓顶  应该小堆插入
            heapq.heappush(self.min_heap, num)
        else:
            heapq.heappush(self.max_heap, -num)
        self.balance()

    def balance(self):
        if len(self.min_heap) > len(self.max_heap):
            min_heap_top = heapq.heappop(self.min_heap)
            heapq.heappush(self.max_heap, -min_heap_top)

        elif len(self.max_heap) - len(self.min_heap) > 1:
            max_heap_top = - heapq.heappop(self.max_heap)
            heapq.heappush(self.min_heap, max_heap_top)

    def findMedian(self) -> float:
        if len(self.min_heap) != len(self.max_heap):
            return -self.max_heap[0]
        else:
            return (-self.max_heap[0] + self.min_heap[0]) /2

方法二
思路同方法1， 效率略优于方法1
区别如下:
插入数据时 使用 heapq.heappushpop 不需要显示的balance最大堆和最小堆
最后 最小堆的长度较大 所以为奇数时 输出 最小堆堆顶

class MedianFinder1:
    def __init__(self):
        """
        initialize your data structure here.
        """
        # 初始化大顶堆和小顶堆
        self.max_heap = []
        self.min_heap = []
    def addNum(self, num: int) -> None:
        if len(self.max_heap) == len(self.min_heap):
            # 先加到大顶堆，再把大堆顶元素加到小顶堆
            heapq.heappush(self.min_heap, -heapq.heappushpop(self.max_heap, -num))
        else:  # 先加到小顶堆，再把小堆顶元素加到大顶堆
            heapq.heappush(self.max_heap, -heapq.heappushpop(self.min_heap, num))

    def findMedian(self) -> float:
        if len(self.min_heap) == len(self.max_heap):
            return (-self.max_heap[0] + self.min_heap[0]) / 2
        else:
            return self.min_heap[0]