Leetcode【数据流的中位数】

295. 数据流的中位数

中位数是有序整数列表中的中间值。如果列表的大小是偶数，则没有中间值，中位数是两个中间值的平均值。

• 例如 arr = [2,3,4] 的中位数是 3 。
• 例如 arr = [2,3] 的中位数是 (2 + 3) / 2 = 2.5 。

实现 MedianFinder 类:

• MedianFinder() 初始化 MedianFinder 对象。

• void addNum(int num) 将数据流中的整数 num 添加到数据结构中。

• double findMedian() 返回到目前为止所有元素的中位数。与实际答案相差 10-5 以内的答案将被接受。

示例 1：

输入
["MedianFinder", "addNum", "addNum", "findMedian", "addNum", "findMedian"]
[[], [1], [2], [], [3], []]
输出
[null, null, null, 1.5, null, 2.0]

解释
MedianFinder medianFinder = new MedianFinder();
medianFinder.addNum(1);    // arr = [1]
medianFinder.addNum(2);    // arr = [1, 2]
medianFinder.findMedian(); // 返回 1.5 ((1 + 2) / 2)
medianFinder.addNum(3);    // arr[1, 2, 3]
medianFinder.findMedian(); // return 2.0

提示:

• -105 <= num <= 105
• 在调用 findMedian 之前，数据结构中至少有一个元素
• 最多 5 * 104 次调用 addNum 和 findMedian

class MedianFinder {
    // 小根堆（min-heap），用于存储较大的半部分
    PriorityQueue<Integer> queMin;
    // 大根堆（max-heap），用于存储较小的半部分
    PriorityQueue<Integer> queMax;

    // 构造函数，初始化两个堆
    public MedianFinder() {
        // 小根堆，队列的默认行为是小根堆，通过自定义比较器实现大根堆
        queMin = new PriorityQueue<Integer>((a, b) -> (b - a));
        // 大根堆，队列的默认行为是小根堆
        queMax = new PriorityQueue<Integer>((a, b) -> (a - b));
    }
    
    // 添加一个数字到数据结构中
    public void addNum(int num) {
        // 如果小根堆为空或者新数比小根堆的堆顶元素小，则将新数加入小根堆
        if (queMin.isEmpty() || num <= queMin.peek()) {
            queMin.offer(num);
            // 确保小根堆的大小不超过大根堆的大小加1
            if (queMax.size() + 1 < queMin.size()) {
                // 如果小根堆的大小超过大根堆的大小，则将小根堆的堆顶元素移到大根堆
                queMax.offer(queMin.poll());
            }
        } else {
            // 否则，将新数加入大根堆
            queMax.offer(num);
            // 确保大根堆的大小不超过小根堆的大小
            if (queMax.size() > queMin.size()) {
                // 如果大根堆的大小超过小根堆的大小，则将大根堆的堆顶元素移到小根堆
                queMin.offer(queMax.poll());
            }
        }
    }
    
    // 查找中位数
    public double findMedian() {
        // 如果小根堆的大小大于大根堆的大小，则中位数是小根堆的堆顶元素
        if (queMin.size() > queMax.size()) {
            return queMin.peek();
        }
        // 否则，中位数是小根堆和大根堆的堆顶元素的平均值
        return (queMin.peek() + queMax.peek()) / 2.0;
    }
}

解题思路

1. 数据结构选择：

   • 小根堆 (queMin)：存储较大的半部分的数字。使用自定义比较器实现大根堆的行为，但可以将其看作小根堆来存储较大的一半。
   • 大根堆 (queMax)：存储较小的半部分的数字。队列默认行为是小根堆，这里使用自定义比较器来实现大根堆。

2. 添加数字：

   • 当添加一个新的数字时，首先判断该数字应该放入哪个堆：
     • 如果数字小于或等于小根堆的堆顶元素，则将其加入小根堆。
     • 否则，将其加入大根堆。
   • 然后平衡两个堆的大小：
     • 小根堆的大小可以多于大根堆的大小最多1个元素。
     • 如果小根堆的大小超过大根堆大小加1，则从小根堆移一个元素到大根堆。
     • 如果大根堆的大小超过小根堆的大小，则从大根堆移一个元素到小根堆。

3. 查找中位数：

   • 如果小根堆的大小大于大根堆的大小，中位数就是小根堆的堆顶元素。
   • 否则，中位数是小根堆和大根堆的堆顶元素的平均值。此时两个堆的大小相同。