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?
维护一个最大堆,最小堆
其中最小堆的堆顶> 中位数
最大堆的堆顶元素<=中位数
并且始终保证最大堆的元素个数-最小堆的元素个数<=1
/*
维护一个大顶堆 maxHeap,一个小顶堆 minHeap。maxHeap
保存 <= median 的数,_minHeap 保存 > median 的数。
在 addNum 的过程中,维护性质 0 <= maxHeap.size() - minHeap.size() <= 1 即可。
*/
class MedianFinder {
public:
/** initialize your data structure here. */
MedianFinder() {
}
void addNum(int num) {
// 保持 0 <= maxHeap.size() - minHeap.size() <= 1
if(_maxHeap.empty()){
_maxHeap.push(num);
return;
}
// 均衡size
if(num<_maxHeap.top()){
_maxHeap.push(num);
if(_maxHeap.size()-_minHeap.size()>1){
_minHeap.push(_maxHeap.top());
_maxHeap.pop();
}
}
else{
_minHeap.push(num);
// 均衡size
if(_minHeap.size()>_maxHeap.size()){
_maxHeap.push(_minHeap.top());
_minHeap.pop();
}
}
}
double findMedian() {
if(_maxHeap.size() == _minHeap.size())
return (_maxHeap.top()+_minHeap.top())/2.0;
else
return _maxHeap.top();
}
private:
priority_queue<int, vector<int>, less<int>> _maxHeap;
priority_queue<int, vector<int>, greater<int>> _minHeap;
};
/**
* Your MedianFinder object will be instantiated and called as such:
* MedianFinder* obj = new MedianFinder();
* obj->addNum(num);
* double param_2 = obj->findMedian();
*/