Leetcode 295. 数据流的中位数

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();
 */