剑指offer41.数据流中的中位数

思路

因为堆只是保证了某一条路径的元素顺序是递减或递增的，而并没有保证按照数组索引的顺序是有序的，这也是堆和二叉搜索树的区别所在。
所以本题：用一个小顶堆A保存最大的m个数，用一个大顶堆B保存最小的n个数；

• 当m==n时，向B中插入一个数，并将B的堆顶元素插入到A中；
• 当m$\ne$n时，向A中插入一个数，并将A的堆顶元素插入到B中；

这样保证了A.size()>=B.size()。当相等时，中位数就是A、B的栈顶元素相加除以2，不等时中位数就是A的栈顶元素。

class MedianFinder {
    //构造小顶堆，用来保存最大的m个数
	public PriorityQueue<Integer> heap_A = new PriorityQueue<>();
	//构造大顶堆，用来保存最小的n个数
	public PriorityQueue<Integer> heap_B = new PriorityQueue<>((i1,i2)->i2-i1);
	public MedianFinder() {
		
    }
    
    public void addNum(int num) {
    	if(heap_A.size()==(heap_B.size())) {
    		heap_B.add(num);
    		heap_A.add(heap_B.poll());
    	}else {
    		heap_A.add(num);
    		heap_B.add(heap_A.poll());
    	}
    }
    
    public double findMedian() {
    	int size = heap_A.size()+heap_B.size();
    	return size%2==0? (double)(heap_A.peek()+heap_B.peek())/2 : heap_A.peek();
    }
}

需要注意的是：当直接heap_A.peek()+heap_B.peek())/2时，执行的是整除，所以需要强制转换成double型，但其实只要改成heap_A.peek()+heap_B.peek())/2.0即可。

• 空间复杂度是O(N)
• 时间复杂度是：插入时：O(logN)，查找中位数时：O(1)