https://www.cnblogs.com/ustca/p/12304498.html
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?
基数排序的思想,使用长度101的int数组记录每个值的个数。
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?
使用长度102的数组。
思路
采用大根堆(降序优先级队列)和小根堆(升序优先级队列)存放数列,数据流向 左->右[->左]。
时间复杂度O(nlgn),空间复杂度O(n)。
代码
class MedianFinder {
private int size;
private PriorityQueue<Integer> minheap;
private PriorityQueue<Integer> maxheap;
/** initialize your data structure here. */
public MedianFinder() {
size = 0;
minheap = new PriorityQueue<>();
maxheap = new PriorityQueue<>((x,y) -> y-x);
}
public void addNum(int num) {
size++;
maxheap.add(num);
minheap.add(maxheap.poll());
if((size & 1) == 1) {
maxheap.add(minheap.poll());
}
}
public double findMedian() {
if((size & 1) == 1) {
return maxheap.peek();
}
return (double)(maxheap.peek() + minheap.peek()) / 2;
}
}
/**
* Your MedianFinder object will be instantiated and called as such:
* MedianFinder obj = new MedianFinder();
* obj.addNum(num);
* double param_2 = obj.findMedian();
*/
笔记
size++放置的位置
链接:https://leetcode-cn.com/problems/find-median-from-data-stream
来源:oschina
链接:https://my.oschina.net/u/4258318/blog/3205194