LeetCode：295. 数据流的中位数

这个题目最快的解法应该是维护中位数，每插入一个数都能快速得到一个中位数。
根据数据范围，我们应当实现一个$O(nlogn)$的算法。

1、超时—插入排序

使用数组存储，维持数组有序，当插入一个元素时使用插入排序维持数组有序，这种方式无异于使用插入排序，时间复杂度不达标。

• 时间复杂度：$O(n^2)$，由于每一个数都会被插入一次，插入一次的时间为$O(n)$
• 空间复杂度：$O(n)$
  

class MedianFinder {
public:MedianFinder() {}void addNum(int num) {nums.emplace_back(num);for(int i = nums.size() - 1; i >= 1; -- i){if(nums[i] >= nums[i - 1]) break;swap(nums[i], nums[i-1]);}}double findMedian() {int mid = nums.size() / 2;if(nums.size() % 2 == 1)return 1.0 * nums[mid];return 1.0 * (nums[mid] + nums[mid - 1]) / 2;}
private:vector<int> nums;
};

2、中位数为根的BST

如果我们使用二分查找，找到新加入元素的位置，是否可行呢？答案是可行的，但是使用数组存储并不能很快更新。

• 使用高效率的树形二分查找，查找和插入效率很高，可以使用AVL、红黑树、B树等
• 但这里要求的是能快速取得中位数，普通的树形二分查找就不行了，不能通过下标快速找到。因此只能使用数组二分查找，但是插入效率又不高

根据上面的讨论，我们发现，如果能每次插入维护的一个二叉搜索树是一个完全二叉树，根附近就是中位数，并且插入操作只需要$O(logn)$的时间，那就太好了。

这样我们就可以思考，能不能实现这样的数据结构：

• 对于任何一段区间，满足根是中位数，且左子树小于根，根小于右子树的一个二叉搜索树
  • 我们规定偶数情况下，两个数小者作为根。如下图：
    

如果能实现这样的数据结构，就刚好和题目要求实现“数据结构”这一说法匹配了！
（我感觉是能实现的，但是时间问题，我就先不写了，有兴趣的同学可以自行研究）

3、优先队列

维护两个优先队列，一个存储比中位数小于的最大堆，一个存储比中位数大的最小堆（包括等于的，即最小堆里面的元素可能会比最大堆多一个）。那么我们就将数分为了两堆，很显然中位数能通过某种方式从两个优先队列队头取到。

并且很显然，维护这两个堆也很容易，当需要插入一个数时，我们只需要比较两个堆队头就可以选择插入的堆。并且为了维持两个堆队头是中位数

• 当元素数为偶数时，插入一个元素，如果插入到左边，则最后中位数会出现在左边，我们将其放入右边。如果插入到右边则直接结束
• 当元素数为奇数，插入一个元素，如果插入到左边则结束，如果插入到右边则右边多一个需要放一个放到左边。
• 不管怎么放，根据优先队列的性质，队头都是最值，即根据中位数将区间分为两段，通过优先队列快速进行维护，左右的边界值。

时间复杂度：$O(nlogn)$，一次插入时间复杂度$O(logn)$
空间复杂度：$O(n)$

class MedianFinder {
public:MedianFinder() {left.push(-0x3f3f3f3f);right.push(0x3f3f3f3f);}void addNum(int num) {++n;//先插入if(num >= right.top()){right.push(num);}else left.push(num);//再移动if(left.size() > right.size()){right.push(left.top());left.pop();}else{if(right.size() == left.size() + 2){left.push(right.top());right.pop();}}return;}double findMedian() {if(n & 1){//n & 1 == 1 即奇数return right.top();}return (left.top() + right.top()) / 2.0;}
private:priority_queue<int, vector<int>, less<int>> left;//左区间priority_queue<int, vector<int>, greater<int>> right;//右区间int n = 0;
};