Leetcode 295.数据流的中位数

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:

1. 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？
2. 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？

建立2个堆，一个是最小堆，一个是最大堆

import java.util.Comparator;
import java.util.PriorityQueue;


//方法类似与480题的sliding window median
 /*
     Use two Heaps to store numbers. maxHeap for numbers smaller than current
     * median, minHeap for numbers bigger than and equal to current median. A
     * small trick I used is always make size of minHeap equal (when there are
     * even numbers) or 1 element more (when there are odd numbers) than the
     * size of maxHeap
    */
public class MedianFinder {

    PriorityQueue<Integer> minHeap;//使minHeap中的个数等于或者比maxHeap多1，这样对于返回中位数操作就相对简单
    PriorityQueue<Integer> maxHeap;

    public MedianFinder() {
        this.minHeap = new PriorityQueue<>();
        this.maxHeap = new PriorityQueue<>(new Comparator<Integer>() {
            public int compare(Integer o1, Integer o2) {
                return o2.compareTo(o1);
            }
        });
    }

    public void addNum(int num) {
        if (num < findMedian())
            maxHeap.add(num);
        else
            minHeap.add(num);
        if (maxHeap.size() > minHeap.size())
            minHeap.add(maxHeap.poll());
        if (minHeap.size() - maxHeap.size() > 1)
            maxHeap.add(minHeap.poll());
    }

    public double findMedian() {
        if (minHeap.isEmpty() && maxHeap.isEmpty())
            return 0;
        if (minHeap.size() == maxHeap.size())
            return ((double) minHeap.peek() + (double) maxHeap.peek()) / 2.0;
        else
            return (double) minHeap.peek();
    }
}