《算法进阶50讲》中位数

Posted 2022-04-28 英雄哪里出来

文章目录

• • 前言
  • 一、概念
  • • 1、奇数
    • 2、偶数
  • 二、数据流中位数
  • • 1、问题描述
    • 2、算法思路
    • 3、时间复杂度
    • 4、源码分析
  • 三、滑动窗口中位数
  • • 1、问题描述
    • 2、算法思路
    • 3、时间复杂度
    • 4、源码分析
  • 四、课后习题

前言

一、概念

    什么是中位数？对于一个序列，中位数就是所有数值排序之后位于中间的数值。如果总共有偶数个数，那么中位数就是所有数排序之后中间两个数的平均值。

1、奇数

    如下图所示，这五个数排序以后，位于中的数是 4，所以中位数就是 4。

2、偶数

    对于偶数的情况，排序以后，中间两个数是 4 和 7，所以中位数就是 $\frac{4+7}{2}=5.500000$。

二、数据流中位数

    前置算法：《画解数据结构》画解二叉堆

1、问题描述

    设计一种容器，支持两种操作：
    void addNum(int num)- 从当前容器中添加一个整数。
    double findMedian()- 返回目前容器的中位数。
最多会对 addNum、findMedian进行 $10^5$ 次调用。

2、算法思路

    $(1)$ 准备两个堆，一个大顶堆，一个小顶堆。小顶堆中所有元素都是大于等于大顶堆的元素的。
    $(2)$ 如果能够保证两个堆元素的个数始终相差不超过 1，则可以在 $O(1)$ 的时间内快速得到整个序列的中位数；
    $(3)$ 如果总的元素个数是偶数，则为两个堆顶元素相加之和的平均数；如果总的元素个数是奇数，则为元素多的那个堆的堆顶，举个例子：

小顶堆元素	大顶堆元素
9 8 7	5 4 3 2
9 8 7	5 4 3
9 8 7 5	4 3 2

    $(4)$ 那么，进行元素插入呢？我们发现，小顶堆的元素是数组大的那一半，大顶堆的元素是数组小的那一半，所以我们可以根据它和小顶堆堆顶的元素大小，来选择插入哪个堆。假设插入的数为 $x$，小顶堆堆顶的元素为 $t$，则：
        $(4.1)$ $x\ge t$， 直接插入小顶堆；
        $(4.2)$ $x<t$，直接插入大顶堆；
    插入完毕，有可能导致两个堆的数量差值超过 1，于是需要进行调整操作；
    $(5)$ 如果 小顶堆数量 < 大顶堆数量 - 1，则弹出大顶堆元素，放入小顶堆；反之，则将小顶堆元素弹出，放入大顶堆；

3、时间复杂度

    $(1)$ 插入：由于任何时候，在插入之前，两个堆的数据量差值不超过 1，所以插入以后必然不会超过 2，最多进行一次调整，一次调整的时间复杂度为 $O(lo{g}_{2}n)$。
    $(2)$ 查找：由于每次查找就是找两个堆的堆顶，所以时间复杂度为 $O(1)$。

4、源码分析

class MedianFinder 
    priority_queue<int, vector<int>, greater<> > minHeap;
    priority_queue<int, vector<int>, less<> > maxHeap;
public:
    MedianFinder()                              // (1)
        while(!minHeap.empty()) minHeap.pop();
        while(!maxHeap.empty()) maxHeap.pop();
    

    void balanceHeap()                          // (2)
        int minSize = minHeap.size();
        int maxSize = maxHeap.size();
        if(minSize - maxSize < -1) 
            minHeap.push( maxHeap.top() );
            maxHeap.pop();
        else if(minSize - maxSize > 1) 
            maxHeap.push( minHeap.top() );
            minHeap.pop();
        
    

    void addHeap(int num)                       // (3)
        if(minHeap.empty()) 
            minHeap.push(num);
            return ;
        
        if(num >= minHeap.top()) 
            minHeap.push(num);
        else 
            maxHeap.push(num);
        
    
    
    void addNum(int num)                         // (4)
        addHeap(num);
        balanceHeap();
    
    
    double findMedian()                          // (5)
        int minSize = minHeap.size();
        int maxSize = maxHeap.size();
        if(minSize + maxSize == 0) 
            return 0;
        
        if(minSize > maxSize) 
            return minHeap.top();    
        else if(minSize < maxSize) 
            return maxHeap.top();
        
        return ( minHeap.top() + maxHeap.top() ) / 2.0;
    
;

  $(1)$ 初始化 大顶堆 和 小顶堆；
  $(2)$ void balanceHeap()用于对两个堆进行平衡操作；
  $(3)$ addHeap(int num)用于根据数据的大小关系，决定插入大顶堆还是小顶堆；
  $(4)$ 实现插入API（插入 + 平衡）；
  $(5)$ 用 $O(1)$ 的时间复杂度计算中位数；

三、滑动窗口中位数

    前置算法：
        $(1)$ 哈希表
        $(2)$ 离散化
        $(3)$ 二分枚举
        $(4)$ 前缀和
        $(5)$ 树状数组

1、问题描述

    给你一个数组 nums，有一个长度为 $k$ 的窗口从最左端滑动到最右端。窗口中有 $k$ 个数，每次窗口向右移动 1 位。找出每次窗口移动后得到的新窗口中元素的中位数，并输出由它们组成的数组。

2、算法思路

    $(1)$ 我们先把前 $k$ 个数丢到一个容器中；
    $(2)$ 如果 $k$ 为奇数，则就是求这个容器的第 $\frac{k+1}{2}$ 大的数；如果 $k$ 为偶数，则就是求这个容器的第 $\frac{k}{2}$ 大的数 和 $\frac{k}{2}+1$ 大的数的平均值；
    $(3)$ 然后，窗口滑动一格，其实就是从容器中删除一个元素、加入另一个元素。
    $(4)$ 于是，我们需要提供一种容器，能够支持以下三种操作：
        $(4.1)$ 插入；
        $(4.2)$ 删除；
        $(4.3)$ 查询 $k$ 大数；
    $(5)$ 这个 $k$ 大数的容器，我们可以采用树状数组来实现，利用 二分枚举答案 + 树状数组的求和 通过 $O(lo{g}_2^{2}n)$ 的时间复杂度快速找到第 $k$ 大的数。

3、时间复杂度

    $(1)$ 插入：$O(lo{g}_{2}n)$
    $(2)$ 删除：$O(lo{g}_{2}n)$
    $(3)$ 求 $k$ 大数：$O(lo{g}_2^{2}n)$

4、源码分析

class Solution 
    vector<int> bin;
    unordered_map<int, int> value2Index;
    int c[300000];

    void discritizen(vector<int>& nums)            // (1)
        int i;
        bin.clear();
        for(i = 0; i < nums.size(); ++i)         
            bin.push_back(nums[i]);
        
        sort(bin.begin(), bin.end());              // (1.1)
        bin.erase( unique(bin.begin(), bin.end()), bin.end() ); // (1.2)

        value2Index.clear();
        for(i = 0; i < bin.size(); ++i)           // (1.3)
            value2Index[ bin[i] ] = i + 1;
        
    

    // 根据 x 的值，返回需要操作数组对应下标
    int getIndex(int x)                           // (2)
        return value2Index[x];
    

    int getValue(int index)                       // (3)
        return bin[ index-1 ];
    

    int getMaxIndex() 
        return bin.size();
    

    int lowbit(int x) 
        return x & -x;
    
    
    void add(int x, int n, int v)                  // (4)
        while(x <= n) 
            c[x] += v;
            x += lowbit(x);
        
    

    int sum(int x)                                 // (5)
        int s = 0;
        while(x) 
            s += c[x];
            x -= lowbit(x);
        
        return s;
    

    int getkth(int K)                              // (6)
        int l = 1, r 以上是关于《算法进阶50讲》中位数的主要内容，如果未能解决你的问题，请参考以下文章
 
 左神算法进阶班1_5BFPRT算法
 英雄哪里出来一文带你吃透算法
 英雄哪里出来一文带你吃透算法
 《算法零基础100讲》(第32讲) 多维枚举 - 进阶
 《算法零基础100讲》(第56讲) 哈希表进阶
 《算法零基础100讲》(第36讲) 排序进阶 - 归并排序