假定从数据流中读取整数。查找所读元素的中位数, 以便高效地进行阅读。为了简单起见, 假设没有重复项。例如, 让我们考虑流5、15、1、3…
After reading 1st element of stream - 5 ->
median - 5
After reading 2nd element of stream - 5, 15 ->
median - 10
After reading 3rd element of stream - 5, 15, 1 ->
median - 5
After reading 4th element of stream - 5, 15, 1, 3 ->
median - 4, so on...明确地说, 当输入大小为奇数时, 我们采用排序数据的中间元素。如果输入大小为偶数, 则选择排序流中中间两个元素的平均值。
注意输出是有效中位数到目前为止从流中读取的整数。这种算法称为在线算法。任何可以保证输出的算法一世-处理后的元素一世-th元素, 据说是在线算法。让我们讨论上述问题的三种解决方案。
推荐：请在"实践首先, 在继续解决方案之前。
方法1：插入排序
如果我们可以对显示的数据进行排序, 则可以轻松地找到中值元素。插入排序是一种对迄今出现的数据进行排序的在线算法。在任何排序情况下, 例如排序后一世-第一个元素, 第一个一世数组的元素进行排序。在此之前, 插入排序并不依赖将来的数据来对输入的数据进行排序。换句话说, 插入排序考虑到插入下一个元素时到目前为止已排序的数据。这是使其成为在线算法的插入排序的关键部分。
但是, 插入排序需要O(n2)排序时间?元素。也许我们可以使用二进制搜索on插入排序在O(log n)时间中查找下一个元素的位置。但是, 我们无法在O(log n)时间内进行数据移动。无论实现的效率如何, 在插入排序的情况下都需要多项式时间。
有兴趣的读者可以尝试方法1的实现。
方法2：增强型自平衡二进制搜索树(AVL, RB等)
在BST的每个节点上, 维护以该节点为根的子树中的元素数量。我们可以将节点用作简单二叉树的根, 其左子节点是具有小于根的元素的自平衡BST, 右子节点是具有大于根的元素的自平衡BST。根元素始终成立有效中位数.
如果左右子树包含相同数量的元素, 则根节点将保存左右子树根数据的平均值。否则, root包含与具有更多元素的子树的根相同的数据。处理输入元素后, 左右子树(BST)的差异最大为1。
自平衡BST在管理BST的平衡因子方面成本很高。但是, 它们提供了我们不需要的排序数据。我们只需要中位数。下一种方法利用堆来跟踪中位数。
方法3：堆
与上述方法2中的BST平衡类似, 我们可以在左侧使用最大堆来表示小于有效中位数以及右侧的最小堆表示大于有效中位数.
处理传入的元素后, 堆中的元素数量最大相差1个元素。当两个堆包含相同数量的元素时, 我们选择堆根数据的平均值作为有效中位数。当堆不平衡时, 我们选择有效中位数从包含更多元素的堆的根开始。
【算法题（整数流中的中位数(运行的整数)）】下面给出上述方法的实现。有关构建这些堆的算法, 请阅读突出显示的代码。
#include <
iostream>
using namespace std;
//Heap capacity
#define MAX_HEAP_SIZE (128)
#define ARRAY_SIZE(a) sizeof(a)/sizeof(a[0])////Utility functions//exchange a and b
inline
void Exch( int &
a, int &
b)
{
int aux = a;
a = b;
b = aux;
}//Greater and Smaller are used as comparators
bool Greater( int a, int b)
{
return a>
b;
}bool Smaller( int a, int b)
{
return a <
b;
}int Average( int a, int b)
{
return (a + b) /2;
}//Signum function
//= 0if a == b- heaps are balanced
//= -1 if a <
b- left contains less elements than right
//= 1if a>
b- left contains more elements than right
int Signum( int a, int b)
{
if ( a == b )
return 0;
return a <
b ? -1 : 1;
}//Heap implementation
//The functionality is embedded into
//Heap abstract class to avoid code duplication
class Heap
{
public :
//Initializes heap array and comparator required
//in heapification
Heap( int *b, bool (*c)( int , int )) : A(b), comp(c)
{
heapSize = -1;
}//Frees up dynamic memory
virtual ~Heap()
{
if ( A )
{
delete [] A;
}
}//We need only these four interfaces of Heap ADT
virtual bool Insert( int e) = 0;
virtual intGetTop() = 0;
virtual intExtractTop() = 0;
virtual intGetCount() = 0;
protected ://We are also using location 0 of array
int left( int i)
{
return 2 * i + 1;
}int right( int i)
{
return 2 * (i + 1);
}int parent( int i)
{
if ( i <
= 0 )
{
return -1;
}return (i - 1)/2;
}//Heap array
int*A;
//Comparator
bool(*comp)( int , int );
//Heap size
intheapSize;
//Returns top element of heap data structure
int top( void )
{
int max = -1;
if ( heapSize>
= 0 )
{
max = A[0];
}return max;
}//Returns number of elements in heap
int count()
{
return heapSize + 1;
}//Heapification
//Note that, for the current median tracing problem
//we need to heapify only towards root, always
void heapify( int i)
{
int p = parent(i);
//comp - differentiate MaxHeap and MinHeap
//percolates up
if ( p>
= 0 &
&
comp(A[i], A
) )
{
Exch(A[i], A
);
heapify(p);
}
}//Deletes root of heap
int deleteTop()
{
int del = -1;
if ( heapSize>
-1)
{
del = A[0];
Exch(A[0], A[heapSize]);
heapSize--;
heapify(parent(heapSize+1));
}return del;
}//Helper to insert key into Heap
bool insertHelper( int key)
{
bool ret = false ;
if ( heapSize <
MAX_HEAP_SIZE )
{
ret = true ;
heapSize++;
A[heapSize] = key;
heapify(heapSize);
}return ret;
}
};
//Specilization of Heap to define MaxHeap
class MaxHeap : public Heap
{
private :public :
MaxHeap() : Heap( new int [MAX_HEAP_SIZE], &
Greater){}~MaxHeap(){ }//Wrapper to return root of Max Heap
int GetTop()
{
return top();
}//Wrapper to delete and return root of Max Heap
int ExtractTop()
{
return deleteTop();
}//Wrapper to return # elements of Max Heap
intGetCount()
{
return count();
}//Wrapper to insert into Max Heap
bool Insert( int key)
{
return insertHelper(key);
}
};
//Specilization of Heap to define MinHeap
class MinHeap : public Heap
{
private :public :MinHeap() : Heap( new int [MAX_HEAP_SIZE], &
Smaller) { }~MinHeap() { }//Wrapper to return root of Min Heap
int GetTop()
{
return top();
}//Wrapper to delete and return root of Min Heap
int ExtractTop()
{
return deleteTop();
}//Wrapper to return # elements of Min Heap
intGetCount()
{
return count();
}//Wrapper to insert into Min Heap
bool Insert( int key)
{
return insertHelper(key);
}
};
//Function implementing algorithm to find median so far.
int getMedian( int e, int &
m, Heap &
l, Heap &
r)
{
//Are heaps balanced? If yes, sig will be 0
int sig = Signum(l.GetCount(), r.GetCount());
switch (sig)
{
case 1: //There are more elements in left (max) heapif ( e <
m ) //current element fits in left (max) heap
{
//Remore top element from left heap and
//insert into right heap
r.Insert(l.ExtractTop());
//current element fits in left (max) heap
l.Insert(e);
}
else
{
//current element fits in right (min) heap
r.Insert(e);
}//Both heaps are balanced
m = Average(l.GetTop(), r.GetTop());
break ;
case 0: //The left and right heaps contain same number of elementsif ( e <
m ) //current element fits in left (max) heap
{
l.Insert(e);
m = l.GetTop();
}
else
{
//current element fits in right (min) heap
r.Insert(e);
m = r.GetTop();
}break ;
case -1: //There are more elements in right (min) heapif ( e <
m ) //current element fits in left (max) heap
{
l.Insert(e);
}
else
{
//Remove top element from right heap and
//insert into left heap
l.Insert(r.ExtractTop());
//current element fits in right (min) heap
r.Insert(e);
}//Both heaps are balanced
m = Average(l.GetTop(), r.GetTop());
break ;
}//No need to return, m already updated
return m;
}void printMedian( int A[], int size)
{
int m = 0;
//effective median
Heap *left= new MaxHeap();
Heap *right = new MinHeap();
for ( int i = 0;
i <
size;
i++)
{
m = getMedian(A[i], m, *left, *right);
cout <
<
m <
<
endl;
}//C++ more flexible, ensure no leaks
delete left;
delete right;
}
//Driver code
int main()
{
int A[] = {5, 15, 1, 3, 2, 8, 7, 9, 10, 6, 11, 4};
int size = ARRAY_SIZE(A);
//In lieu of A, we can also use data read from a stream
printMedian(A, size);
return 0;
}时间复杂度：如果我们省略读取流的方式, 则中值查找的复杂度为O(NLogN), 因为我们需要读取流, 并且由于堆的插入/删除。
乍一看, 上面的代码可能看起来很复杂。如果仔细阅读代码, 这是简单的算法。
使用STL的运行整数流的中位数
如果发现任何不正确的地方, 或者想分享有关上述主题的更多信息, 请写评论。
推荐阅读
- Python sorted()检查两个字符串是否为字谜
- 算法题（大于Y且数字总和等于X的最小数字）
- JavaScript数学对象Math完整参考
- 如何使用Python在OpenCV中读取图像（代码实现）
- CSS如何使用3D变换（代码示例）
- 在只允许使用2位数字(4和7)的序列中查找第n个元素|S2 (log(n)方法)
- Western Digital面向经验分享| FTE招聘校园
- 如何从给定的C/C++程序中删除注释（）
- Android Intent实现界面跳转切换，随时记录一下