乐趣区

关于后端:面试高频题难度-355可进阶经典面试题附进阶两问答案

题目形容

这是 LeetCode 上的 295. 数据流的中位数 ,难度为 艰难

Tag :「优先队列(堆)」

中位数是有序列表两头的数。如果列表长度是偶数,中位数则是两头两个数的平均值。

例如,

  • [2,3,4] 的中位数是 $3$
  • [2,3] 的中位数是 $(2 + 3) / 2 = 2.5$

设计一个反对以下两种操作的数据结构:

  • void addNum(int num) – 从数据流中增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 $100$ 范畴内,你将如何优化你的算法?
  • 如果数据流中 99% 的整数都在 $0$ 到 $100$ 范畴内,你将如何优化你的算法?

优先队列(堆)

这是一道经典的数据结构使用题。

具体的,咱们能够应用两个优先队列(堆)来保护整个数据流数据,令保护数据流左半边数据的优先队列(堆)为 l,保护数据流右半边数据的优先队列(堆)为 r

显然,为了能够在 $O(1)$ 的复杂度内获得以后中位数,咱们该当令 l 为大根堆,r 为小根堆,并人为固定 lr 之前存在如下的大小关系

  • 当数据流元素数量为偶数:lr 大小雷同,此时动静中位数为两者堆顶元素的平均值;
  • 当数据流元素数量为奇数:lr 多一,此时动静中位数为 l 的堆顶原数。

为了满足上述说的奇偶性堆大小关系,在进行 addNum 时,咱们该当分状况解决:

  • 插入前两者大小雷同,阐明插入前数据流元素个数为偶数,插入后变为奇数。咱们冀望操作完达到「l 的数量为 r 多一,同时双堆维持有序」,进一步分状况探讨:

    • 如果 r 为空,阐明以后插入的是首个元素,间接增加到 l 即可;
    • 如果 r 不为空,且 num <= r.peek(),阐明 num 的插入地位不会在后半局部(不会在 r 中),间接加到 l 即可;
    • 如果 r 不为空,且 num > r.peek(),阐明 num 的插入地位在后半局部,此时将 r 的堆顶元素放到 l 中,再把 num 放到 r(相当于从 r 中置换一位进去放到 l 中)。
  • 插入前两者大小不同,阐明前数据流元素个数为奇数,插入后变为偶数。咱们冀望操作完达到「lr 数量相等,同时双堆维持有序」,进一步分状况探讨(此时 l 必然比 r 元素多一):

    • 如果 num >= l.peek(),阐明 num 的插入地位不会在前半部分(不会在 l 中),间接增加到 r 即可。
    • 如果 num < l.peek(),阐明 num 的插入地位在前半部分,此时将 l 的堆顶元素放到 r 中,再把 num 放入 l 中(相等于从 l 中替换一位进去当到 r 中)。

代码:

class MedianFinder {PriorityQueue<Integer> l = new PriorityQueue<>((a,b)->b-a);
    PriorityQueue<Integer> r = new PriorityQueue<>((a,b)->a-b);
    public void addNum(int num) {int s1 = l.size(), s2 = r.size();
        if (s1 == s2) {if (r.isEmpty() || num <= r.peek()) {l.add(num);
            } else {l.add(r.poll());
                r.add(num);
            }
        } else {if (l.peek() <= num) {r.add(num);
            } else {r.add(l.poll());
                l.add(num);
            }
        }
    }
    public double findMedian() {int s1 = l.size(), s2 = r.size();
        if (s1 == s2) {return (l.peek() + r.peek()) / 2.0;
        } else {return l.peek();
        }
    }
}
  • 工夫复杂度:addNum 函数的复杂度为 $O(\log{n})$;findMedian 函数的复杂度为 $O(1)$
  • 空间复杂度:$O(n)$

进阶

  • 如果数据流中所有整数都在 $0$ 到 $100$ 范畴内,你将如何优化你的算法?

能够应用建设长度为 $101$ 的桶,每个桶别离统计每个数的呈现次数,同时记录数据流中总的元素数量,每次查找中位数时,先计算出中位数是第几位,从前往后扫描所有的桶失去答案。

这种做法相比于对顶堆做法,计算量上没有劣势,更多的是空间上的优化。

对顶堆解法两个操作中耗时操作复杂度为 $O(\log{n})$,$\log$ 操作常数不会超过 $3$,在极限数据 $10^7$ 状况下计算量依然低于耗时操作复杂度为 $O(C)$($C$ 固定为 $101$)桶计数解法。

  • 如果数据流中 99% 的整数都在 $0$ 到 $100$ 范畴内,你将如何优化你的算法?

和上一问解法相似,对于 $1$% 采纳哨兵机制进行解决即可,在惯例的最小桶和最大桶两侧别离保护一个有序序列,即建设一个代表负无穷和正无穷的桶。

上述两个进阶问题的代码如下,但留神因为实在样例的数据分布不是进阶所形容的那样(不是绝大多数都在 $[0,100]$ 范畴内),所以会 TLE

代码:

class MedianFinder {TreeMap<Integer, Integer> head = new TreeMap<>(), tail = new TreeMap<>();
    int[] arr = new int[101];
    int a, b, c;
    public void addNum(int num) {if (num >= 0 && num <= 100) {arr[num]++;
            b++;
        } else if (num < 0) {head.put(num, head.getOrDefault(num, 0) + 1);
            a++;
        } else if (num > 100) {tail.put(num, tail.getOrDefault(num, 0) + 1);
            c++;
        }
    }
    public double findMedian() {
        int size = a + b + c;
        if (size % 2 == 0) return (find(size / 2) + find(size / 2 + 1)) / 2.0;
        return find(size / 2 + 1);
    }
    int find(int n) {if (n <= a) {for (int num : head.keySet()) {n -= head.get(num);
                if (n <= 0) return num; 
            }
        } else if (n <= a + b) {
            n -= a;
            for (int i = 0; i <= 100; i++) {n -= arr[i];
                if (n <= 0) return i;
            }
        } else {
            n -= a + b;
            for (int num : tail.keySet()) {n -= tail.get(num);
                if (n <= 0) return num;
            }
        }
        return -1; // never
    }
}

最初

这是咱们「刷穿 LeetCode」系列文章的第 No.295 篇,系列开始于 2021/01/01,截止于起始日 LeetCode 上共有 1916 道题目,局部是有锁题,咱们将先把所有不带锁的题目刷完。

在这个系列文章外面,除了解说解题思路以外,还会尽可能给出最为简洁的代码。如果波及通解还会相应的代码模板。

为了不便各位同学可能电脑上进行调试和提交代码,我建设了相干的仓库:https://github.com/SharingSou…。

在仓库地址里,你能够看到系列文章的题解链接、系列文章的相应代码、LeetCode 原题链接和其余优选题解。

更多更全更热门的「口试 / 面试」相干材料可拜访排版精美的 合集新基地 🎉🎉

本文由 mdnice 多平台公布

退出移动版