欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

九章算法 | Google 面试题:滑动窗口的中位数

程序员文章站 2022-03-01 13:13:02
...

给定一个包含 n 个整数的数组,和一个大小为 k 的滑动窗口,从左到右在数组中滑动这个窗口,找到数组中每个窗口内的中位数。(如果数组个数是偶数,则在该窗口排序数字后,返回第 N/2 个数字。)

在线评测地址:LintCode 领扣

样例 1:

输入:
[1,2,7,8,5]
3
输出:
[2,7,7]

解释:
最初,窗口的数组是这样的:`[ | 1,2,7 | ,8,5]` , 返回中位数 `2`;
接着,窗口继续向前滑动一次。`[1, | 2,7,8 | ,5]`, 返回中位数 `7`;
接着,窗口继续向前滑动一次。`[1,2, | 7,8,5 | ]`, 返回中位数 `7`; 

样例 2:

输入:
[1,2,3,4,5,6,7]
4
输出:
[2,3,4,5]

解释:
最初,窗口数组是这样的:`[ | 1,2,3,4, | 5,6,7]` , 返回中位数 `2`;
接着,窗口向前滑动一次.`[1,| 2,3,4,5 | 6,7]`,返回中位数 `3`;
接着,窗口向前滑动一次.`[1,2, | 3,4,5,6 | 7 ]`, 返回中位数 `4`;
接着,窗口向前滑动一次`[1,2,3,| 4,5,6,7 ]`, 返回中位数 `5`; 

题解:

使用九章算法强化班中讲到的 HashHeap。即一个 Hash + Heap。 Hash 的 key 是 Heap 里的每个元素,值是这个元素在 Heap 中的下标。

要做这个题首先需要先做一下 Data Stream Median。这个题是只在一个集合中增加数,不删除数,然后不断的求中点。 Sliding Window Median,就是不断的增加数,删除数,然后求中点。比 Data Stream Median 难的地方就在于如何支持删除数。

因为 Data Stream Median 的方法是用 两个 Heap,一个 max heap,一个min heap。所以删除的话,就需要让 heap 也支持删除操作。 由于 Python 的 heapq 并不支持 logn 时间内的删除操作,因此只能自己实现一个 hash + heap 的方法。

总体时间复杂度 O(nlogk),n是元素个数,k 是 window 的大小。

public class Solution {
    /*
     * @param nums: A list of integers
     * @param k: An integer
     * @return: The median of the element inside the window at each moving
     */
    PriorityQueue<Integer> maxHeap, minHeap;
    public List<Integer> medianSlidingWindow(int[] A, int k) {
        // write your code here
        List<Integer> res = new ArrayList<Integer>();
        int n = A.length;
        if (n == 0) {
            return res;
        }
        
        maxHeap = new PriorityQueue<Integer>(n, Collections.reverseOrder());
        minHeap = new PriorityQueue<Integer>(n);
        
        int i;
        for (i = 0; i < n; ++i) {
            if (maxHeap.size() == 0 || A[i] <= maxHeap.peek()) {
                maxHeap.offer(A[i]);
            }
            else {
                minHeap.offer(A[i]);
            }
            
            balance();
            if (i - k >= 0) {
                if (A[i - k] > maxHeap.peek()) {
                    minHeap.remove(A[i - k]);
                }
                else {
                    maxHeap.remove(A[i - k]);
                }
            }
            
            balance();
            
            if (i >= k - 1) {
                res.add(maxHeap.peek());
            }
        }
        return res;
    }
    
    private void balance() {
        while (maxHeap.size() < minHeap.size()) {
            maxHeap.offer(minHeap.poll());
        }
        
        while (minHeap.size() < maxHeap.size() - 1) {
            minHeap.offer(maxHeap.poll());
        }
    }
} 

更多题解参考:九章算法