參考
如果輸入乙個陣列，讓你求中位數，這個好辦，排個序，如果陣列長度是奇數，最中間的乙個元素就是中位數，如果陣列長度是偶數，最中間兩個元素的平均數作為中位數。
如果資料規模非常巨大，排序不太現實，那麼也可以使用概率演算法，隨機抽取一部分資料，排序，求中位數，近似作為所有資料的中位數。
本文說的中位數演算法比較困難，也比較精妙，是力扣第 295 題，要求你在資料流中計算中位數
addnum方法時間複雜度 o(logn)，findmedian方法時間複雜度 o(1)。
大頂堆和小頂堆合作解決。大頂堆的堆頂和小頂堆的堆頂的平均數就是我們要的中位數。
兩個堆需要演算法邏輯正確維護，才能保證堆頂元素是可以算出正確的中位數，我們很容易看出來，兩個堆中的元素之差不能超過 1。
依次加入到大頂堆和小頂堆裡，維護兩個堆數目相同，最終取平均數。
簡單說**，想要往large裡新增元素，不能直接新增，而是要先往small裡新增，然後再把small的堆頂元素加到large中；向small中新增元素同理。**
為什麼呢，稍加思考可以想明白，假設我們準備向large中插入元素：
如果插入的num小於small的堆頂元素，那麼num就會留在small堆裡，為了保證兩個堆的元素數量之差不大於 1，作為交換，把small堆頂部的元素再插到large堆裡。
如果插入的num大於small的堆頂元素，那麼num就會成為samll的堆頂元素，最後還是會被插入large堆中。
反之，向small中插入元素是乙個道理，這樣就巧妙地保證了large堆整體大於small堆，且兩個堆的元素之差不超過 1，那麼中位數就可以通過兩個堆的堆頂元素快速計算了。
優先佇列就是佇列不是先進先出，而是帶有優先順序，使用的也是heap來實現的。
heapq是python自帶的優先佇列的模組。注意預設最小堆，如果需要最大堆就加上負號。
堆結構分為大頂堆和小頂堆，在heapq中使用的是小頂堆：根節點小於等於孩子節點。
其實拿到堆頂並不需要heapq.nlargest(1, a)而是直接拿a[0]就可以了。確實是，本來就是堆頂，第0個。
heapq.nlargest(1, a)這個函式適用於不是堆的列表直接使用拿到最大或者最小~~相當於再排序了一遍qaq
python
import heapq
#向堆中插入元素，heapq會維護列表heap中的元素保持堆的性質
#heapq把列表x轉換成堆
heapq.heapify(x)
#從堆中刪除元素，返回值是堆中最小或者最大的元素
#從可迭代的迭代器中返回最大的n個數，可以指定比較的key------針對列表即可
heapq.nlargest(n, iterable[, key])
#從可迭代的迭代器中返回最小的n個數，可以指定比較的key
heapq.nsmallest(n, iterable[, key])
import heapq
nums =[14
,20,5
,28,1
,21,16
,22,17
,28]heapq.nlargest(
3, nums) 列表的前n大
# [28, 28, 22]
heapq.nsmallest(
3, nums) 列表的前n小
lambda定義匿名函式的語法，首先是lambda關鍵字，表示我們當下定義的是乙個匿名函式。之後跟的是這個匿名函式的引數，我們只用到乙個變數x，所以只需要寫乙個x。如果我們需要用到多個引數，通過逗號分隔，當然也可以不用引數。寫完引數之後，我們用冒號分開，冒號後面寫的是返回的結果。
square =
lambda x: x **
2print
(square(3)
)
資料流的中位數
如何得到乙個資料流中的中位數？如果從資料流中讀出奇數個數值，那麼中位數就是所有數值排序之後位於中間的數值。如果從資料流中讀出偶數個數值，那麼中位數就是所有數值排序之後中間兩個數的平均值。我們使用insert 方法讀取資料流，使用getmedian 方法獲取當前讀取資料的中位數。coding utf ...
資料流的中位數
資料流的中位數 中位數是有序列表中間的數。如果列表長度是偶數，中位數則是中間兩個數的平均值。例如，2,3,4 的中位數是 3 2,3 的中位數是 2 3 2 2.5 設計乙個支援以下兩種操作的資料結構 示例 addnum 1 addnum 2 findmedian 1.5 addnum 3 find...
資料流的中位數
問題定義 不斷有數字過來，問在當前所有數字中的中位數是多少 優先佇列 堆 我們可以用乙個大根堆和乙個小根堆分別維護乙個有序數，使得小根堆的所有數字都大於大根堆，這就要求小根堆的堆頂要大於等於大根堆的堆頂。為了求得中位數，我們需要小根堆和大根堆的數字個數相等或相差一。我們可以用優先佇列實現如下 pri...