对顶堆算法：高效解决数据流与滑动窗口中位数问题

1. 数据流中位数问题解析

1.1 问题定义与核心挑战

中位数计算看似简单，但在数据流场景下却暗藏玄机。传统的中位数计算需要对数据进行排序，这在静态数据集中没有问题，但当数据以流的形式不断到来时，每次都重新排序显然效率太低。假设数据流中有n个数字，每次排序的时间复杂度是O(nlogn)，当n很大时（比如10^5量级），这样的操作完全不可接受。

这里的关键在于：我们需要一种数据结构，能够动态维护数据的有序性，同时支持快速查询中位数。这就是为什么对顶堆（Dual Heap）结构成为解决此类问题的黄金标准。

1.2 对顶堆的巧妙设计

对顶堆由两个堆组成：一个大根堆（small）和一个小根堆（big）。大根堆存储较小的一半数字，小根堆存储较大的一半数字。这种设计有以下几个精妙之处：

1. 堆的性质保证了大根堆的堆顶是较小一半数字中的最大值，小根堆的堆顶是较大一半数字中的最小值
2. 两个堆顶正好"相对"，形成了数据的中位数边界
3. 堆的插入和删除操作都是O(logn)时间复杂度，远优于排序的O(nlogn)

在实际实现时，我们需要特别注意保持两个堆的大小平衡。通常的做法是：

• 当总数为奇数时，让大根堆多存一个元素
• 当总数为偶数时，保持两个堆大小相等

这样设计的好处是：

• 奇数情况下，中位数直接就是大根堆的堆顶
• 偶数情况下，中位数是两个堆顶的平均值

1.3 实现细节与优化技巧

在LeetCode 295的实现中，我特别推荐使用第二种addNum方法（分类讨论法），原因如下：

1. 代码更简洁：通过统一处理size相等和不等的情况，减少了条件判断
2. 逻辑更清晰：无论num大小如何，都先放入一个堆，再通过pop和push调整
3. 性能更稳定：避免了多次比较操作，减少了分支预测失败的可能性

这里有个重要的编程技巧：当两个堆size相等时，我们先将num放入小根堆，再把小根堆的顶部移到大根堆。这样做的效果是：

• 保证了新加入的数字一定会经过大小比较
• 自动维持了堆的大小关系
• 避免了直接比较num和堆顶的开销

2. 滑动窗口中位数进阶问题

2.1 问题升级带来的挑战

滑动窗口中位数问题（LeetCode 480）在数据流中位数的基础上增加了两个难点：

1. 窗口滑动时需要删除最旧的元