给定一系列数据（它可能有重复数据），一个固定大小的移动窗口，在每次迭代时从数据序列的开头移动窗口，这样 （1）从窗口中删除最旧的数据元素，并将新的数据元素推入窗口 （2）在每次移动时找到窗口内数据的中位数。
这里窗口大小为7，我们称之为m。 m =窗口大小 n =序列中元素的数量，可以是1000或10000
Median for 4, 6, 99, 10, 90, 12, 17,1,21,32 : 12
Median for 6, 99, 10, 90, 12, 17, 1,21,32 : 12
Median for 99, 10, 90, 12, 17, 1, 21,32 : 17
Median for 10, 90, 12, 17, 1, 21, 32 : 17
我每次都借助于m个元素的Quicksort来实现这个东西，（中间三个作为支点）。但这需要很多时间。每次排序都需要。我应该按照提到的here
实现最小和最大堆解决方案Min-Max堆解决方案中的问题：
当新数据被推入窗口时，从其中一个堆中删除最旧的数据，并将新数据与max和min堆的顶部进行比较，以便确定哪个堆要放的数据。然后，找到中间值就像在第一次迭代中一样。
如何查找从堆中删除最旧的数据，我们如何维护它。根据给定的示例，第二时间4是最旧的元素，第三时间6是最旧的元素。我们如何从堆中删除它。
上述问题的后续问题，如何在堆中查找数据元素是一个问题。堆是二叉树而不是二叉搜索树。
任何帮助都将不胜感激。
编辑：我已经有输入数据，所以没有插入发生。只发生在固定大小的队列或窗口而不是实际的输入序列。
由于
答案 0 :(得分：0)
对于正在运行的数据中位数（移动窗口，其中发生插入和删除），使用单个二叉搜索树而不是移动窗口中元素的最小 - 最大堆可能更有用。 / p>
二叉搜索树也是一个订单统计树，存储以每个节点为根的子树的大小。
这棵树能够在O（log n）中进行插入，删除和中值计算。
在上面给出的例子中，每个操作都有时间复杂度O（log 7）。
答案 1 :(得分：0)
除了堆DS之外，还要保存一个指针（或引用）队列，其中队列中的每个元素都指向表示堆中相关条目的节点。
当您将窗口移动1：
时