我需要一种在Python中具有一些数据结构的算法，在给出两个新元素e1，e2时的每一步都是这样的：
此步骤必须在不超过对数时间内完成，因为当此步骤重复N次时，总体最坏情况时间复杂度不能远离O（NlogN）。
- 例如： my_list = [（2,1），（4,3），（5,7），（9,1）]
如我们所见，元素2与其赋值1配对，元素4与值3配对，5与值7配对，9与值1配对。并且my_list按第一个元素排序对
现在，给出了两个元素，e1 = 3，e2 = 6.
my_list中的插入位置（e1，）==（3，）是索引1，插入位置（6，）是索引3.
在索引1和3之间的my_list元素中找到的最大值是值7，因为（4,3），（5,7）的最大值是7.
想象一下，要添加的常数是1，我们得到：找到的最大值+常数== 7 + 1 == 8。 我们有e2 == 6，所以要插入的对是（6,8）在索引3。
在此步骤结束时，my_list必须是：[（2,1），（4,3），（5,7），（6,8），（9,1）]
- 这个question linked here非常相似，但我对插入元素的索引的问题不同。在那个问题中，元素被添加到末尾（附加），在我的情况下，插入必须以保持元素顺序的方式完成，以便在对数时间内找到下一个任意间隔的开始和结束。这就是为什么我认为除了使用范围最小查询之外，我还需要使用一些高级数据结构，如间隔树或treap。
答案 0 :(得分：1)
对于这种类型的工作，我通常使用增强的B +树。请参阅此处了解B +树的内容：https://en.wikipedia.org/wiki/B%2B_tree
从B +树开始，我会扩充所有内部节点，以便连同每个指向子节点的指针，它存储与以该子节点为根的子树中的所有键相关联的最大值。
额外的信息可以很容易地计算O（log N）中任何时间间隔的最大值，并且在插入，删除和修改树中的项目时很容易维护，而不会改变O（log N）复杂度那些行动。
对于内存中的B +树，每个节点最多8个密钥通常是高性能的。