双堆优于sorted list是因为插入和查询中位数均为o(log n)，而sorted list为o(n)；左堆用heapq存负值模拟最大堆，右堆用最小堆；需严格平衡两堆长度并注意符号翻转与空堆判断。
为什么不用 sorted list 而要双堆
因为每次插入后调用 sorted() 或维护 list 有序，平均时间复杂度是 O(n)，而双堆（一个最大堆模拟左半、一个最小堆模拟右半）能把插入和中位数查询都压到 O(log n)。Python 没有内置最大堆，得用 heapq 存负值来模拟，这点容易漏掉符号翻转。
如何用 heapq 构建左右两个堆
左堆存较小的一半，用最大堆（实际存 -x）；右堆存较大的一半，用最小堆（直接存 x）。关键约束是：len(right) == len(left) 或 len(right) == len(left) + 1，中位数就取右堆顶或左右堆顶均值。
实操建议：
- 初始化：用空
list建两个堆，left = []（存负值），right = []（存原值） - 插入逻辑：先 push 到
right，再把right[0]pop 出来 push 进left（取负），最后平衡大小——若len(left) > len(right)，就把-heapq.heappop(left)推回right - 别忘了每次操作后调用
heapq.heapify()？不需要——所有heappush/heappop自动维护堆序
getMedian() 怎么写才不出错
中位数取决于总长度奇偶性，但更稳的方式是只看堆长关系：
- 如果
len(right) > len(left)，返回right[0] - 如果相等，返回
(-left[0] + right[0]) / 2.0 - 永远不要假设
left非空——插入第一个数时left是空的，所以必须按上述条件分支，不能直接取left[0]
常见错误：忘记对 left[0] 取负，结果算出负中位数；或在插入时没做二次调整，导致两堆大小失衡，中位数偏移。
边界场景和性能注意点
双堆真正的坑不在主逻辑，而在初始化和极端输入：
- 插入
None或非数字会崩——加一层isinstance(x, (int, float))检查 - 大量重复数没问题，
heapq不要求唯一性 - 如果频繁查询中位数但插入少，其实用
SortedList（来自sortedcontainers）更直观；但题目明确要“快速查找中位数”且支持动态插入，双堆仍是标准解 - Python 的
heapq是 min-heap，想用 max-heap 必须手动取负——这个转换点在 push、pop、取顶三处都要同步，漏一处就全乱
最易被忽略的是：插入后没立刻 rebalance，比如先 push 到 left 再判断长度，会导致右堆空了还往里取 right[0] 报 IndexError。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
