7种常见排序算法总结

电玩女神 2023-09-23 14:57 157阅读 0赞

7种常见排序算法总结  
排序算法总结  
常见算法时间复杂度比较  
冒泡排序  
简介与工作原理：  
简介：是一种简单的排序算法。它重复地遍历要排序的数列，一次比较两个元素，如果他们的顺序错误就把他们交换过来。遍历数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。

从第一个元素开始，与相邻的元素进行比较，如果比较结果是升序的，就把这两个元素进行互换 从第一对到最后一对进行比较，对每一对相邻元素重复进行此操作，做完这个操作后，最后一个元素是最大的元素 针对所以的元素再重复以上步骤 持续对越来越少的元素进行以上的步骤，直到没有任何一对数据需要比较为止。  
代码实现  
\#!/usr/local/bin/python  
2 \# 冒泡排序  
3 def bubb\_sort(list):  
4 L=len(list)  
5 for j in range(L,0,-1):  
6 for i in range(j-1):  
7 if list\[i\]>list\[i+1\]:  
8 list\[i\],list\[i+1\]=list\[i+1\],list\[i\]  
9 return list  
10 def main():  
11 l=\[1,3,4,8,3\]  
12 print(bubb\_sort(l))  
13 main()  
选择排序  
选择排序（Selection sort）是一种简单直观的排序算法。它的工作原理如下。首先在未排序序列中找到最小（大）元素，存放到排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾。以此类推，直到所有元素均排序完毕。 选择排序的主要优点与数据移动有关。如果某个元素位于正确的最终位置上，则它不会被移动。选择排序每次交换一对元素，它们当中至少有一个将被移到其最终位置上，因此对n个元素的表进行排序总共进行至多n-1次交换。在所有的完全依靠交换去移动元素的排序方法中，选择排序属于非常好的一种  
def selection\_sort(alist):  
n = len(alist)  
\# 需要进行n-1次选择操作  
for i in range(n-1):  
\# 记录最小位置  
min\_index = i  
\# 从i+1位置到末尾选择出最小数据  
for j in range(i+1, n):  
if alist\[j\] < alist\[min\_index\]:  
min\_index = j  
\# 如果选择出的数据不在正确位置，进行交换  
if min\_index != i:  
alist\[i\], alist\[min\_index\] = alist\[min\_index\], alist\[i\]

alist = \[54,226,93,17,77,31,44,55,20\]  
selection\_sort(alist)  
print(alist)  
最优时间复杂度：O(n2) 最坏时间复杂度：O(n2) 稳定性：不稳定（考虑升序每次选择最大的情况  
插入排序  
插入排序（英语：Insertion Sort）是一种简单直观的排序算法。它的工作原理是通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入。插入排序在实现上，在从后向前扫描过程中，需要反复把已排序元素逐步向后挪位，为最新元素提供插入空间

def insert\_sort(alist):  
\# 从第二个位置，即下标为1的元素开始向前插入  
for i in range(1, len(alist)):  
\# 从第i个元素开始向前比较，如果小于前一个元素，交换位置  
for j in range(i, 0, -1):  
if alist\[j\] < alist\[j-1\]:  
alist\[j\], alist\[j-1\] = alist\[j-1\], alist\[j\]  
alist = \[54,26,93,17,77,31,44,55,20\]  
insert\_sort(alist)  
print(alist)  
最优时间复杂度：O(n) （升序排列，序列已经处于升序状态） 最坏时间复杂度：O(n2) 稳定性：稳定

快速排序  
快速排序（英语：Quicksort），又称划分交换排序（partition-exchange sort），通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。

步骤为：

从数列中挑出一个元素，称为"基准"（pivot）， 重新排序数列，所有元素比基准值小的摆放在基准前面，所有元素比基准值大的摆在基准的后面（相同的数可以到任一边）。在这个 分区结束之后，该基准就处于数列的中间位置。这个称为分区（partition）操作。 递归地（recursive）把小于基准值元素的子数列和大于基准值元素的子数列排序。 递归的最底部情形，是数列的大小是零或一，也就是永远都已经被排序好了。虽然一直递归下去，但是这个算法总会结束，因为在每次的迭代（iteration）中，它至少会把一个元素摆到它最后的位置去。  
def quick\_sort(alist, start, end):  
“”“快速排序”“”

# 递归的退出条件
    if start >= end:
        return
    
    # 设定起始元素为要寻找位置的基准元素
    mid = alist[start]
    
    # low为序列左边的由左向右移动的游标
    low = start
    
    # high为序列右边的由右向左移动的游标
    high = end
    
    while low < high:
        # 如果low与high未重合，high指向的元素不比基准元素小，则high向左移动
        while low < high and alist[high] >= mid:
            high -= 1
        # 将high指向的元素放到low的位置上
        alist[low] = alist[high]
    
        # 如果low与high未重合，low指向的元素比基准元素小，则low向右移动
        while low < high and alist[low] < mid:
            low += 1
        # 将low指向的元素放到high的位置上
        alist[high] = alist[low]
    
    # 退出循环后，low与high重合，此时所指位置为基准元素的正确位置
    # 将基准元素放到该位置
    alist[low] = mid
    
    # 对基准元素左边的子序列进行快速排序
    quick_sort(alist, start, low-1)
    
    # 对基准元素右边的子序列进行快速排序
    quick_sort(alist, low+1, end)

alist = \[54,26,93,17,77,31,44,55,20\]  
quick\_sort(alist,0,len(alist)-1)  
print(alist)  
最优时间复杂度：O(nlogn) 最坏时间复杂度：O(n2) 稳定性：不稳定  
从一开始快速排序平均需要花费O(n log n)时间的描述并不明显。但是不难观察到的是分区运算，数组的元素都会在每次循环中走访过一次，使用O(n)的时间。在使用结合(concatenation）的版本中，这项运算也是O(n)。

在最好的情况，每次我们运行一次分区，我们会把一个数列分为两个几近相等的片段。这个意思就是每次递归调用处理一半大小的数列。因此，在到达大小为一的数列前，我们只要作log n次嵌套的调用。这个意思就是调用树的深度是O(log n)。但是在同一层次结构的两个程序调用中，不会处理到原来数列的相同部分；因此，程序调用的每一层次结构总共全部仅需要O(n)的时间（每个调用有某些共同的额外耗费，但是因为在每一层次结构仅仅只有O(n)个调用，这些被归纳在O(n)系数中）。结果是这个算法仅需使用O(n log n)时间。

希尔排序  
原理：希尔排序(Shell Sort)是插入排序的一种。也称缩小增量排序，是直接插入排序算法的一种更高效的改进版本。希尔排序是非稳定排序算法。该方法因DL．Shell于1959年提出而得名。 希尔排序是把记录按下标的一定增量分组，对每组使用直接插入排序算法排序；随着增量逐渐减少，每组包含的关键词越来越多，当增量减至1时，整个文件恰被分成一组，算法便终止。 希尔排序的基本思想是：将数组列在一个表中并对列分别进行插入排序，重复这过程，不过每次用更长的列（步长更长了，列数更少了）来进行。最后整个表就只有一列了。将数组转换至表是为了更好地理解这算法，算法本身还是使用数组进行排序。 例如，假设有这样一组数\[ 13 14 94 33 82 25 59 94 65 23 45 27 73 25 39 10 \]，如果我们以步长为5开始进行排序，我们可以通过将这列表放在有5列的表中来更好地描述算法，这样他们就应该看起来是这样(竖着的元素是步长组成)：  
13 14 94 33 82  
25 59 94 65 23  
45 27 73 25 39  
10  
然后我们对每列进行排序：

10 14 73 25 23  
13 27 94 33 39  
25 59 94 65 82  
45  
将上述四行数字，依序接在一起时我们得到：\[ 10 14 73 25 23 13 27 94 33 39 25 59 94 65 82 45 \]。这时10已经移至正确位置了，然后再以3为步长进行排序：

10 14 73  
25 23 13  
27 94 33  
39 25 59  
94 65 82  
45  
排序之后变为：

10 14 13  
25 23 33  
27 25 59  
39 65 73  
45 94 82  
94  
最后以1步长进行排序（此时就是简单的插入排序了） 代码：

def shell\_sort(alist):  
n = len(alist)  
\# 初始步长  
gap = n / 2  
while gap > 0:  
\# 按步长进行插入排序  
for i in range(gap, n):  
j = i  
\# 插入排序  
while j>=gap and alist\[j-gap\] > alist\[j\]:  
alist\[j-gap\], alist\[j\] = alist\[j\], alist\[j-gap\]  
j -= gap  
\# 得到新的步长  
gap = gap / 2

alist = \[54,26,93,17,77,31,44,55,20\]  
shell\_sort(alist)  
print(alist)  
最优时间复杂度：根据步长序列的不同而不同 最坏时间复杂度：O(n2) 稳定想：不稳定

归并排序  
描述：归并排序是分而治之思想的排序算法，归并排序的思想就是先递归分解数组，再合并数组。 步骤：将数组分解最小之后，然后合并两个有序数组，基本思路是比较两个数组的最前面的数，谁小就先取谁，取了后相应的指针就往后移一位。然后再比较，直至一个数组为空，最后把另一个数组的剩余部分复制过来即可。  
def merge\_sort(alist):  
if len(alist) <= 1:  
return alist  
\# 二分分解  
num = len(alist)/2  
left = merge\_sort(alist\[:num\])  
right = merge\_sort(alist\[num:\])  
\# 合并  
return merge(left,right)

def merge(left, right):  
\# 合并操作，将两个有序数组left\[\]和right\[\]  
\# 合并成一个大的有序数组  
\#left与right的下标指针  
l, r = 0, 0  
result = \[\]  
while l<len(left) and r<len(right):  
if left\[l\] < right\[r\]:  
result.append(left\[l\])  
l += 1  
else:  
result.append(right\[r\])  
r += 1  
result += left\[l:\]  
result += right\[r:\]  
return result

alist = \[54,26,93,17,77,31,44,55,20\]  
sorted\_alist = mergeSort(alist)  
print(sorted\_alist)  
最优时间复杂度：O(nlogn) 最坏时间复杂度：O(nlogn) 稳定性：稳定  
堆排序  
编写堆化的函数heapify  
从底往上建堆buildheap  
进行排序，堆中最后一个元素与堆顶元素互换，弹出最后一个元素（这里通过控制数组长度实现）重新进行。互换后再重新对堆顶元素进行重新堆化。  
class Solution:  
def sortArray(self, nums: List\[int\]) -> List\[int\]:

def heapify(tree, i, n):
            if i >= n:
                return
            left = 2*i+1
            right = 2*i+2
            maxval = i
            if left<n and tree[maxval] < tree[left]:
                maxval = left
            if right<n and tree[maxval] < tree[right]:
                maxval = right
            if maxval != i:
                tree[maxval], tree[i] = tree[i], tree[maxval]
                heapify(tree, maxval, n)
        
        def buildheap(tree):
            n = len(tree)
            lastnode = n-1
            parent = (lastnode-1)//2
            for i in range(parent, -1, -1):
                heapify(tree, i, n)
        
        buildheap(nums)
        length = len(nums)
        for i in range(length-1, 0, -1):
            nums[i], nums[0] = nums[0], nums[i]
            heapify(nums, 0, i)
        return nums