目录
多种排序的平均时间复杂度如下:
1.冒泡排序
算法步骤
2.插入排序
算法步骤:
3.选择排序
算法步骤:
4.希尔排序
算法步骤
5.归并排序
算法步骤
6.快速排序
算法步骤:
7.堆排序
算法步骤
8.计数排序
算法步骤:
9.桶排序
10.基数排序
算法步骤:
关于对---基数排序 vs 计数排序 vs 桶排序的比较:
排序算法可以分为内部排序和外部排序,内部排序是数据记录在内存中进行排序, 而外部排序是因排序的数据很大,一次不能容纳全部的排序记录,在排序过程中需要访问外存。 常见的内部排序算法有:插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序等。
平方阶 (O(n2)) 排序 各类简单排序:直接插入、直接选择和冒泡排序。
线性对数阶 (O(nlog2n)) 排序 快速排序、堆排序和归并排序。
O(n1+§)) 排序,§ 是介于 0 和 1 之间的常数。 希尔排序。
线性阶 (O(n)) 排序 基数排序,此外还有桶、箱排序。
排序算法 | 平均时间复杂度 |
---|---|
冒泡排序 | O(n2) |
选择排序 | O(n2) |
插入排序 | O(n2) |
希尔排序 | O(n1.5) |
快速排序 | O(N*logN) |
归并排序 | O(N*logN) |
堆排序 | O(N*logN) |
基数排序 | O(d(n+r)) |
时间复杂度为O(n2)
比较相邻的元素。如果第一个比第二个大,就交换他们两个。
对每一对相邻元素作同样的工作,从开始第一对到结尾的最后一对。这步做完后,最后的元素会是最大的数。
针对所有的元素重复以上的步骤,除了最后一个。
持续每次对越来越少的元素重复上面的步骤,直到没有任何一对数字需要比较!
演示动画:
python代码实现:
arr0 = [3,44,38,5,47,15,36,26,27,44,46,4,19,50,48]
#冒泡排序
def bubbleSort(arr):for i in range(1,len(arr)):for j in range(0,len(arr)-i):if arr[j]>arr[j+1]:arr[j], arr[j+1] = arr[j+1], arr[j]return arr
arr1 = bubbleSort(arr0)
print("冒泡排序 arr1 =",arr1)
将第一待排序序列第一个元素看做一个有序序列,把第二个元素到最后一个元素当成是未排序序列。
从头到尾依次扫描未排序序列,将扫描到的每个元素插入有序序列的适当位置。
如果待插入的元素与有序序列中的某个元素相等,则将待插入元素插入到相等元素的后面。
算法演示动画:
Python实现代码:
arr0 = [3,44,38,5,47,15,36,26,27,44,46,4,19,50,48]
def insertionSort(arr):for i in range(len(arr)):preIndex = i-1current = arr[i]while preIndex >= 0 and arr[preIndex] > current:arr[preIndex+1] = arr[preIndex]preIndex-=1arr[preIndex+1] = currentreturn arr
arr2 = insertionSort(arr0)
print("插入排序 arr2 =",arr2)
时间复杂度为O(n2)
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。
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。
重复第二步,直到所有元素均排序完毕。
算法动画实现:
python代码实现:
平均时间复杂度:O(n1.5) 希尔排序,也称递减增量排序算法,是插入排序的一种更高效的改进版本。但希尔排序是非稳定排序算法。 希尔排序是基于插入排序的以下两点性质而提出改进方法的: 插入排序在对几乎已经排好序的数据操作时,效率高,即可以达到线性排序的效率; 但插入排序一般来说是低效的,因为插入排序每次只能将数据移动一位; 希尔排序的基本思想是:先将整个待排序的记录序列分割成为若干子序列分别进行直接插入排序,待整个序列中的记录"基本有序"时,再对全体记录进行依次直接插入排序。 选择一个增量序列 t1,t2,……,tk,其中 ti > tj, tk = 1; 按增量序列个数 k,对序列进行 k 趟排序; 每趟排序,根据对应的增量 ti,将待排序列分割成若干长度为 m 的子序列,分别对各子表进行直接插入排序。仅增量因子为 1 时,整个序列作为一个表来处理,表长度即为整个序列的长度。 算法动画实现: 代码实现: 平均时间复杂度:O(N*logN) 归并排序是一种非常典型的 “分而治之+迭代” 思想的排序方法! 作为一种典型的分而治之思想的算法应用,归并排序的实现由两种方法: 自上而下的递归(所有递归的方法都可以用迭代重写,所以就有了第 2 种方法); 自下而上的迭代; 申请空间,使其大小为两个已经排序序列之和,该空间用来存放合并后的序列; 设定两个指针,最初位置分别为两个已经排序序列的起始位置; 比较两个指针所指向的元素,选择相对小的元素放入到合并空间,并移动指针到下一位置; 重复步骤 3 直到某一指针达到序列尾; 将另一序列剩下的所有元素直接复制到合并序列尾。 算法动画演示: python实现代码: 平均时间复杂度:O(N*logN) 快速排序在平均状况下,排序 n 个项目要 Ο(nlogn) 次比较。在最坏状况下则需要 Ο(n2) 次比较,但这种状况并不常见。事实上,快速排序通常明显比其他 Ο(nlogn) 算法更快,因为它的内部循环(inner loop)可以在大部分的架构上很有效率地被实现出来。 快速排序使用分治法(Divide and conquer)策略来把一个串行(list)分为两个子串行(sub-lists)。 快速排序又是一种分而治之思想在排序算法上的典型应用。本质上来看,快速排序应该算是在冒泡排序基础上的递归分治法。 快速排序的名字起的是简单粗暴,因为一听到这个名字你就知道它存在的意义,就是快,而且效率高!它是处理大数据最快的排序算法之一了。虽然最坏的条件下的时间复杂度达到了 O(n²),但是在大多数情况下都比平均时间复杂度为 O(n logn) 的排序算法表现要更好! 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)。在这个分区退出之后,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; 算法动画演示: python代码如下: 平均时间复杂度:O(N*logN) 堆排序(Heapsort)是指利用堆这种数据结构所设计的一种排序算法。堆积是一个近似完全二叉树的结构,并同时满足堆积的性质:即子结点的键值或索引总是小于(或者大于)它的父节点。堆排序可以说是一种利用堆的概念来排序的选择排序。 分为两种方法: 大顶堆:每个节点的值都大于或等于其子节点的值,在堆排序算法中用于升序排列; 小顶堆:每个节点的值都小于或等于其子节点的值,在堆排序算法中用于降序排列; 创建一个堆 H[0……n-1]; 把堆首(最大值)和堆尾互换; 把堆的尺寸缩小 1,并调用 shift_down(0),目的是把新的数组顶端数据调整到相应位置; 重复步骤 2,直到堆的尺寸为 1。 算法动画演示: python代码实现: 平均时间复杂度:O(n+k) 计数排序的核心在于将输入的数据值转化为键存储在额外开辟的数组空间中。作为一种线性时间复杂度的排序,计数排序要求输入的数据必须是有确定范围的整数。( “ 输入数据必须是有确定范围是关键 ” !!) 计数排序的特征: 当输入的元素是 n 个 0 到 k 之间的整数时,它的运行时间是 Θ(n + k)。计数排序不是比较排序,排序的速度快于任何比较排序算法。 由于用来计数的数组C的长度取决于待排序数组中数据的范围(等于待排序数组的最大值与最小值的差加上1),这使得计数排序对于数据范围很大的数组,需要大量时间和内存。例如:计数排序是用来排序0到100之间的数字的最好的算法,但是它不适合按字母顺序排序人名。但是,计数排序可以用在基数排序中的算法来排序数据范围很大的数组。 通俗地理解,例如有 10 个年龄不同的人,统计出有 8 个人的年龄比 A 小,那 A 的年龄就排在第 9 位,用这个方法可以得到其他每个人的位置,也就排好了序。当然,年龄有重复时需要特殊处理(保证稳定性),这就是为什么最后要反向填充目标数组,以及将每个数字的统计减去 1 的原因。 找出待排序的数组中最大和最小的元素 统计数组中每个值为i的元素出现的次数,存入数组C的第i项 对所有的计数累加(从C中的第一个元素开始,每一项和前一项相加) 反向填充目标数组:将每个元素i放在新数组的第C(i)项,每放一个元素就将C(i)减去1 算法动画实现: python代码实现: 平均时间复杂度:O(n) 桶排序是计数排序的升级版。它利用了函数的映射关系,高效与否的关键就在于这个映射函数的确定。为了使桶排序更加高效,我们需要做到这两点: 在额外空间充足的情况下,尽量增大桶的数量 使用的映射函数能够将输入的 N 个数据均匀的分配到 K 个桶中 同时,对于桶中元素的排序,选择何种比较排序算法对于性能的影响至关重要。 ① 什么时候最快? 当输入的数据可以均匀的分配到每一个桶中。 ②什么时候最慢? 当输入的数据被分配到了同一个桶中。 ③示意图 元素分布在桶中: 之后,对每个桶中的元素进行排序: python代码实现: Java代码实现: 时间复杂度为nlog (r)m (其中r为的采取的基数,m为堆数),基数排序的效率有时候高于其它比较性排序。 基数排序(Radix Sort)是一种非比较型整数排序算法,是桶排序的扩展。 基本思想是:将所有待比较数值统一为同样的数位长度,数位较短的数前面补零。按照低位先排序,分别放入10个队列中,然后采用先进先出的原则进行收集;再按照高位排序,然后再收集;依次类推,直到最高位,最终得到排好序的数列。对于数值偏小的一组序列,其速度是非常快的,时间复杂度达到了线性,而且思想也非常的巧妙。 取得数组中的最大数,并取得位数; 对数位较短的数前面补零; 分配,先从个位开始,根据位值(0-9)分别放到0~9号桶中; 收集,再将放置在0~9号桶中的数据按顺序放到数组中; 重复3~4过程,直到最高位,即可完成排序。 LSD基数排序动画示意图: python代码实现: Java代码实现: 这三种排序算法都利用了桶的概念,但对桶的使用方法上有明显差异: 基数排序:根据键值的每位数字来分配桶; 计数排序:每个桶只存储单一键值; 桶排序:每个桶存储一定范围的数值; End···arr0 = [3,44,38,5,47,15,36,26,27,44,46,4,19,50,48]
def selectionSort(arr):for i in range(len(arr) - 1):# 记录最小数的索引minIndex = ifor j in range(i + 1, len(arr)):if arr[j] 4.希尔排序
算法步骤
arr0 = [3,44,38,5,47,15,36,26,27,44,46,4,19,50,48]
def shellSort(arr):import mathgap=1while(gap
arr3 = shellSort(arr0)
print("希尔排序 arr3 =",arr3)5.归并排序
算法步骤
arr0 = [3,44,38,5,47,15,36,26,27,44,46,4,19,50,48]
def mergeSort(arr): ###对每一份单独排序&#xff01;import mathif(len(arr)<2):return arrmiddle &#61; math.floor(len(arr)/2) ##向下取整left, right &#61; arr[0:middle], arr[middle:]return merge(mergeSort(left), mergeSort(right)) ##利用典型的递归思想&#xff01;
def merge(left,right): ###将两份整合起来&#xff01;result &#61; []while left and right:if left[0] <&#61; right[0]:result.append(left.pop(0));else:result.append(right.pop(0));while left:result.append(left.pop(0));while right:result.append(right.pop(0));return result
arr4 &#61; mergeSort(arr0)
print("归并排序 arr4 &#61;",arr4)6.快速排序
算法步骤&#xff1a;
arr0 &#61; [3,44,38,5,47,15,36,26,27,44,46,4,19,50,48]
def quickSort(arr, left&#61;None, right&#61;None):left &#61; 0 if not isinstance(left,(int, float)) else leftright &#61; len(arr)-1 if not isinstance(right,(int, float)) else rightif left
def partition(arr, left, right):pivot &#61; leftindex &#61; pivot&#43;1i &#61; indexwhile i <&#61; right:if arr[i]
def swap(arr, i, j):arr[i], arr[j] &#61; arr[j], arr[i]
arr5 &#61; quickSort(arr0)
print("快速排序 arr5 &#61;",arr5)7.堆排序
算法步骤
arr0 &#61; [3,44,38,5,47,15,36,26,27,44,46,4,19,50,48]
def buildMaxHeap(arr):import mathfor i in range(math.floor(len(arr)/2),-1,-1):heapify(arr,i)
def heapify(arr, i):left &#61; 2*i&#43;1right &#61; 2*i&#43;2largest &#61; iif left
if largest !&#61; i:swap(arr, i, largest)heapify(arr, largest)
def swap(arr, i, j):arr[i], arr[j] &#61; arr[j], arr[i]
def heapSort(arr):global arrLenarrLen &#61; len(arr)buildMaxHeap(arr)for i in range(len(arr)-1,0,-1):swap(arr,0,i)arrLen -&#61;1heapify(arr, 0)return arr
arr6 &#61; heapSort(arr0)
print("堆 排 序 arr6 &#61;",arr6)8.计数排序
算法步骤&#xff1a;
def countingSort(arr, maxValue):bucketLen &#61; maxValue&#43;1bucket &#61; [0]*bucketLensortedIndex &#61;0arrLen &#61; len(arr)for i in range(arrLen):if not bucket[arr[i]]:bucket[arr[i]]&#61;0bucket[arr[i]]&#43;&#61;1for j in range(bucketLen):while bucket[j]>0:arr[sortedIndex] &#61; jsortedIndex&#43;&#61;1bucket[j]-&#61;1return arr
arr7 &#61; countingSort(arr0,50)
print("计数排序 arr7 &#61;",arr7)9.桶排序
arr0 &#61; [3,44,38,5,47,15,36,26,27,44,46,4,19,50,48]
def bucketSort(nums):# 选择一个最大的数max_num &#61; max(nums)# 创建一个元素全是0的列表, 当做桶bucket &#61; [0] * (max_num &#43; 1)# 把所有元素放入桶中, 即把对应元素个数加一for i in nums:bucket[i] &#43;&#61; 1# 存储排序好的元素sort_nums &#61; []# 取出桶中的元素for j in range(len(bucket)):if bucket[j] !&#61; 0:for y in range(bucket[j]):sort_nums.append(j)return sort_nums
a &#61; bucketSort(arro)
print(a)public class BucketSort implements IArraySort {
private static final InsertSort insertSort &#61; new InsertSort();
&#64;Overridepublic int[] sort(int[] sourceArray) throws Exception {// 对 arr 进行拷贝&#xff0c;不改变参数内容int[] arr &#61; Arrays.copyOf(sourceArray, sourceArray.length);
return bucketSort(arr, 5);}
private int[] bucketSort(int[] arr, int bucketSize) throws Exception {if (arr.length &#61;&#61; 0) {return arr;}
int minValue &#61; arr[0];int maxValue &#61; arr[0];for (int value : arr) {if (value
int bucketCount &#61; (int) Math.floor((maxValue - minValue) / bucketSize) &#43; 1;int[][] buckets &#61; new int[bucketCount][0];
// 利用映射函数将数据分配到各个桶中for (int i &#61; 0; i
return arr;}
/*** 自动扩容&#xff0c;并保存数据** &#64;param arr* &#64;param value*/private int[] arrAppend(int[] arr, int value) {arr &#61; Arrays.copyOf(arr, arr.length &#43; 1);arr[arr.length - 1] &#61; value;return arr;}
}10.基数排序
算法步骤&#xff1a;
from typing import List
def radix_sort(arr:List[int]):n &#61; len(str(max(arr))) # 记录最大值的位数for k in range(n): # n轮排序# 每一轮生成10个列表bucket_list&#61;[[] for i in range(10)]#因为每一位数字都是0~9&#xff0c;故建立10个桶for i in arr:# 按第k位放入到桶中bucket_list[i//(10**k)%10].append(i)# 按当前桶的顺序重排列表arr&#61;[j for i in bucket_list for j in i]return arr
# 测试数据
if __name__ &#61;&#61; &#39;__main__&#39;:import randomrandom.seed(54)arr &#61; [random.randint(0,100) for _ in range(10)]print("原始数据&#xff1a;", arr)arr_new &#61; radix_sort(arr)print("计数排序结果为&#xff1a;", arr_new)
# 输出结果
原始数据&#xff1a; [17, 56, 71, 38, 61, 62, 48, 28, 57, 42]
计数排序结果为&#xff1a; [17, 28, 38, 42, 48, 56, 57, 61, 62, 71]public class RadixSort implements IArraySort {
&#64;Overridepublic int[] sort(int[] sourceArray) throws Exception {// 对 arr 进行拷贝&#xff0c;不改变参数内容int[] arr &#61; Arrays.copyOf(sourceArray, sourceArray.length);
int maxDigit &#61; getMaxDigit(arr);return radixSort(arr, maxDigit);}
/*** 获取最高位数*/private int getMaxDigit(int[] arr) {int maxValue &#61; getMaxValue(arr);return getNumLenght(maxValue);}
private int getMaxValue(int[] arr) {int maxValue &#61; arr[0];for (int value : arr) {if (maxValue
private int[] radixSort(int[] arr, int maxDigit) {int mod &#61; 10;int dev &#61; 1;
for (int i &#61; 0; i
return arr;}
/*** 自动扩容&#xff0c;并保存数据** &#64;param arr* &#64;param value*/private int[] arrayAppend(int[] arr, int value) {arr &#61; Arrays.copyOf(arr, arr.length &#43; 1);arr[arr.length - 1] &#61; value;return arr;}
}关于对---基数排序 vs 计数排序 vs 桶排序的比较&#xff1a;