归并排序
归并
-
假设现在的列表分两段有序,如何将其合成为一个有序列表
-
这种操作称为以此归并
如上图红色箭头为low(最开始位于左侧列表最左端),黄色箭头为high(最开始位于右侧箭头最左测)mid为左右两个列表的临界点
归并过程:
# 归并过程
def merge(li, low, mid, high):
'''
li:列表
low:列表要排序部分的最左端
high:列表要排序部分的最右端
mid:列表要排序部分的中间位置,其实可以是处于low和high之间的任何位置
'''
i = low
j = mid + 1
ltmp = []
while i <= mid and j <= high: #左右两侧都有数
if li[i] < li[j]:
ltmp.append(li[i])
i += 1
else:
ltmp.append(li[j])
j += 1
# while 执行完成的条件为,左右两侧列表有一个没数了
while i <= mid: # 左侧有数
ltmp.append(li[i])
i += 1
while j <= high: # 右侧有数
ltmp.append(li[j])
j += 1
li[low:high+1] = ltmp # 将列表li中的low到high位进行归并排序,将结果存回li中
使用归并:
- 分解:将列表越分越小,直至分成一个元素
- 终止条件:一个元素是有序的
- 合并:将两个有序列表归并,列表会越来越大,直到所有元素都被归并到一个列表当中,排序完成。
如下图
def merge_sort(li, low, high):
if low < high: # 至少有两个元素,递归
mid = (low + high) // 2
merge_sort(li, low, mid)
merge_sort(li, mid+1, high)
merge(li, low, mid, high)
时间复杂度O(nlogn)
空间复杂度O(n): 因为在归并函数时又使用了ltmp增加了内存开销。
有效排序三人组的总结
- 三种排序算法的时间复杂度都是O(nlogn)
- 一般情况,就运行时间而言:
- 快速排序 < 归并排序 < 堆排序
- 三种排序算法的缺点
- 快速排序:极端情况下排序效率低
- 归并排序:需要额外的内存开销
- 堆排序:在快的排序算法中相对较慢
排序的稳定性:
如果对[3,2,1,2,4]进行排序,稳定排序可以保证两个相同的数字2的相对位置不变,即排序前第一个2在第二个2前面,排序后第一个2仍然在第二个2前面。
实际中的影响:
字典:
{‘name’ :a, ‘age’:18}
{‘name’ :b, ‘age’:20}
{‘name’ :a, ‘age’:25}
如果按照名字排序,稳定排序则变成
{‘name’ :a, ‘age’:18}
{‘name’ :a, ‘age’:25}
{‘name’ :b, ‘age’:20}
如何看这个算法是否稳定:挨个移动位置都是稳定的,不挨个换位置的排序都是不稳定的。