数据结构和算法笔记--7归并排序

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。