python算法(一)查找&排序
文章目录
一、查找
1、线性查找
def linear_search(li,val):#li:要查找的列表;val:要查找的对象
for ind,v in enumerate(li):
if v==val:
return ind
else:
return None
2、二分查找
def binary_search(li,val):#二分查找仅适用有序列表
left=0
right=len(li)-1
while left<=right:
mid=(left+right)//2
if li(mid)==val:
return mid
elif li(mid)>val:
right=mid-1
else:
left=mid+1
else:
return None
二、排序
1.1、冒泡排序
def bubble_sort(li):
for i in range(len(li)-1):
exchang=False
for j in range(len(li)-i-1):
if li[j]>li[j+1]:
li[j],li[j+1]=li[j+1],li[j]
exchang=True
if exchang is False:
return
1.2、选择排序
一趟排序记录最小的数,将其放到第一个位置
再一趟排序记录列表无序区最小的数,放到第二个位置
……
def slect_sort(li):
for i in range(len(li)-1):
min_loc=i #先假设第i个最小
for j in range(i+1,len(li)): #无序区,注意range是左包右不包
if li[j]<li[min_loc]:
min_loc=j
li[i],li[min_loc]=li[min_loc],li[i]
print(li)
1.3、插入排序
假设有n张牌,先抽一张,牌上数字为a。再从n-1张中抽一张,如果比a大,则插入a的右边。反之插在a的右边。
def insert_sort(li):
for i in range(1,len(li)):
j=i-1
tmp=li[i]
while j>=0 and li[j]>tmp:
li[j+1]=li[j]
j-=1
li[j+1]=tmp
print(li)
2.1、快速排序
时间复杂度O(nlogn)
def partition(li, left, right):
tmp = li[left]
while left < right:
while left < right and li[right] >= tmp: # 从右侧找出比tmp小的数的下标
right -= 1 # 往做走一步
li[left] = li[right] # 将右边找到的值写到左边
while left < right and li[left] <= tmp:
left += 1
li[right] = li[left]
li[left] = tmp # 将tmp归位
return left
def quick_sort(li, left, right):
if left < right: # 至少两个元素
mid = partition(li, left, right) # 以li[mid]为分割点
quick_sort(li, left, mid - 1)
quick_sort(li, mid + 1, right)
li = [5, 7, 4, 6, 3, 1, 2, 9, 8]
quick_sort(li, 0, len(li) - 1)
print(li)
2.2、堆排序
时间复杂度O(nlogn)
def sift(li,low,high):
"""
:param li: 列表
:param low: 堆的根节点位置
:param high: 堆的最后一个元素的位置
:return:
"""
i=low #最开始指向根节点
j=2*i+1 #j开始是左孩子(2*i+1是左孩子,2*i+2是右孩子)
tmp=li[low] #把堆顶存储起来
while j<=high:
if j+1<=high and li[j+1]>li[j]: #如果右孩子有且比左孩子大
j=j+1 #j指向右孩子
if li[j]>tmp:
li[i]=li[j]
i=j
j=2*i+1
else: #tmp更大,把tmp放到i的位置上
li[i]=tmp #把tmp放到某一级领导位置上
break
else:
li[i]=tmp #把tmp放到叶子节点上
def heap_sort(li):
# 建堆
n=len(li)
for i in range((n-2)//2,-1,-1):#i表示建堆时候调整的部分的根的下标
sift(li,i,n-1)
# 排序
for i in range(n-1,-1,-1):
li[0],li[i]=li[i],li[0]
sift(li,0,i-1) #i-1是新的high
li=[5,3,6,2,8,1,4,7,9]
heap_sort(li)
print(li)
python堆排序有内置模块headq
import heapq
import random
li = list(range(10))
random.shuffle(li) # 打乱
print(li)
heapq.heapify(li) # 建堆
n = len(li)
for i in range(n):
print(heapq.heappop(li), end=',')
堆排序的topk问题:
“”"
1、取列表前k个元素建立一个小根堆,堆顶就是目前第k大的数
2、依次向后遍历原列表,对于列表中的元素,如果小于堆顶,则忽略该元素;
如果大于堆顶,则将堆顶更换为该元素,并且对堆进行一次调整
3、遍历列表所有元素后,倒序弹出堆顶
“”"
def sift(li, low, high):
i = low
j = 2 * i + 1
tmp = li[low]
while j <= high:
if j+1 <= high and li[j + 1] < li[j]: # 此时是比较小根堆
j = j + 1
if li[j] < tmp:
li[i] = li[j]
i=j
j = 2 * i + 1
else:
break
li[i] = tmp
def topk(li, k):
heap = li[0:k]
# 建堆
for i in range((k - 2) // 2, -1, -1):
sift(heap, i, k - 1)
# 遍历
for i in range(k, len(li)):
if li[i] > heap[0]:
heap[0] = li[i]
sift(heap, 0, k - 1)
# 出数
for i in range(k - 1, -1, -1):
heap[0], heap[i] = heap[i], heap[0]
sift(heap, 0, i - 1)
return heap
import random
li = list(range(100))
random.shuffle(li)
print(topk(li, 5))
2.3、归并排序
时间复杂度O(nlogn)
def merge(li, low, mid, high):
i = low
j = mid + 1
ltmp = []
while i <= mid and j <= high:
if li[i] < li[j]:
ltmp.append(li[i])
i += 1
else:
ltmp.append(li[j])
j += 1
while i <= mid:
ltmp.append(li[i])
i += 1
while j <= high:
ltmp.append(li[j])
j += 1
li[low:high + 1] = ltmp # 切片右不包
def merge_sort(li, low, high):
if low < high: # 至少有两个元素
mid = (low + high) // 2
merge_sort(li, low, mid)
merge_sort(li, mid + 1, high)
merge(li, low, mid, high)
li = list(range(20))
import random
random.shuffle(li)
print(li)
merge_sort(li, 0, len(li) - 1)
print(li)
3.1、总结
稳定性:列表排序猴,相同元素的相对位置不改变。例如:
{‘name’:‘a’,‘age’:18}
{‘name’:‘b’,‘age’:20}
{‘name’:‘a’,‘age’:25}
对上述字典按’name’排序之后为:
{‘name’:‘a’,‘age’:18}
{‘name’:‘a’,‘age’:25}
{‘name’:‘b’,‘age’:20}
– 快速排序、堆排序、归并排序总结
三种排序算法的时间复杂度都是O(nlogn)
一般情况下,就运行时间而言:快速排序<归并排序<堆排序
缺点:快速排序-极端情况下排序效率低(例如,数列是倒序时);归并-需要额外的内存开销;堆排序-在以上三种排序中速度偏慢
4.1、希尔排序
def insert_sort_gap(li,gap):
for i in range(gap,len(li)):
tmp=li[i]
j=i-gap
while j>=0 and li[j]>tmp:
li[j+gap]=li[j]
j -= gap
li[j+gap]=tmp
def shell_sort(li):
d=len(li) // 2
while d>=1:
insert_sort_gap(li,d)
d //=2
import random
li=list(range(20))
random.shuffle(li)
print(li)
shell_sort(li)
print(li)
5.1、计数排序
一直列表中的数范围都在0-100之间,设计时间复杂度为O(n)的算法
def count_sort(li, max_count=100):
count = [0 for i in range(max_count + 1)]
for val in li:
count[val] += 1
li.clear()
for ind, val in enumerate(count):
for i in range(val):
li.append(ind)
import random
li=[random.randint(0,100) for i in range(20)]
print("排序前",li)
count_sort(li)
print("排序后",li)
4.2、桶排序
将元素分在不同的桶中,在对每个桶中的元素排序
def bucket_sort(li,n=100,max_num=10000):
"""
:param n: 分桶编号
:param max_num: 数的范围
"""
buckets=[[] for i in range(n)]#创建桶
for var in li:
i = min(var//(max_num//n),n-1)# i表示var放到几号桶,当var=10000时,计算得100,但实际应该放到99号桶
buckets[i].append(var) #把var放到桶里
for j in range(len(buckets[i])-1,0,-1):#排列每个桶里的顺序
if buckets[i][j]<buckets[i][j-1]:
buckets[i][j],buckets[i][j-1]=buckets[i][j-1],buckets[i][j]
else:
break
# 接收每个桶里列表的数
sorted_li=[]
for buc in buckets:
sorted_li.extend(buc)
return sorted_li
import random
li=[random.randint(0,10000) for i in range(100)]
print(li)
li=bucket_sort(li)
print(li)
5.3、基数排序
时间复杂度O(nk),k指数字的位数
def radix_sort(li):
#先按个位数排好序,再按十位排好序,以此类推
max_num = max(li)
it = 0
while 10 ** it <= max_num:
buckets = [[] for _ in range(10)]
for var in li: #建桶
digit = (var // (10 ** it)) % 10
buckets[digit].append(var)
li.clear()
for buc in buckets:
li.extend(buc)
it += 1
import random
li = list(range(100))
random.shuffle(li)
print(li)
radix_sort(li)
print(li)
三、练习题
1、给两个字符串s和t,判断t是否为s的重新排列后组成的单词.
例如,[s=“anagram”,t=“nagaram”,return true.] [s=“rat”,t=“car”,return false]
def search(s,t):
s=sorted(s,reverse=True)
t=sorted(t,reverse=True)
return s==t
# def search(s,t): #方法二
# dict1={}
# dict2={}
# for ch in s:
# dict1[ch]=dict1.get(ch,0)+1
# for ch in t:
# dict2[ch]=dict2.get(ch,0)+1
# return dict1==dict2
s="rat"
t="car"
print(search(s,t))
2、给定一个m*n的二位列表,查找一个数是否存在。列表有下列特征:
每一行的列表从左到右已经排好序
每一行第一个数比上一行最后一个数大
# def searchMatrix(matrix,target):#方法一,比较慢,时间复杂度O(m*n)
# for line in matrix:
# if target in line:
# return True
# return False
def searchMatrix(matrix,target):#因为列表有序,所以选择二分查找
h=len(matrix) #列表的行数m
if h ==0:
return False #[]
w=len(matrix[0]) #列表的列数n
if w==0:
return False #[[],[],[],[]]
left=0
right=w*h-1
while left<=right:
mid=(left+right)//2
i=mid//w
j=mid%w #i,j为mid在列表的位置
if matrix[i][j]==target:
return True
elif matrix[i][j]>target:
right=mid-1
else:
left=mid+1
else:
return False
matrix=[[1,3,5,7],[10,11,16,20],[23,30,34,50]]
target=5
print(searchMatrix(matrix,target))
3、给定一个列表和一个整数,设计算法找到两个数的下标,使得两个数之和为给定的整数。题目保证仅有一个结果。
例如,列表[1,2,5,4]与目标整数3,有1+2=3,所以结果为(0,1)
# def towSum(li,target): #时间复杂度O(n^2/2)
# for i in range(len(li)):
# for j in range(i):
# if li[i]+li[j]==target:
# return i,j
def binary_search(li, left, right, val):
while left <= right:
mid = (left + right) // 2
if li[mid][0] == val:
return mid
elif li[mid][0] > val:
right = mid - 1
else:
left = mid + 1
else:
return None
def towSum(li, target): #时间复杂度O(nlogn)
new_li = [[num, i] for i, num in enumerate(li)] # 保留原列表的值和位置
new_li.sort(key=lambda x: x[0]) # 按列表内元组的第一个元素排列
for i in range(len(new_li)):
a = new_li[i][0]
b = target - a
if b >= a:
j = binary_search(new_li, i + 1, len(new_li) - 1, b)
else:
j = binary_search(new_li, 0, i - 1, b)
if j:
break
return sorted([new_li[i][1], new_li[j][1]])
li = [1,2,5,4]
target = 3
print(towSum(li, target))