排序(上)
-
如何分析一个排序算法
- 排序算法的执行效率
- 最好情况、最坏情况、平均情况时间复杂度
- 有序度不同的数据,对于排序的执行时间肯定是有影响的
- 时间复杂度的系数、常数 、低阶
- 在对同一阶时间复杂度的排序算法性能对比的时候,我们就要把系数、常数、低阶也考虑进来
- 比较次数和交换(或移动)次数
- 最好情况、最坏情况、平均情况时间复杂度
- 排序算法的内存消耗
- 原地排序算法,就是特指空间复杂度是 O(1) 的排序算法
- 排序算法的稳定性
- 稳定性:如果待排序的序列中存在值相等的元素,经过排序之后,相等元素之间原有的先后顺序不变
- 排序算法的执行效率
-
有序度 与 逆序度
-
有序度是数组中具有有序关系的元素对的个数
- 对于一个完全有序的数组,比如 1,2,3,4,5,6,有序度就是 n*(n-1)/2;也被称为满有序度
-
逆序度的定义正好跟有序度相反(默认从小到大为有序)
-
公式:逆序度 = 满有序度 - 有序度
-
排序的过程就是一种增加有序度,减少逆序度的过程,最后达到满有序度,就说明排序完成
-
-
冒泡排序(Bubble Sort)
-
每次冒泡操作都会对相邻的两个元素进行比较,看是否满足大小关系要求(如果不满足就让它俩互换)
-
性能分析
- 是原地排序算法
- 是稳定排序算法
- 时间复杂度
- 最好时间复杂度是 O(n)
- 最坏时间复杂度是 O(n^2)
- 平均时间复杂度是 O(n^2)
-
-
插入排序(Insertion Sort)
-
将数组中的数据分为两个区间,已排序区间和未排序区间
-
插入算法的核心思想是取未排序区间中的元素,在已排序区间中找到合适的插入位置将其插入
-
并保证已排序区间数据一直有序,重复这个过程,直到未排序区间中元素为空,算法结束
- 插入排序也包含两种操作,一种是元素的比较,一种是元素的移动
-
-
性能分析
- 是原地排序算法
- 是稳定排序算法
- 时间复杂度
- 最好时间复杂度是 O(n)
- 最坏时间复杂度是 O(n^2)
- 平均时间复杂度是 O(n^2)
-
-
选择排序(Selection Sort)
-
分已排序区间和未排序区间,每次会从未排序区间中找到最小的元素,将其放到已排序区间的末尾
-
性能分析
- 是原地排序算法
- 不是稳定排序算法
- 时间复杂度
- 最好时间复杂度是 O(n^2)
- 最坏时间复杂度是 O(n^2)
- 平均时间复杂度是 O(n^2)
排序(下)
-
-
归并排序的原理
-
归并排序使用的就是分治思想。分治,顾名思义,就是分而治之,将一个大问题分解成小的子问题来解决
- 分治是一种解决问题的处理思想,递归是一种编程技巧
-
依次合并子数组
-
-
归并排序的性能分析
- 不是原地排序算法(空间复杂度是 O(n))
- 是稳定排序算法
- 时间复杂度
- 不管是最好情况、最坏情况,还是平均情况,时间复杂度都是 O(nlogn)
-
快速排序的原理
-
快排的思想是这样的:如果要排序数组中下标从 p 到 r 之间的一组数据,我们选择 p 到 r 之间的任意一个数据作为 pivot(分区点)
-
遍历 p 到 r 之间的数据,将小于 pivot 的放到左边,将大于 pivot 的放到右边,将 pivot 放到中间
-
数组 p 到 r 之间的数据就被分成了三个部分,根据分治、递归的处理思想继续递归左右部分
-
-
分区的整个过程(原地排序的方式实现)
- 这里我们只需要将 A[i]与 A[j]交换,就可以在 O(1) 时间复杂度内将 A[j]放到下标为 i 的位置
-
-
快速排序的性能分析
- 是原地排序算法
- 不是稳定排序算法
- 时间复杂度
- 最好时间复杂度是 O(nlogn)
- 最坏时间复杂度是 O(n^2)
- 平均时间复杂度是 O(nlogn)
-
快排和归并用的都是分治思想,那它们的区别在哪里呢?
- 方向
- 归并排序的处理过程是由下到上的,先处理子问题,然后再合并
- 快排正好相反,它的处理过程是由上到下的,先分区,然后再处理子问题
- 空间复杂度及稳定性
- 归并排序虽然是稳定的,但不是原地排序(原因是合并函数无法在原地执行)
- 快速排序是不稳定排序,但是是原地排序(通过设计巧妙的原地分区函数来实现的)
- 方向
线性排序
-
线性排序:排序算法的时间复杂度是线性的(例子:桶排序、计数排序、基数排序
-
桶排序(Bucket sort)
-
核心思想是将要排序的数据分到几个有序的桶里,每个桶里的数据再单独进行排序
-
桶内排完序之后,再把每个桶里的数据按照顺序依次取出,组成的序列就是有序的了
-
-
桶排序对要排序数据的要求是非常苛刻的
- 要排序的数据需要很容易就能划分成 m 个桶,并且,桶与桶之间有着天然的大小顺序
- 数据在各个桶之间的分布是比较均匀的(极端情况下,数据都被划分到一个桶里,那就退化为 O(nlogn) 了
- 可以对热点桶数据再一步划分,划分成多个子桶
-
桶排序比较适合用在外部排序中
- 所谓的外部排序就是数据存储在外部磁盘中,数据量比较大,内存有限,无法将数据全部加载到内存中
-
-
计数排序(Counting sort)
-
当要排序的 n 个数据,所处的范围并不大的时候,比如最大值是 k,我们就可以把数据划分成 k 个桶
- 每个桶内的数据值都是相同的,省掉了桶内排序的时间
- 个人觉得,计数排序其实是桶排序的一种特殊情况,应用场景:高考成绩快速排序得出名次
-
计数排序全过程
- C[6]内存储的并不是考生,而是对应的考生个数
-
计数排序只能用在数据范围不大的场景中,如果数据范围 k 比要排序的数据 n 大很多,就不适合用计数排序
- 计数排序只能给非负整数排序,如果要排序的数据是其他类型的,要将其在不改变相对大小的情况下,转化为非负整数
-
-
基数排序(Radix sort)
-
基数排序的过程分解图
- 这里按照每位来排序的排序算法要是稳定的,否则这个实现思路就是不正确的
-
时间复杂度分析
- 根据每一位来排序,我们可以用刚讲过的桶排序或者计数排序,它们的时间复杂度可以做到 O(n)
- 如果要排序的数据有 k 位,那我们就需要 k 次桶排序或者计数排序,总的时间复杂度是 O(k*n)
- 当 k 不大的时候,比如手机号码排序的例子,k 最大就是 11,所以基数排序的时间复杂度就近似于 O(n)
-
对于待排序字段长度位数不一致的场景,可以通过低位补 0 的方式补齐(因为根据ASCII 值,所有字母都大于 0
-
基数排序对要排序的数据是有要求的
- 要可以分割出独立的“位”来比较,而且位之间有递进的关系,若 a 数据的高位比 b 数据大,则 a 直接大于 b
- 每一位的数据范围不能太大,要可以用线性排序算法来排序,否则,基数排序的时间复杂度就无法做到 O(n)
-
排序优化
-
如何选择合适的排序算法
- 如果对小规模数据进行排序,可以选择时间复杂度是 O(n2) 的算法
- 如果对大规模数据进行排序,时间复杂度是 O(nlogn) 的算法更加高效
- 为了兼顾任意规模数据的排序,首选时间复杂度是 O(nlogn) 的排序算法
- 归并排序和快排平均时间复杂度都是O(nlogn) ,但前者不是原地排序(空间复杂度为O(n)
-
如何优化快速排序
- 最坏时间复杂度出现的主要原因还是因为我们分区点选的不够合理
- 最理想的分区点是:被分区点分开的两个分区中,数据的数量差不多
- 三数取中法
- 从区间的首、尾、中间,分别取出一个数,然后对比大小,取这 3 个数的中间值作为分区点
- 如果要排序的数组比较大,可以扩大参考数量,比如要“五数取中”或者“十数取中”等
- 随机法
- 随机法就是每次从要排序的区间中,随机选择一个元素作为分区点
- 时间复杂度退化为最糟糕的 O(n2) 的情况,出现的可能性不大
- 最坏时间复杂度出现的主要原因还是因为我们分区点选的不够合理
-
举例分析排序函数
- 拿 Glibc 中的 qsort() 函数举例说明一下
- qsort() 会优先使用归并排序来排序输入数据,因为归并排序的空间复杂度是 O(n)
- 对于小数据量的排序,比如 1KB、2KB 等,归并排序额外需要 1KB、2KB 的内存空间,这个问题不大
- 要排序的数据量比较大的时候,qsort() 会改为用快速排序算法来排序
- qsort() 选择分区点的方法就是“三数取中法”
- 如何避免递归太深导致堆栈溢出的问题
- sort() 是通过自己实现一个堆上的栈,手动模拟递归来解决的
- qsort() 并不仅仅用到了归并排序和快速排序,它还用到了插入排序
- 在快速排序的过程中,当要排序的区间中,元素的个数小于等于 4 时,qsort() 就退化为插入排序
- 在小规模数据面前,O(n2) 时间复杂度的算法并不一定比 O(nlogn) 的算法执行时间长
- O(nlogn) 在没有省略低阶、系数、常数之前可能是 O(knlogn + c),k 和 c 可能是一个比较大的数
- 当我们对小规模数据(比如 n=100)排序时,n2的值实际上比 knlogn+c 还要小
- 在 qsort() 插入排序的算法实现中也利用了哨兵来简化代码,提高执行效率
- 虽然哨兵可能只是少做一次判断,但是排序函数是非常常用、非常基础的函数,性能的优化要做到极致
- qsort() 会优先使用归并排序来排序输入数据,因为归并排序的空间复杂度是 O(n)
- 拿 Glibc 中的 qsort() 函数举例说明一下
二分查找(上)
-
一种针对有序数据集合的查找算法:二分查找(Binary Search)算法,也叫折半查找算法
-
无处不在的二分思想
- 二分查找针对的是一个有序的数据集合,查找思想有点类似分治思想
- 每次都通过跟区间的中间元素对比,将待查找的区间缩小为之前的一半,直到找到要查找的元素(区间为 0 时
-
O(logn) 惊人的查找速度
- 这是一种极其高效的时间复杂度,有的时候甚至比时间复杂度是常量级 O(1) 的算法还要高效
- 即便 n 非常非常大,对应的 logn 也很小(例如在 42 亿个有序数据中用二分查找一个数据,最多需要比较 32 次
-
二分查找的实现
-
最简单的情况就是有序数组中不存在重复元素
-
public int bsearch(int[] a, int n, int value) { int low = 0; int high = n - 1; while (low <= high) { int mid = (low + high) / 2; if (a[mid] == value) { return mid; } else if (a[mid] < value) { low = mid + 1; } else { high = mid - 1; } } return -1; }
-
-
容易出错的 3 个地方
- 循环退出条件(注意是 low<=high,而不是 low
- mid 的取值
- mid=(low+high)/2 这种写法是有问题的,可能会有溢出风险,可以改成 low+(high-low)/2
- 可以将这里的除以 2 操作转化成位运算 low+((high-low)>>1) ,计算机处理位运算要快得多
- low 和 high 的更新(注意这里的 +1 和 -1,如果直接写成 low=mid 或者 high=mid,就可能会发生死循环
-
-
二分查找应用场景的局限性
- 首先,二分查找依赖的是顺序表结构,简单点说就是数组
- 要原因是二分查找算法需要按照下标随机访问元素(链表无法有效支持,时间复杂度会变得特别高
- 其次,二分查找针对的是有序数据
- 二分查找只能用在插入、删除操作不频繁,一次排序多次查找的场景中
- 再次,数据量太小不适合二分查找
- 数量小时,直接顺序遍历即可,查找速度都差不多
- 如果数据之间的比较操作非常耗时,不管数据量大小,我都推荐使用二分查找
- 最后,数据量太大也不适合二分查找
- 二分查找的底层需要依赖数组这种数据结构,要求内存空间连续,对内存的要求比较苛刻
- 比如,我们有 1GB 大小的数据,如果希望用数组来存储,那就需要 1GB 的连续内存空间
- 首先,二分查找依赖的是顺序表结构,简单点说就是数组
二分查找(下)
-
4种场景的二分查找变形问题
-
变体一:查找第一个值等于给定值的元素
-
比如这样一个有序数组,其中,a[5],a[6],a[7]的值都等于 8,是重复的数据,找出第一个(下标为5 那个
-
代码实现
-
public int bsearch(int[] a, int n, int value) { int low = 0; int high = n - 1; while (low <= high) { int mid = low + ((high - low) >> 1); if (a[mid] > value) { high = mid - 1; } else if (a[mid] < value) { low = mid + 1; } else { // 如果 mid 等于 0,那这个元素已经是数组的第一个元素,那它肯定是我们要找的 // 如果 mid 不等于 0,但 a[mid]的前一个元素 a[mid-1]不等于 value,那也说明 a[mid]就是我们要找的第一个值等于给定值的元素 if ((mid == 0) || (a[mid - 1] != value)) return mid; // 如果经过检查之后发现 a[mid]前面的一个元素 a[mid-1]也等于 value // 要找的元素肯定出现在[low, mid-1]之间 else high = mid - 1; } } return -1; }
-
-
对于我们做工程开发的人来说,代码易读懂、没 Bug,其实更重要,所以我觉得第二种写法更好
-
-
变体二:查找最后一个值等于给定值的元素
- 同理,改动点在判断那块 if ((mid == n - 1) || (a[mid + 1] != value)) 与 else low = mid + 1;
-
变体三:查找第一个大于等于给定值的元素
-
比如,数组中存储的这样一个序列:3,4,6,7,10。如果查找第一个大于等于 5 的元素,那就是 6
-
代码实现
-
public int bsearch(int[] a, int n, int value) { int low = 0; int high = n - 1; while (low <= high) { int mid = low + ((high - low) >> 1); if (a[mid] >= value) { // 如果 a[mid]前面已经没有元素,或者前面一个元素小于要查找的值 value // 那 a[mid] 就是我们要找的元素 if ((mid == 0) || (a[mid - 1] < value)) return mid; // 如果 a[mid-1]也大于等于要查找的值 value,那说明要查找的元素在[low, mid-1]之间 else high = mid - 1; } else { // 如果 a[mid]小于要查找的值 value,那要查找的值肯定在[mid+1, high]之间 low = mid + 1; } } return -1; }
-
-
-
变体四:查找最后一个小于等于给定值的元素(实现原理同上)
-
-
二分查找更适合用在“近似”查找问题(等值查询场景确实不怎么会被用到
-
代码实现时容易出错的细节有:终止条件、区间上下界更新方法、返回值选择