时间复杂度为O(n)
的排序
以下排序算法都是针对特定场景才有优势的排序算法
桶排序
特定场景描述
- 为20XX年全国X0万考生的高考分数排序
- 为截止20XX年全国1X亿公民的身高排序
- 为截止20XX年全国1X亿公民的体重排序
- 为20XX年天猫双十一所有订单的金额排序
- 为20XX年滴滴打车所有订单的下单时间排序
- 为20XX年微信所有后台日志的时间排序
以上场景一般具有以下特点:
-
要排序的数据有明显的范围。比如高考分数一般介于
0~900
,公民身高一般介于0~3000
,公民体重一般介于0~150
,订单金额一般介于0~max(当年)
,而某一年的时间,如果把时间以时间戳形式计算,一定是介于某个固定区间的 -
既然有了明显的范围区间,就很方便划分区间段(类似统计中的柱状图),而且区间段的数据满足单调性,比如区间段
f(x)
和区间段f(x+1)
一定满足如下关系:max(f(x)[i]) < min(f(x+1)[i])
,即上一个区间段内的最大值一定比下一个区间段的最小值要小(这里说的是升序排列)。比如高考分数可划分的区间段是0~100
、101~200
、201~300
、301~400
、401~500
、501~600
、601~700
、701~800
、801~900
,在区间段201~300
中的最大值很明显会小于区间段301~400
中的最小值。 -
划分好了区间段,还要满足各区间段内的数据量相对均匀。还拿高考分数为例,意思是区间段
201~300
中的考生数和区间段301~400
中的考生数和…几乎相当。这个其实挺难的。因为很多类似的分布都会符合正态分布的,两头少,中间多,当然也有特定的情况,这完全是根据数据的业务属性而来的。但各区间段内的数据量相对均匀是桶排序很关键的一点。
为了满足各区间段内的数据量相对均匀,就需要根据实际业务场景,重新划分区间段(桶)。
比如考生的分数,公民的身高和体重,一般来说符合正态分布,仍以分数为例,这需要参考以往经验了,假设得到的经验是,一般会在500~800
之间扎堆儿,该区间考生数占据了所有的大约80%
,那么根据这条经验,可以做出新的桶划分。比如:0~500
、501~550
、551~600
、600~650
、651~700
、701~750
、751~800
、801~900
,或许500~800
还可以分的更细致些的。
比如微信的后台日志时间戳,以天为单位的话,假设得到的经验是,春节前后使用量很大,五一、十一也会很大。相应的调整新的桶划分。
以上的目的就是尽量满足各桶中的数据量均匀。
思路
以空间换时间
尽可能减少数据间的比较
设置好若干个桶之后,首先遍历待排序数据,放入特定的桶中,时间复杂度是O(n)
,假设严丝合缝,也要开辟空间复杂度为O(n)
的多个桶做临时存储
接着将各桶中的数据分别排序,如果需要稳定性(好像没在排序里说明稳定性的意思,后边单说吧),使用归并排序,如果不需要稳定性,使用快速排序,总之单个桶的时间复杂度是O(klogk)
。假设设置的桶足够多,可以让一个桶里的元素值相等,那就不需要桶内排序了。但这需要开辟的桶空间可就更大了(这也算是把“以空间换时间”发挥到极致了吧)。
最后按序遍历各桶以及各桶中元素,依次放入原数组,完成排序。
实现代码
比较纠结这个排序算法要怎么写合适,网上也没找到一个很通用的,毕竟设定几个桶,桶的深度都要结合实际情况来看的。这里只能放一个简单的例子,以及代码实现。
全班10人,身高分别是[150,163,158,166,170,169,158,175,181,175]
,按身高升序排序
在执行排序前,得知身高最大值max=181
,最小值min=150
,设置m=3
个桶,桶区间依次是150~160
,161~170
,171~181
,每个桶的深度为5
下边是伪代码
public void bucketSort(int[] array, int length) {
int bucketCount = 3;
int[] bucket1 = new int[5];
int bucket1Min = 150;
int bucket1Max = 160;
int[] bucket2 = new int[5];
int bucket2Min = 161;
int bucket2Max = 170;
int[] bucket3 = new int[5];
int bucket3Min = 171;
int bucket3Max = 181;
int bucket1Index = 0;
int bucket2Index = 0;
int bucket3Index = 0;
for(int i = 0; i < array.length; i++) {
int item = array[i];
if(item < bucket2Min) {
bucket1[bucket1Index++] = item;
} else if (item < bucket3Min) {
bucket2[bucket2Index++] = item;
} else {
bucket3[bucket3Index++] = item;
}
}
quickSort(bucket1, bucket1.length);
quickSort(bucket2, bucket2.length);
quickSort(bucket3, bucket3.length);
for(int i = 0; i < bucket1Index; i++) {
array[i] = bucket1[i];
}
for(int i = 0; i < bucket2Index; i++) {
array[bucket1Index + i] = bucket2[i];
}
for(int i = 0; i < bucket3Index; i++) {
array[bucket2Index + i] = bucket3[i];
}
}
计数排序
特定场景描述
场景和通排序的场景类似,只不过有了更苛刻的要求
-
要排序的数据不仅有明显的范围,而且数值范围不大。比如桶排序列出的诸多场景中,分数、身高、体重都是很好的;金额可能有点邪乎,主要是如果土豪太多,双十一一单花了好几个亿那种,区间就太大了,不过据说单个订单有金额上限,如果这样的话就很好了;按时间排序,这可能就有点头大了,但如果不是按纳秒,而是粗略一些忽略到毫秒(也难),忽略到秒(一年
31,536,000
秒,也难),忽略到分钟(一年525,600
分钟,挺好),忽略到小时(一年8,760
小时,挺好),再忽略估计这个排序的意义可能就丧失了。 -
要将被排序的所有元素按照某个一对一映射的函数,先计算成非负整数。比如身高和体重,身高
169.55
可以换算为16955
,换算公式是f(x) = 100 * x
;而x = f(x) / 100
;两个函数的计算结果都是唯一的。再比如时间排序,换算成时间戳,再减去一个待