时间复杂度为O(n)的排序（JAVA）

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

1. 为20XX年全国X0万考生的高考分数排序
2. 为截止20XX年全国1X亿公民的身高排序
3. 为截止20XX年全国1X亿公民的体重排序
4. 为20XX年天猫双十一所有订单的金额排序
5. 为20XX年滴滴打车所有订单的下单时间排序
6. 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