数据结构与算法笔记：基础篇 - 排序优化：如何实现一个通用的、高性能的排序函数？

概述

几乎所有的编程语言都会提供排序函数，比如 Java 的 Collections.sort()。在平时的开发中，我们也都是直接使用这些现成的函数来实现业务逻辑中的排序功能。那你知道这些排序函数是如何实现的吗？底层都利用了哪种排序算法？

基于这些问题，本章我们来看排序这部分的最后一块内容：如何实现一个通用的、高性能的排序函数？

---

如何选择合适的排序算法？

先回顾下前面讲过的几种排序算法。

排序算法	时间复杂度	是否稳定排序	是否原地排序
冒泡排序	$O(n^2)$	yes	yes
插入排序	$O(n^2)$	yes	yes
选择排序	$O(n^2)$	no	yes
快速排序	$O(nlogn)$	no	yes
归并排序	$O(nlogn)$	yes	no
计数排序	$O(n+k)$ k是数据范围	yes	no
桶排序	$O(n)$	yes	no
基数排序	$O(dn)$ d是维度	yes	no

前面讲过，线性排序算法的时间复杂度比较低，适用场景比较特殊。所以如果要写一个通用的排序算法，不能选择线性排序算法。

如果对小规模数据进行排序，可以选择时间复杂是 $O(n^2)$ 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。所以，为了兼顾任意规模数据的排序，一般douhuaqi机首选时间复杂度是 $O(nlogn)$ 的排序算法来实现排序函数。

时间复杂度是 $O(nlogn)$ 的排序算法不止一个，已讲过的有归并排序、快速排序，还有后面讲的堆排序。堆排序和快速排序都有比较多的应用，比如 Java 语言采用堆排序实现排序函数，C 语言使用快速排序来实现排序函数。

你发现没有，归并排序使用的并不多。我们知道，快排在最坏情况的时间复杂度是 $O(n^2)$，而归并排序可以做到平均、最坏情况下都是 $O(nlogn)$ ，那为什么它还是没有得到 “宠幸” 呢？

这是因为归并排序的空间复杂度是 $O(n)$。所以，如果要排序 100MB 的数据，除了数据本身占用的内存之外，排序算法还要去额外再占用 100MB 的内存空间，空间耗费就翻倍了。

前面讲过，快排比较适合来实现排序函数，但是我们也知道，快排在最坏情况下的时间复杂度是 $O(n^2)$，如何来解决这个 “复杂度恶化” 的问题呢？

如何优化快速排序

先看下，为什么最坏情况下快速排序的时间复杂度是 $O(n^2)$？前面讲过，如果数据有序或者接近有序，每次分区点都选择最后一个数据，那快速排序算法就会变得非常糟糕，时间复杂度就会退化为 $O(n^2)$。实际上，这种 $O(n^2)$ 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。

那什么样的分区点是好的分区点呢？或者说如何来选择分区点呢？

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。

如果很粗暴地直接选择第一个或最后一个数据作为分区点，不考虑数据的特点，肯定会出现之前讲的那样，在某些情况下，排序的最坏情况时间复杂度是 $O(n^2)$。为了提高排序算法的性能，我们也要尽可能让每次分区都比较平均。

这里介绍两个比较常用、比较简单的分区算法，你可以直观感受一下。

1.三数取中法

我们从区间的首、尾、中间，分别取出一个数，然后比对大小，取这 3 个数的中间值作为分区点。这样每间隔某个固定的长度，取出来比较，将中间值作为分区点的分区算法，肯定要比单纯取某一个数据更好。但是，如果，要排序的数组比较大，那 “三数取中” 可能就不够了，可能要 “五数取中” 或者 “十数取中”。

2.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。这种方法并不能保证每次分区点都选的比较好，但是从概率的角度来看，也不大可能出现每次分区点都选得很差的情况，所以平均情况下，这样选的分区点是比较好的。时间复杂度退化为最糟糕的 $O(n^2)$ 的情况，出现的可能性不大。

好了，这里也只是抛砖引玉，如果想了解更多寻找分区点的方法，可以自行去深入学习了解一下。

我们知道，快速排序是用递归来实现的。我们在递归那一章节 讲过，要警惕堆栈溢出。为了避免堆栈溢出，有两种解决办法：

• 第一种是限制递归深度。一旦递归过深，超过了预先设定的阈值，就停止递归。
• 第二种是通过在堆上模拟实现一个函数调用栈，手动模拟递归压栈出栈的过程，这样就没有了系统栈大小的限制。

举例分析排序函数

为了让你对如何实现一个排序函数有一个更直观的感受，我们拿 Glibc 中的 qsort() 函数举例说明一下。虽说 qsort() 从名字上看很像基于快速排序算法实现的，实际上它并不仅仅用了快排这一种算法。

如果去看源码，你就会发现，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 $O(n)$，所以对于数据量小的排序，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。现在计算机的内存都挺大，我们很多时候追求的是速度。还记得前面讲过的用空间换时间的技巧吗？这就是一个典型的应用。

但如果数据量太大，比如 100MB 的数据，这个时候我们再约归并排序就不合适了。所以，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。

那 qsort() 是如何选择快速排序算法的分区点的呢？如果去看源码，你就会发现，qsort() 选择分区点的方法就是 “三数取中法”。是不是也并不复杂？

还有我们前面提到的递归太深会导致堆栈溢出的问题，qsort() 是通过自己实现一个堆上的栈，手动模拟递归来解决的。之前讲递归那一节也讲过，不知道你还有没有印象？

实际上，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，元素个数小于等于 4 时，qsort() 就退化为插入排序，不用再继续用递归来做快速排序，因为我们前面也讲过，在小规模数据面向，$O(n^2)$ 时间复杂度的算法并不一定比 $O(nlogn)$ 算法的执行时间长。 我们现在来分下下这个说法。

我们在讲复杂度分析的时候讲过，算法的性能可以通过时间复杂度来分析，但是，这种复杂度分析还是比较偏理论的，如果我们深究的话，实际上时间复杂度并不等于代码实际的运行时间。

时间复杂度代表的是一个增长趋势，如果画成增长曲线，你会发现 $O(n^2)$ 比 $O(nlogn)$ 要陡峭，也就是说增长趋势要猛一些。但是，我们前面讲过，在大 O 复杂度表示法中，我们会省略低阶、系统和常数，也就是说 $O(nlogn)$ 在没有省略低阶、系统、常数之前可能是 $O(knlogn+c)$，而 k 和 c 有可能还是一个比较大的数。

假设 k = 1000, c=200，当我们对小规模数据（比如 n=100）排序时，$n^2$ 的值实际上比 $knlogn+c$ 还要小。

knlogn + c = 1000 * 100 * log100 + 20 远大于 10000
n^2 = 100 * 100 = 10000

所以，对于小规模数据的排序，$O(n^2)$ 的排序算法并一定比 $O(nlogn)$ 排序算法执行的时间长。对于小数据量的排序，我们选择比较简单、不需要递归的插入排序算法。

还记得我们之前讲的哨兵来简化代码，提高执行效率吗？在 qsort() 插入排序的算法实现中，也利用了这种编码技巧。虽然哨兵可能只是少做了一次判断，但比较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。

好了，C 语言的 qsort() 已经分析完了，你有没有觉得其实也不是很难，有了前面的知识积累，看一些底层的类库时，是不是也更容易了呢？

小结

本章带你分析了一下如何来实现一个工业级的通用的、高效的排序函数，内容比较篇实战，而且贯穿了一些前面几篇章节的内容，记得要回顾，多看几遍。

我们大部分排序函数都是采用 $O(nlogn)$ 排序算法来实现，但是为了尽可能地提高性能，会做很多优化。

本章还分析了快速排序的一些优化策略，比如合理选择分区点、避免递归太深等等。最后还带你分析了一个 C 语音中的 qsort() 的底层实现原理，希望你对此有一个更加直观的感受。