排序算法python实现

先列出一些算法复杂度的标识符号的意思， 最常用的是O，表示算法的上届，如 2n² = O(n² ), 而且有可能是渐进紧确的， 意思是g(n)乘上一个常数系数是可以等于f(n)的，就是所谓的a<=b。而o的区别就是非渐进紧确的，如2n = o(n² ), o(n² )确实可以作为2n的上届， 不过比较大， 就是所谓的a<b.

其他符号表示了下届，和非渐进紧确的下届， a>=b, a>b
还有既是上届也是下届， 就是a＝b

 

Bubble Sort

冒泡排序效率是最低的, 对于list中任意一点, 都必须遍历其后所有元素以找到最小元素, 这个耗费是n

所以对于完整的冒泡算法, 对list中n个点, 算法复杂度就是n²

def bubbleSort(data): if len(data) < 2: return data for i in range(0, len(data)-1): m = i for j in range(i+1, len(data)): if data[m] > data[j]: m =j if m != i: data[i], data[m] = data[m], data[i] return data 

 

 

Insert Sort

对于插入的任一个元素, 最差情况是需要遍历它之前的所有元素, 才能找到插入位置. 但这个是最差情况, 一般不需要.

所以他的复杂度同样是n² , 但对于普通的排序, 效率要高于冒泡

def insertSort(data): if len(data) < 2: return data for i in range(1,len(data)): print data key = data[i] j = i-1 while j >= 0 and key < data[j]: data[j+1] = data[j] j = j-1 data[j+1]= key return data

 

 

Merge Sort

这个算法是基于二分法的递归算法, 把二分递归的过程图形化, 会形成一个递归树（对分析表示分治算法的递归式的复杂度时，递归树方法好用形象）. 树高为logn, 对于树的每一层进行并归操作, 可以看出每层并归的耗费最大是n, 所以算法复杂度就是nlogn. Merge Sort的缺点就是, 它不是inplace的, 需要耗费和输入同样大小的数据空间.

def mergeSort(data): length = len(data) if length < 2: return data l = data[:length/2] r = data[length/2:] outL = mergeSort(l) outR = mergeSort(r) return merge(outL, outR) def merge(l,r): print l,r data = [] while len(l)>0 and len(r)>0: if l[0] > r[0]: data.append(l.pop(0)) else: data.append(r.pop(0)) if len(l) >0: data.extend(l) else: data.extend(r) return data 

 

Heap Sort

堆排序首先是建堆, 建堆就是对所有非叶子节点进行堆化操作, 堆化的最大耗费是logn, 所以建堆的最大耗费是nlogn, 但是其实大部分的节点的高都远远没有logn, 这个可以计算出实际的最大耗费只有n.

最后排序的耗费n-1次堆化操作, 所以整个的复杂度为nlogn.

堆排序复杂度达到nlogn, 而且是inplace算法.

def heapSort(input): output = [] buildHeap(input) print input while input: i = len(input)-1 input[0],input[i] = input[i],input[0] output.append(input.pop()) if input: maxHeapify(input,0) return output def maxHeapify(input, i): if i <0: return left = 2*i+1 # because the i from 0, not 1 right = 2*i+2 largest = i length = len(input) if left < length: if input[i]< input[left]: largest = left if right < length: if input[largest]< input[right]: largest = right if largest != i: input[i], input[largest] = input[largest], input[i] maxHeapify(input,largest) def buildHeap(input): length = len(input) if length < 2: return nonLeaf = length/2 for i in range(nonLeaf,-1,-1): maxHeapify(input,i)

 

Quick Sort

快排在最差的情况下，即对于已经排好序的序列， 每次划分都是0和n-1， 这样的算法复杂度为n² .这种情况下如果表示成递归树， 树高为n， 每层partition的耗费是n，所以复杂度为n*n
而在最好情况下就是， 序列为对称的， 每次为折半划分， 这个情况和并归排序一样， 耗费为nlogn
而在平均情况下， 可以证明是接近最好情况的， 即复杂度为nlogn，原因是任何一种按常数比例进行的划分都会产生深度为lgn的递归树

def partition(data, p, r): i = p-1 cmp = data[r] for j in range(p,r): if data[j] < cmp: i = i+1 if i <> j: data[i],data[j] = data[j],data[i] if (i+1) <> r: data[i+1],data[r] = data[r],data[i+1] return i+1 def randomPartition(data, p, r): import random i = random.randint(p,r) data[i], data[r] = data[r], data[i] return partition(data, p, r) def quickSort(data, p, r): if p < r: q = partition(data, p, r) #q = randomPartition(data, p, r) quickSort(data, p, q-1) quickSort(data, q+1, r)

 

其他排序问题

对于普通的排序算法, 即比较排序算法, 复杂度的下限为nlogn, 不可能比这个更少
对于这个的理解是, 比较排序可以被抽象为决策树, 对于n个元素可能的排列为n!个, 所以树的叶子节点有n!个, 对于一个高h的树, 叶子节点最多有2^h 个, 所以可以算出h的下限为nlogn
而对于比较排序而言, 任意两个元素的顺序都要通过一次比较来完成, 所以下限为需要两两比较的次数
如果要突破这个下限, 就必须基于某种假设, 而不可能是通用的比较算法.
比如计数排序, 假设输入由一个小范围内(小于k)的整数构成, 那排序方法很简单, 建立一个长度为k的数组A, 遍历输入, 并把输入i放入相应的A[i]中. 排序只要O(n)
如果是桶排序, 假设输入为均匀分布[0,1), 由一个随机过程产生. 把[0,1)区域均匀划分为n个子区域, 称为桶, 然后把输入分布到各个桶中. 用于输入是均匀分布的, 每个桶中的输入一定很少, 那么先在桶内排序, 然后把各个桶中的元素列出来即可.