算法之堆排序（python实现）

堆排序

堆

什么是堆？

堆和栈是计算机的两种最基本的数据结构。

堆的特点就是FIFO(first in first out)先进先出（这里是便于大家理解下面的排序过程，实际的堆结构是完全二叉树，数据的存取可认为是无序的）。

栈的特性是属于FILO(first in/last out)先进后出的类型，感兴趣的同学下去可以自行google。

堆（定义）：（二叉）堆数据结构是一个数组对象，可以视为一棵完全二叉树。如果根结点的值大于（小于）其它所有结点，并且它的左右子树也满足这样的性质，那么这个堆就是大（小）根堆。

大致的排序过程如下：

堆排序节点访问

在这里我们借用wiki的定义来说明：
通常堆是通过一维数组来实现的。在阵列起始位置为0的情况中

• 父节点i的左子节点在位置(2*i+1);
• 父节点i的右子节点在位置(2*i+2);
• 子节点i的父节点在位置(i-1)//2;

堆排序操作的意义

堆可以分为大根堆和小根堆，这里用大根堆的情况来定义操作：
(1)大根堆调整（max_heapify）：
将堆的末端子节点作调整，使得子节点永远小于父节点。这是核心步骤，在建堆和堆排序都会用到。
比较 $i$ 的根节点和与其所对应 $i$ 的孩子节点的值，当 $i$ 根节点的值比左孩子节点的值要小的时候，就把 $i$ 根节点和左孩子节点所对应的值交换，同理，就把i根节点和右孩子节点所对应的值交换。
然后再调用堆调整这个过程，可见这是一个递归的过程。

def max_heapify(heap,heapSize,root):  # 调整列表中的元素并保证以root为根的堆是一个大根堆
    '''
    给定某个节点的下标root，这个节点的父节点、左子节点、右子节点的下标都可以被计算出来。
    父节点：(root-1)//2
    左子节点：2*root + 1
    右子节点：2*root + 2  即：左子节点 + 1
    '''
    left = 2*root + 1
    right = left + 1
    larger = root
    # 小根堆只需要把下面and后面的条件改成：heap[larger] < heap[left] 和 heap[larger] < heap[right]
    # 当然，为了能见名知义，可以把larger换成smaller
    if left < heapSize and heap[larger] < heap[left]:
        larger = left
    if right < heapSize and heap[larger] < heap[right]:
        larger = right
    if larger != root:  # 如果做了堆调整则larger的值等于左节点或者右节点的值，这个时候做堆调整操作，交换此时的最大值到root节点
        heap[larger], heap[root] = heap[root], heap[larger]
        # 递归的对子树做调整
        max_heapify(heap, heapSize, larger)

(2)建立大根堆（build_max_heap）：
将堆中所有的数据重新排序。建堆的过程其实就是不断做大根堆调整的过程，从(heapSize -2)//2处开始调整，一直调整到第一个根节点。

def build_max_heap(heap):  # 构造一个堆，将堆中所有数据重新排序
    heapSize = len(heap)
    for i in range((heapSize -2)//2,-1,-1):  # 自底向上建堆
        max_heapify(heap, heapSize, i)

(3)堆排序（heap_sort）：
得到大根堆之后，我们知道了根节点（即列表的第一个元素）的值是最大的，若想将待排序数组按照从小到大的方式进行排序，可将根节点取出与最后一位做对调，此时我们打乱了大根堆的顺序，接下来我们只需要将前 $n-1$ 个元素继续进行大根堆的构建，然后再将根节点与当前第 $n-1$ 个元素调换位置，即可得到原数组第二大的元素，以此类推，最终的数组即可变成有序数组。
堆排序流程梳理：
首先建堆，然后将堆的根节点选出与最后一个节点进行交换，然后将前面 $len(heap)-1$ 个节点继续做堆调整，直到将所有的节点取出，对于有 $n$ 个元素的一维数组我们只需要做 $n-1$ 次操作。

import random

def heap_sort(heap):  # 将根节点取出与最后一位做对调，对前面len-1个节点继续进行堆调整过程。
    build_max_heap(heap)
    # 调整后列表的第一个元素就是这个列表中最大的元素，将其与最后一个元素交换，然后将剩余的列表再递归的调整为最大堆
    for i in range(len(heap)-1, -1, -1):
        heap[0], heap[i] = heap[i], heap[0]
        max_heapify(heap, i, 0)

# 测试
if __name__ == '__main__':
    a = [30, 50, 57, 77, 62, 78, 94, 80, 84]
    print(a)
    heap_sort(a)
    print(a)
    b = [random.randint(1,666) for i in range(666)]
    print(b)
    heap_sort(b)
    print(b)

这里用网上的一张比较直观的图来展示一下堆排序的过程：

时间复杂度

堆排序的时间复杂度分为两个部分一个是建堆的时候所耗费的时间，一个是进行堆调整的时候所耗费的时间。而堆排序则是调用了建堆和堆调整。

刚刚在上面也提及到了，建堆是一个线性过程，从 $len(heapSize)/2$ 一直调用堆调整的过程，相当于 $O(h_1)+O(h_2)+\dots +O(h_{len(heapSize)/2})$ 这里的 $h$ 表示节点深度， $len(heapSize)/2$ 表示节点最大深度，对于求和过程，与数组长度 $heapSize$ 线性相关，时间复杂度为 $O(n)$ 。

堆调整为一个递归的过程，调整堆的过程时间复杂度与堆的深度有关系，相当于 $logn$ 的操作。

因为建堆的时间复杂度是 $O(n)$ ，调整堆的时间复杂度是 $O(logn)$ ，所以堆排序的时间复杂度是 $O(nlogn)$ 。