排序算法：快速排序，golang实现

幸享龙枫

于 2024-07-31 13:34:33 发布

阅读量397

点赞数 8

分类专栏：算法 golang 文章标签：排序算法算法 golang

本文链接：https://blog.csdn.net/longfeng995/article/details/140817438

版权

golang 同时被 2 个专栏收录

11 篇文章 0 订阅

订阅专栏

算法

4 篇文章 0 订阅

订阅专栏

前言

在实际场景中，选择合适的排序算法对于提高程序的效率和性能至关重要，本节课主要讲解"快速排序"的适用场景及代码实现。

快速排序

快速排序(Quick Sort) 是一种非常高效的排序算法，采用分治法的策略来把一个序列分为较小和较大的两个子序列，然后递归地排序两个子序列。其基本思想是：选择一个基准值(pivot)，通过一趟排序将待排序的数据分割成独立的两部分，其中一部分的所有数据都比另一部分的所有数据要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以达到整个数据变成有序序列。

代码示例

下面我们使用Go语言实现一个快速排序

1. 算法包

创建一个 pkg/algorithm.go

mkdir pkg/algorithm.go

(如果看过上节课的插入排序，则已存在该文件，我们就不需要再创建了)

2. 快速排序代码

打开 pkg/algorithm.go 文件，代码如下

从小到大 排序

package pkg

// BubbleSort 冒泡排序
...

// SelectionSort 选择排序
...

// InsertionSort 插入排序
...

// QuickSort 快速排序
func QuickSort(arr []int, low, high int) {
	if low < high {
		// partitionIndex 是分区操作后基准的索引
		partitionIndex := partition(arr, low, high)

		// 分别对基准左侧和右侧的子数组进行快速排序
		QuickSort(arr, low, partitionIndex-1)
		QuickSort(arr, partitionIndex+1, high)
	}
}

// partition 分区操作
func partition(arr []int, low, high int) int {
	pivot := arr[high] // 选择最后一个元素作为基数
	i := low - 1

	for j := low; j < high; j++ {
		// 如果当前元素小于或等于基数
		if arr[j] <= pivot {
			i++
			// 交换 arr[i] 和 arr[j]
			arr[i], arr[j] = arr[j], arr[i]
		}
	}
	// 交换 arr[i+1] 和 arr[high] (基准值)
	arr[i+1], arr[high] = arr[high], arr[i+1]
	return i + 1
}

3. 模拟程序

打开 main.go 文件，代码如下：

package main

import (
	"demo/pkg"
	"fmt"
)

func main() {
	// 定义一个切片，这里我们模拟 10 个元素
	arr := []int{51, 224, 67, 322, 825, 103, 50, 965, 789, 601}
	fmt.Println("Original data:", arr) // 先打印原始数据
	pkg.QuickSort(arr, 0, len(arr)-1)  // 调用快速排序
	fmt.Println("New data:  ", arr)    // 后打印排序后的数据
}

4. 运行程序

go run main.go

能发现， Original data 后打印的数据，正是我们代码中定义的切片数据，顺序也是一致的。

New Data 后打印的数据，则是经过快速排序后的数据，是从小到大的。

5. 从大到小排序

如果需要从大到小排序也是可以的，在代码里，将两个元素比较的小于等于符号改成大于等于符号即可。

修改 pkg/algorithm.go 文件：

package pkg

// BubbleSort 冒泡排序
...

// SelectionSort 选择排序
...

// InsertionSort 插入排序
...

// QuickSort 快速排序
func QuickSort(arr []int, low, high int) {
	if low < high {
		// partitionIndex 是分区操作后基准的索引
		partitionIndex := partition(arr, low, high)

		// 分别对基准左侧和右侧的子数组进行快速排序
		QuickSort(arr, low, partitionIndex-1)
		QuickSort(arr, partitionIndex+1, high)
	}
}

// partition 分区操作
func partition(arr []int, low, high int) int {
	pivot := arr[high] // 选择最后一个元素作为基数
	i := low - 1

	for j := low; j < high; j++ {
		// 如果当前元素大于或等于基数
		if arr[j] >= pivot {
			i++
			// 交换 arr[i] 和 arr[j]
			arr[i], arr[j] = arr[j], arr[i]
		}
	}
	// 交换 arr[i+1] 和 arr[high] (基准值)
	arr[i+1], arr[high] = arr[high], arr[i+1]
	return i + 1
}

只需要一丁点的代码即可

从 package pkg 算第一行，上面示例中在第三十一行代码中，我们将 "<=" 改成了 ">=" ，这样就变成了从大到小排序了

快速排序的思想

分而治之：将大问题分解为小问题，然后递归地解决小问题，最后将小问题的解合并成原问题的解
原地排序：快速排序是原地排序算法，它只需要一个很小的栈空间(用于递归)来进行排序，不需要额外的存储空间
不稳定性：快速排序在某些情况下可能不是稳定的排序算法，因为相同元素的相对位置可能会在排序过程中改变

快速排序的实现逻辑

1. 选择基准值 (Pivot)

在快速排序中，首先需要选择一个基准值(pivot)。基准值的选择对排序的效率有很大的影响，但在本文的示例代码中，我们简单地选择了数组的最后一个元素作为基准值

2. 分区操作 (Partition)

分区操作是快速排序的核心。它的目的是将数组重新排列，使得所有比基准值小的元素都移到基准值的左边，所有比基准值大的元素都移到右边。分区操作完成后，基准值就处于其最终排序位置
在 partition 函数中，我们使用两个指针 i 和 j，其中 i 指向小于基准值的最后一个元素的下一个位置(初始化为 low - 1)， j 用于遍历数组 (从 low 开始到 high - 1)。当 arr[j] 小于或等于基准值时，我们将其与 arr[i+1] 交换，并将 i 增加 1。这样，所有小于或等于基准值的元素都被交换到了基准值的左边
最后，我们将基准值 (原本在 arr[high] ) 与 arr[i + 1] 交换，此时 i + 1 就是基准值的最终位置，也是分区操作的返回值

3. 递归排序

分区操作完成后，我们得到了基准值的正确位置，并且数组被分成了两部分：一部分是基准值左边的所有元素 (都比基准值小)，另一部分是基准值右边的所有元素 (都比基准值大)
然后，我们递归地对这两部分分别进行快速排序。这是通过调用 QuickSort 函数，并传入适当的参数 (基准值左侧和右侧的子数组的范围) 来实现的

循环次数测试

按照上面示例进行测试

假如 10 条数据进行排序

[]int{51, 224, 67, 322, 825, 103, 50, 965, 789, 601}

总计循环了 30 次

假如 20 条数据进行排序

[]int{997, 387, 461, 530, 979, 502, 36, 459, 99, 60, 454, 37, 182, 273, 529, 130, 315, 351, 975, 497}

总计循环了 83 次

假如 30 条数据进行排序

[]int{755, 247, 642, 652, 38, 587, 387, 284, 476, 924, 339, 830, 614, 534, 832, 450, 8, 641, 768, 788, 472, 750, 169, 479, 386, 124, 868, 259, 550, 613}

总计循环了 138 次

上面我们说到，"基准值的选择对排序的效率有很大的影响"，我们修改一条，依旧使用 30 条数据，我们将其最后一位数据 613，改成其他数 120 (这个值可随便改，这里示例 120)

通过调试，循环了 151 次

如果将 120 改成 700

通过调试，循环了 131 次

快速排序的适用场景

快速排序在多种情况下都是非常高效的，特别是以下几种情况：

1. 大数据集

对于大数据集，快速排序通常比简单的排序算法 (如冒泡排序、插入排序) 更快

2. 随机数据

当输入数组中的数据是随机分布的时，快速排序的平均时间复杂度是 O(n log n)，这是非常高效的

3. 缓存友好的

快速排序通过递归地在数组的不同部分上工作，倾向于产生良好的缓存局部性，特别是在处理大数据集时

然后，快速排序在某些情况下可能不是最佳选择，例如：

小数据集：对于非常小的数据集，快速排序的递归开销可能使得它不如简单的排序算法 (如插入排序) 快
几乎已经排序的数据：在这种情况下，快速排序的性能可能退化为 O(n^2)，因为它依赖于分区操作来减少问题的规模。如果分区操作不能有效地减少数组的大小 (例如，基准值总是最大或最小的元素)，则会导致性能下降。在这种情况下，可以考虑使用归并排序或堆排序等算法
不稳定的排序需求：虽然快速排序在大多数情况下是稳定的 (如果实现得当)，但在某些特定实现中可能不是。如果稳定性是排序算法的一个关键要求，可能需要考虑其他算法