本章标题
七 排序
排序也称排序算法(Sort Algorithm),排序是将一组数据,依指定的顺序进行排列的过程。
7.1 排序分类
- 内部排序:
指将需要处理的所有数据都加载到**内部存储器(内存)**中进行排序。 - 外部排序法
数据量过大,无法全部加载到内存中,需要**借助外部存储(文件等)**进行排序。
7.2 算法时间复杂度
7.2.1 度量一个程序(算法)执行时间的两种方法
- 事后统计的方法
这种方法可行, 但是有两个问题:一是要想对设计的算法的运行性能进行评测,需要实际运行该程序;二是所得时间的统计量依赖于计算机的硬件、软件等环境因素,
这种方式,要在同一台计算机的相同状态下运行,才能比较那个算法速度更快。 - 通过分析某个算法的时间复杂度来判断哪个算法更优.
7.2.2 时间频度
一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
7.2.3 时间频度举例说明
- 忽略常数项
(1)2n+20 和 2n 随着 n 变大,执行曲线无限接近, 20 可以忽略
(2)3n+10 和 3n 随着 n 变大,执行曲线无限接近, 10 可以忽略 - 忽略低次项
(1)2n^2+3n+10 和 2n^2 随着 n 变大, 执行曲线无限接近, 可以忽略 3n+10
(2) n^2+5n+20 和 n^2 随着 n 变大,执行曲线无限接近, 可以忽略 5n+20 - 忽略系数
(1)随着 n 值变大,5n^2+7n 和 3n^2 + 2n ,执行曲线重合, 说明 这种情况下, 5 和3 可以忽略。
(2)而 n^3+5n 和 6n^3+4n ,执行曲线分离,说明多少次方式关键
7.2.4 时间复杂度
- 一般情况下,算法中的基本操作语句的重复执行次数是问题规模 n 的某个函数,用 T(n)表示,若有某个辅 助函数 f(n),使得当 n 趋近于无穷大时,T(n) / f(n) 的极限值为不等于零的常数,则称 f(n)是T(n)的同数量级函数。
记作 T(n)=O( f(n) ),称O( f(n) ) 为算法的渐进时间复杂度,简称时间复杂度。 - T(n) 不同,但时间复杂度可能相同。 如:T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的 T(n) 不同,但时间复杂度相同,都为 O(n²)。
- 计算时间复杂度的方法:
(1)用常数 1 代替运行时间中的所有加法常数 T(n)=n²+7n+6 => T(n)=n²+7n+1
(2)修改后的运行次数函数中,只保留最高阶项 T(n)=n²+7n+1 => T(n) = n²
(3)去除最高阶项的系数 T(n) = n² => T(n) = n² => O(n²)
7.2.5 常见的时间复杂度
- 常数阶 O(1)
只要是没有循环等复杂结构,那这个代码的时间复杂度就是O(1)。 - 对数阶 O(log2n)
求2的多少次方=n。 - 线性阶 O(n)
一层for循环。 - 线性对数阶 O(nlogn)
将时间复杂度为O(nlogn)的代码加一层for循环。 - 平方阶 O(n^2)
两层for循环。 - 立方阶 O(n^3)
三次for循环 - k 次方阶 O(n^k)
k层for循环 - 指数阶 O(2^n)
说明:
(1)常见的算法时间复杂度由小到大依次为:Ο(1)<Ο(log2n)<Ο(n)<Ο(nlog2n)<Ο(n2)<Ο(n3)< Ο(nk) <
Ο(2n) ,随着问题规模 n 的不断增大,上述时间复杂度不断增大,算法的执行效率越低
(2) 从图中可见,我们应该尽可能避免使用指数阶的算法
7.2.6 平均时间复杂度和最坏时间复杂度
- 平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下,该算法的运行时间。
- 最坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。这样做的原因是:最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限,这就保证了算法的运行时间不会 比最坏情况更长。
- 平均时间复杂度和最坏时间复杂度是否一致,和算法有关(如图:)。
7.3 算法的空间复杂度
- 类似于时间复杂度的讨论,一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间,它也是问题规模 n 的函数。
- 空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度。有的算法需要占用的 临时工作单元数与解决问题的规模 n 有关,它随着 n 的增大而增大,当 n 较大时,将占用较多的存储单元,例 如快速排序和归并排序算法, 基数排序就属于这种情况
- 在做算法分析时,主要讨论的是时间复杂度。从用户使用体验上看,更看重的程序执行的速度。一些缓存产品 (redis, memcache)和算法(基数排序)本质就是用空间换时间.
7.5 冒泡排序
边比较边交换。,前后两个相邻的元素,如果满足交换条件就交换。
7.5.1 基本介绍
通过对待排序序列从前向后(从下标较小的元素开始),依次比较
相邻元素的值,若发现逆序则交换,使值较大的元素逐渐从前移向后部,就象水底下的气泡一样逐渐向上冒。
小结上面的图解过程:
(1)一共进行 数组的大小-1 次 大的循环
(2)每一趟排序的次数在逐渐的减少
(3)如果我们发现在某趟排序中,没有发生一次交换, 可以提前结束冒泡排序。这个就是优化
7.5.2 冒泡排序的实现
public static void main(String[] args) {
int arr[]= {3,9,-1,10,-2};
//为了便于理解,我们将冒泡的演变过程展示
int temp=0; //用于交换的临时变量
for (int i=0; i <arr.length-1; i++) {
for (int j = 0; j <arr.length-1-i; j++) {
if (arr[j]>arr[j+1]) {
temp=arr[j];
arr[j]=arr[j+1];
arr[j+1]=temp;
}
}
System.out.printf("第%d次排序的结果为:%s\n",i,Arrays.toString(arr));
}
}
7.5.3 冒泡排序的优化
解决问题:针对如果当前序列已经是有序序列,冒泡排序仍需要进行比较,但并没有发生交换。
//冒泡排序:返回一个拍好序的数组
public static int[] bubbleSort(int[] arr) {
//为了便于理解,我们将冒泡的演变过程展示
int temp=0; //用于交换的临时变量
boolean flag=false; //用于判断在一次循环中是否进行了狡猾,如果没有交换,说明当前已是有序,直接结束
for (int i=0; i <arr.length-1; i++) {
for (int j = 0; j <arr.length-1-i; j++) {
if (arr[j]>arr[j+1]) {
flag=true;
temp=arr[j];
arr[j]=arr[j+1];
arr[j+1]=temp;
}
}
System.out.printf("第%d次排序的结果为:%s\n",i,Arrays.toString(arr));
if (!flag) {
break;
}else {
flag=false; //重置flag
}
}
return arr;
}
7.6 选择排序
比较完了再交换,直接和要放的位置的元素进行交换。
7.6.1 基本介绍
选择式排序也属于内部排序法,是从欲排序的数据中,按指定的规则选出某一元素,再依规定交换位置后达到 排序的目的。
7.6.2 选择排序思路分析图
说明:
- 选择排序一共有 数组大小 - 1 轮排序
- 每1轮排序,又是一个循环, 循环的规则(代码)
2.1先假定当前这个数是最小数
2.2 然后和后面的每个数进行比较,如果发现有比当前数更小的数,就重新确定最小数,并得到下标
2.3 当遍历到数组的最后时,就得到本轮最小数和下标
2.4 交换:将最小值与要放的目标位置的元素进行交换。
7.6.3 选择排序的代码实现
创建要给 80000 个的随机的数组, 在我的机器是 2-3 秒,比冒泡快
//选择排序算法
public static int[] selectSort(int[] arr) {
//算法:先简单->后复杂
//就是把一个复杂问题,拆分成简单的问题,然后再逐步解决
for (int i = 0; i < arr.length-1; i++) {
int minIndex=i; //存放最小数对应的下标。
int min=arr[i]; //假设最小数为arr[0]
for (int j = i+1; j < arr.length; j++) {
if (min>arr[j]) {
min=arr[j];
minIndex=j;
}
}
if (minIndex!=i) {
arr[minIndex]=arr[i];
arr[i]=min;
}
}
return arr;
}
7.7 插入排序
7.7.1插入排序法介绍:
插入式排序属于内部排序法,是对于欲排序的元素以插入的方式找寻该元素的适当位置,以达到排序的目的。
7.7.2插入排序法思想:
插入排序(Insertion Sorting)的基本思想是:把 n 个待排序的元素看成为一个有序表和一个无序表,开始时有 序表中只包含一个元素,无序表中包含有 n-1 个元素,排序过程中每次从无序表中取出第一个元素,把它的排序码依次与有序表元素的排序码进行比较,将它插入到有序表中的适当位置,使之成为新的有序表。
7.7.3插入排序思路图:
7.7.4 插入排序的代码实现
public static int[] insertSort(int[] arr) {
for(int i=1;i<arr.length;i++) {
//定义待插入的数
int insertValue=arr[i];
int insertIndex=i-1;
//找到插入位置
while (insertIndex>=0 && insertValue<arr[insertIndex]) {
arr[insertIndex+1]=arr[insertIndex]; //将arr[insertIndex】后移
insertIndex--; //从后往前移
}
if (insertIndex+1!=i) {
arr[insertIndex+1]=insertValue;
}
}
return arr;
}
7.7.5 插入排序存在的问题
7.8 希尔排序
7.8.1 希尔排序介绍
希尔排序也是一种插入排序,它是简单插入排序经过改进之后的一个更高效的版本,也称为缩小增量排序。
7.8.2 希尔排序的基本思想
希尔排序是把记录按下标的一定增量分组,对每组使用直接插入排序算法排序;随着增量逐渐减少,每组包含 的关键词越来越多,当增量减至1 时,整个文件恰被分成一组,算法便终止。
7.8.3 希尔排序交的代码实现
- 希尔排序的交换法实现
这种方案,比插入排序还慢,不满足要求,80000个数据,十几秒。
//希尔排序
public static int[] shellSort(int[] arr) {
int temp=0;
for(int gap=arr.length/2;gap>0;gap/=2) {
//因为第一次排序,将10个数分成了5组
for (int i = gap; i < arr.length; i++) {
//遍历各组元素,步长为5
for (int j = i-gap; j>=0;j-=gap) {
//如果当前元素大于加上步长的那个元素,则交换
if (arr[j]>arr[j+gap]) {
temp = arr[j];
arr[j]=arr[j+gap];
arr[j+gap]=temp;
}
}
}
System.out.println(Arrays.toString(arr));
}
return arr;
}
- 希尔排序的移动法实现
8000个数据,一秒。
//希尔排序的移动法实现
public static int[] shellSort2(int[] arr) {
for(int gap=arr.length/2;gap>0;gap/=2) {
//从第gap个元素开始,逐个对其所在的组进行直接插入排序
for (int i = gap; i < arr.length; i++) {
int j=i;
int temp=arr[j];
if (arr[j]<arr[j-gap]) {
while (j-gap>=0 && temp<arr[j-gap]) {
//移动
arr[j]=arr[j-gap];
j-=gap;
}
//当退出while,说明找到插入位置
arr[j]=temp;
}
}
}
return arr;
}
7.9 快速排序
7.9.1 快速排序介绍
快速排序(Quicksort)是对冒泡排序的一种改进。基本思想是:通过一趟排序将要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外一部分的所有数据都要小,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,以此达到整个数据变成有序序列。
7.9.2快速排序法示意图:
7.9.3 快速排序的代码实现
快速排序
public static int[] quickSort(int[] arr,int left,int right) {
int l=left; //左下标
int r=right; //右下标
int temp=0; //交换辅助变量
//privot:中轴值
int pivot=arr[(left+right)/2];
//while循环的目的是让pivot值小的元素放到左边,比pivot大的值放到右边
while (l<r) {
//在pivot的左边一直找,找到大于等于pivot值,才退出
while (arr[l]<pivot) {
l+=1;
}
//在pivot的右边一直找,找到小于等于pivot值,才退出
while (arr[r]>pivot) {
r-=1;
}
if (l>=r) { //如果l>=r;说明pivot的左右两边的值,已经满足,左边的都小于pivot,右边的大于pivot
break;
}
//交换
temp=arr[l];
arr[l]=arr[r];
arr[r]=temp;
//如果交换完毕,发现arr[l]==pivot,则r--,前移
if (arr[l]==pivot) {
r-=1;
}
//如果交换完毕,发现arr[r]==pivot,则l++,后移
if (arr[r]==pivot) {
l+=1;
}
}
//如果l==r,必须l++,r--,否则会出现找溢出
if (l==r) {
l+=1;
r-=1;
}
//向左递归
if (left<r) {
quickSort(arr, left, r);
}
//向右递归
if (right>l) {
quickSort(arr, l, right);
}
return arr;
}
7.10 归并排序
7.10.1 排序介绍
归并排序(MERGE-SORT)是利用归并的思想实现的排序方法,该算法采用经典的分治(divide-and-conquer) 策略(分治法将问题分(divide)成一些小的问题然后递归求解,而治(conquer)的阶段则将分的阶段得到的各答案"修 补"在一起,即分而治之)。
7.10.2 归并排序思想示意图1-基本思想:
7.10.3 归并排序思想示意图2-合并相邻有序子序列
再来看看治阶段,我们需要将两个已经有序的子序列合并成一个有序序列,比如上图中的最后一次合并,要将 [4,5,7,8]和[1,2,3,6]两个已经有序的子序列,合并为最终序列[1,2,3,4,5,6,7,8],来看下实现步骤
7.10.4 归并排序的实现
package com.atguigu.sort;
import java.util.Arrays;
public class Merge {
public static void main(String[] args) {
int arr[]= {8,4,5,7,1,3,6,2};
int temp[]=new int[arr.length];
mergeSort(arr, 0, arr.length-1, temp);
System.out.println(Arrays.toString(arr));
}
//分+合并的方法
public static void mergeSort(int[] arr,int left, int right,int[] temp) {
if (left<right) {
int mid=(left+right)/2; //中间索引
//向左递归进行分解
mergeSort(arr, left, mid, temp);
//向右递归进行分解
mergeSort(arr, mid+1, right, temp);
//合并
merge(arr, left, mid, right, temp);
}
}
/**
* 此方法是合并的方法
* @param arr 排序的原始数组
* @param left 左边序列的初始索引
* @param mid 中间索引
* @param temp 右边索引
* @return 做中转的数组
*/
public static int[] merge(int[] arr,int left,int mid,int right,int[] temp) {
int i=left; //初始化i,左边有序序列的初始索引
int j=mid+1; //初始化j,右边有序序列的初始索引
int t=0; //指向temp数组的当前索引
//1.先把左右两边(有序)的数据按照规则填充到temp数组
//直到左右两边的有序序列有一边完毕为止
while(i<=mid && j<=right) {
//如果左边的有序序列的当前元素,小于等于右边有序序列的当前元素;将左边元素拷贝到temp,t++,i++
if (arr[i]<=arr[j]) {
temp[t]=arr[i];
t+=1;
i+=1;
}else { //反之,将右边序列的当前元素拷贝到temp,t++,j++
temp[t]=arr[j];
t+=1;
j+=1;
}
}
//2.把有剩余数据的一边的数据一次全部填充到temp
while (i<=mid) {
temp[t]=arr[i];
t+=1;
i+=1;
}
while (j<=right) {
temp[t]=arr[j];
t+=1;
j+=1;
}
//3. 将temp数组的元素拷贝到arr; 注意:并不是每次都拷贝,而是最后一次“治”后,形成一个大的数组才需要拷贝
//但这个过程着实是一个合并的过程,最后一次合并只有,tL=0,right=7
t=0;
int tempLeft=left;
System.out.println("tempLeft="+tempLeft+";right="+right);
while (tempLeft<=right) {
arr[tempLeft]=temp[t];
t+=1;
tempLeft+=1;
}
return arr;
}
}
7.11 基数排序
800万数据,1秒处理,
8000万数据,8000万 11个桶 4个字节,大概需要3个G的内存,java已经崩溃。
7.11.1 基数排序(桶排序)介绍
- 基数排序(radix sort)属于“分配式排序”(distribution sort),又称“桶子法”(bucket sort)或bin sort,顾名思义,它是通过键值的各个位的值,将要排序的元素分配至某些“桶”中,达到排序的作用
- 基数排序法是属于稳定性的排序,基数排序法的是效率高的稳定性排序法
- 基数排序(Radix Sort)是桶排序的扩展
- 实现:将整数按位数切割成不同的数字,然后按每个位数分别比较。
7.11.2 基数排序的基本思想
- 基数排序的思路
将所有待比较数值统一为同样的数位长度,数位较短的数前面补零。然后,从最低位开始,依次进行一次排序。 这样从最低位排序一直到最高位排序完成以后, 数列就变成一个有序序列。
将数组 {53, 3, 542, 748, 14, 214} 使用基数排序, 进行升序排序
2. 基数排序的说明
(1)基数排序是对传统桶排序的扩展,速度很快.
(2)基数排序是经典的空间换时间的方式,占用内存很大, 当对海量数据排序时,容易造成 OutOfMemoryError (大概千万级)。
(3)基数排序时稳定的。[注:假定在待排序的记录序列中,存在多个具有相同的关键字的记录,若经过排序,这些记录的相对次序保持不变,即在原序列中,r[i]=r[j],且r[i]在r[j]之前,而在排序后的序列中,r[i]仍在r[j]之前,则称这种排序算法是稳定的;否则称为不稳定的]
(4)有负数的数组,我们不用基数排序来进行排序, 如果要支持负数,参考: https://code.i-harness.com/zh-CN/q/e98fa9 )
如果是负数,需要先取绝对值,排序后再反转。
7.11.3 基数排序的代码实现
public static int[] radixSort(int[] arr) {
//1. 先要得到最大的数的位数,以便确定需要几轮排序
int max=arr[0];
for (int i = 0; i < arr.length; i++) {
if (arr[i]>max) {
max=arr[i];
}
}
//得到最大数是几位数
int maxLength=(max+"").length();
//2.定义一个二维数组,表示10个桶,每个桶就是一个一维数组
/*说明
* (1)二维数组包含10个一维数组
* (2)为了防止在放入数的时候,数据溢出,则每个一维数组,大小定位arr.length
* (3)名明确,基数排序是使用空间换时间的经典算法
* */
int[][] bucket=new int[10][arr.length];
//为了记录每个桶实际存放了多少个数据,我们定义一个一维数组来记录各个桶的每次放入的数据个数,
int[] bucketElementCounts=new int[10];
//3. 基数排序
for (int i = 0,n=1; i < maxLength; i++,n*=10) {
//对每个元素对应位进行排序处理,依次为:个位、十位、百位……
for (int j = 0; j < arr.length; j++) {
//取出每个元素的对应位的值
int digitOfElement=arr[j]/n%10;
//放入到对应的桶中
bucket[digitOfElement][bucketElementCounts[digitOfElement]]=arr[j];
bucketElementCounts[digitOfElement]++;
}
//按照桶的顺序(一维数组下标一次取出数据,放入原来数组)
int index=0;
for (int k = 0; k < bucketElementCounts.length; k++) {
//如果桶中有数据,我们才放入原数组
if (bucketElementCounts[k]!=0) {
//循环该桶,即第K个桶,放入
for (int l = 0; l < bucketElementCounts[k]; l++) {
//取出元素放入到arr
arr[index++]=bucket[k][l];
}
}
//第i+1次处理后,需要将每个bucketElementCounts[k]清零
bucketElementCounts[k]=0;
}
System.out.println("第"+(i+1)+"次排序后结果:"+Arrays.toString(arr));
}
return arr;
}
7.12 常用排序算法总结和对比
堆排序与二叉树相关
- 稳定:如果 a 原本在 b 前面,而 a=b,排序之后a 仍然在 b 的前面;
- 不稳定:如果 a 原本在 b 的前面,而 a=b,排序之后a 可能会出现在 b 的后面;
- 内排序:所有排序操作都在内存中完成;
- 外排序:由于数据太大,因此把数据放在磁盘中,而排序通过磁盘和内存的数据传输才能进行
- 时间复杂度: 一个算法执行所耗费的时间。
- 空间复杂度:运行完一个程序所需内存的大小。 7) n: 数据规模
- k: “桶”的个数
- In-place: 不占用额外内存
- Out-place: 占用额外内存