十大排序算法总结（Python实现）

HiSpring流云

已于 2022-05-18 17:47:11 修改

阅读量290

点赞数 2

分类专栏：数据结构与算法（Python实现）文章标签：排序算法算法数据结构 python

于 2022-05-07 23:00:02 首次发布

本文链接：https://blog.csdn.net/qq_43300880/article/details/124641147

版权

数据结构与算法（Python实现）专栏收录该内容

2 篇文章 1 订阅

订阅专栏

十大排序算法总结（Python实现）

更多文章代码详情，可以查看博主：
GitHub地址：https://github.com/TheAlgorithm-SimpleChinese/Python
个人网站：https://www.iwtmbtly.com

一.冒泡排序（Bubble Sort）

1.1 算法简介

冒泡排序是一种简单的排序算法，其原理是每一次遍历完成一个数的排序，（大数的沉底,小数的冒泡）。它重复地走访过要排序的数列，一次比较两个元素，如果它们的顺序错误就把它们交换过来。走访数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。

1.2 算法描述

遍历数列，比较相邻的元素，如果第一个大于第二个，交换
对每对相邻元素做比较，直到最后一对，这样一轮后得到最后的元素为最大的数
对剩下元素重复以上步骤，除去最后一个
重复1~3步

1.3 动图演示

冒泡排序动图

1.4 代码实现

# 冒泡排序(Bubbling sort)
def bubbling_sort(self):
    if len(self) <= 1:  # 数组只有一个数或者为空
        return self
    length = len(self)	# 获取数组长度
    for i in range(0, length):
        for j in range(0, length - i - 1):  # 每一轮都是从第一个数开始遍历数组
            if self[j] > self[j + 1]:  # 如果第一个数大于第二个
                self[j], self[j + 1] = self[j + 1], self[j]  # 交换数据

1.5 算法分析

最佳情况：T(n) = O(n) 最差情况：T(n) = O(n²) 平均情况：T(n) = O(n²)

二.选择排序(Select Sort)

2.1 算法简介

选择排序是最稳定的排序算法之一，对于所有需要排列的数据都是O(n^2)的复杂，适用于小规模数据，无需占用额外的内存空间，选择排序(Selection-sort)是一种简单直观的排序算法。它的工作原理是：首先在未排序序列中找到最小（大）元素，存放到排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾。以此类推，直到所有元素均排序完毕。

2.2 算法描述

n个记录的直接选择排序可经过n-1趟直接选择排序得到有序结果。具体算法描述如下：

初始状态：无序区为R[1…n]，有序区为空；
第i趟排序(i=1,2,3…n-1)开始时，当前有序区和无序区分别为R[1…i-1]和R(i…n）。该趟排序从当前无序区中-选出关键字最小的记录 R[k]，将它与无序区的第1个记录R交换，使R[1…i]和R[i+1…n)分别变为记录个数增加1个的新有序区和记录个数减少1个的新无序区；
n-1趟结束，数组有序化了。

2.3 动图演示

选择排序动图

2.4 代码实现

# 选择排序(Select Sort)
def select_sort(self):
    if len(self) <= 1:  # 数组只有一个数或者为空
        return self
    for i in range(0, len(self)):    # 最小元素的存放位置
        if i == len(self) - 1:       # 当循环到最后一个位置时，已经排序好，退出循环
            break
        for j in range(i + 1, len(self)):    # 从剩余的数据中选出最小值
            if self[j] < self[i]:
                self[i], self[j] = self[j], self[i]     # 放到已排序好的数据末尾

2.5 算法分析

最佳情况：T(n) = O(n²) 最差情况：T(n) = O(n²) 平均情况：T(n) = O(n²)

三.插入排序(Insertion Sort)

3.1 算法简介

**插入排序（Insertion-Sort）**是一种简单直观的排序算法，它的工作原理是通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入。插入排序在实现上，通常采用in-place排序（即只需用到O(1)的额外空间的排序），因而在从后向前扫描过程中，需要反复把已排序元素逐步向后挪位，为最新元素提供插入空间。

3.2 算法描述

一般来说，插入排序都采用in-place在数组上实现。具体算法描述如下：

从第一个元素开始，该元素可以认为已经被排序；
取出下一个元素，在已经排序的元素序列中从后向前扫描；
如果该元素（已排序）大于新元素，将该元素移到下一位置；
重复步骤3，直到找到已排序的元素小于或者等于新元素的位置；
将新元素插入到该位置后；
重复步骤2~5。

3.3 动图演示

插入排序动图

3.4 代码实现

# 插入排序（Insertion Sort）
def insertion_sort(self):
    global tmp
    if len(self) <= 1:  # 数组只有一个数或者为空
        return self
    for i in range(1, len(self)):    # 假定第一个元素已为有序
        tag = i     # 为实现倒序给一个标签
        tmp = self[i]
        while self[tag - 1] > tmp:   # 在有序部分寻找插入位置
            self[tag] = self[tag - 1]
            tag -= 1
            if tag == 0:
                break
        self[tag] = tmp  # 插入

3.5 算法分析

最佳情况：T(n) = O(n) 最坏情况：T(n) = O(n²) 平均情况：T(n) = O(n²)

四.希尔排序(Shell Sort)

4.1 算法简介

希尔排序是希尔（Donald Shell）于1959年提出的一种排序算法。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，同时该算法是冲破O(n^2）的第一批算法之一。它与插入排序的不同之处在于，它会优先比较距离较远的元素。希尔排序又叫缩小增量排序。

希尔排序是把记录按下表的一定增量分组，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。

4.2 算法描述

我们来看下希尔排序的基本步骤，在此我们选择增量gap=length/2，缩小增量继续以gap = gap/2的方式，这种增量选择我们可以用一个序列来表示，{n/2,(n/2)/2…1}，称为增量序列。希尔排序的增量序列的选择与证明是个数学难题，我们选择的这个增量序列是比较常用的，也是希尔建议的增量，称为希尔增量，但其实这个增量序列不是最优的。此处我们做示例使用希尔增量。

先将整个待排序的记录序列分割成为若干子序列分别进行直接插入排序，具体算法描述：

选择一个增量序列t1，t2，…，tk，其中ti>tj，tk=1；
按增量序列个数k，对序列进行k 趟排序；
每趟排序，根据对应的增量ti，将待排序列分割成若干长度为m 的子序列，分别对各子表进行直接插入排序。仅增量因子为1 时，整个序列作为一个表来处理，表长度即为整个序列的长度。

4.3 动图演示

希尔排序动态图

4.4 代码实现

# 希尔排序(Shell Sort)
def shell_sort(arr):
    length = len(arr)	# 数组的长度
    gap = length // 2	# 选择增量为length/2,
    while gap > 0:
        for i in range(gap, length):	# 排序每一组
            temp = arr[i]
            preIndex = i - gap
            while preIndex >= 0 and arr[preIndex] > temp:	# 交换排序
                arr[preIndex + gap] = arr[preIndex]
                preIndex -= gap
            arr[preIndex + gap] = temp
        gap //= 2	# 持续缩小增量
    return arr

4.5 算法分析

最佳情况：T(n) = O(nlog2 n) 最坏情况：T(n) = O(nlog2 n) 平均情况：T(n) =O(nlog2n)

五.归并排序(Merge Sort)

5.1 算法简介

和选择排序一样，归并排序的性能不受输入数据的影响，但表现比选择排序好的多，因为始终都是**O(nlogn)**的时间复杂度。代价是需要额外的内存空间。归并排序是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。归并排序是一种稳定的排序方法。将已有序的子序列合并，得到完全有序的序列；即先使每个子序列有序，再使子序列段间有序。若将两个有序表合并成一个有序表，称为2-路归并。

5.2 算法描述

把长度为n的输入序列分成两个长度为n/2的子序列；
对这两个子序列分别采用归并排序；
将两个排序好的子序列合并成一个最终的排序序列。

5.3 动图演示

归并排序动图

5.4 代码实现

# 归并排序(Merge Sort)
def merge_sort(arr):
    divide_sort(arr, 0, len(arr) - 1)
    
def divide_sort(arr, start, end):
    # start 指向数列开始，end 指向数列的结尾
    if start < end:     # 拆分数列，直到都拆成一个数为止
        mid = start + (end - start) // 2    # 找出拆分中点
        divide_sort(arr, start, mid)    # 递归拆分
        divide_sort(arr, mid + 1, end)
        merge(arr, start, mid, end)     # 有序合并
        
def merge(arr, start, mid, end):
    i, j = start, mid + 1   # 拆分后的两个数列的起点
    tmp_array = []
    while i <= mid and j <= end:    # 从两个数组从小到大中取出数据
        if arr[i] <= arr[j]:
            tmp_array.append(arr[i])
            i += 1
        else:
            tmp_array.append(arr[j])
            j += 1
    start_tmp = i if i <= mid else j    # 把剩下的一次性添加到数组
    end_tmp = mid if i <= mid else end
    tmp_array.extend(arr[start_tmp:end_tmp + 1])
    arr[start:end + 1] = tmp_array		# 把临时数组拷贝被到原数组

5.5 算法分析

最佳情况：T(n) = O(n) 最差情况：T(n) = O(nlogn) 平均情况：T(n) = O(nlogn)

六.快速排序(Quick sort)

6.1 算法简介

快速排序的基本思想：通过一趟排序将待排记录分隔成独立的两部分，其中一部分记录的关键字均比另一部分的关键字小，则可分别对这两部分记录继续进行排序，以达到整个序列有序。

6.2 算法描述

快速排序使用分治法来把一个串（list）分为两个子串（sub-lists）。具体算法描述如下：

从数列中挑出一个元素，称为 “基准”（pivot）；
重新排序数列，所有元素比基准值小的摆放在基准前面，所有元素比基准值大的摆在基准的后面（相同的数可以到任一边）。在这个分区退出之后，该基准就处于数列的中间位置。这个称为分区（partition）操作；
递归地（recursive）把小于基准值元素的子数列和大于基准值元素的子数列排序。

6.3 动图演示

快速排序动态图

6.4 代码实现

# 快速排序(Quick Sort)
def quick_sort(arr):  # arr表示数组
    quick_sort_between(arr, 0, len(arr) - 1)

def quick_sort_partition(arr, start, end):
    pivot, j = arr[start], start      # pivot记录起始点的值，j记录索引
    for i in range(start + 1, end + 1):
        if arr[i] <= pivot:
            j += 1
            arr[j], arr[i] = arr[i], arr[j]     # 交换
    arr[start], arr[j] = arr[j], arr[start]
    return j

def quick_sort_between(arr, start, end):
    if start < end:
        # 随机挑选基准值（pivot）
        pivot = random.randint(start, end)  # 从数组索引中选出一个作为基准点
        arr[start], arr[pivot] = arr[pivot], arr[start]	# 把基准点放在首位
        mid = quick_sort_partition(arr, start, end)	# 得到排序好的终点
        quick_sort_between(arr, start, mid - 1)	# 递归
        quick_sort_between(arr, mid + 1, end)·

6.5 算法分析

最佳情况：T(n) = O(nlogn) 最差情况：T(n) = O(n2) 平均情况：T(n) = O(nlogn)

七.堆排序(Heap Sort)

7.1 算法简介

堆排序（Heapsort）是指利用堆这种数据结构所设计的一种排序算法。堆积是一个近似完全二叉树的结构，并同时满足堆积的性质：即子结点的键值或索引总是小于（或者大于）它的父节点。

7.2 算法描述

将初始待排序关键字序列(R1,R2….Rn)构建成大顶堆，此堆为初始的无序区；
将堆顶元素R[1]与最后一个元素R[n]交换，此时得到新的无序区(R1,R2,……Rn-1)和新的有序区(Rn),且满足R[1,2…n-1]<=R[n]；
由于交换后新的堆顶R[1]可能违反堆的性质，因此需要对当前无序区(R1,R2,……Rn-1)调整为新堆，然后再次将R[1]与无序区最后一个元素交换，得到新的无序区(R1,R2….Rn-2)和新的有序区(Rn-1,Rn)。不断重复此过程直到有序区的元素个数为n-1，则整个排序过程完成。

7.3 动图演示

堆排序动态图

7.4 代码实现

# 堆排序 (Heap sort )
def heap_sort(arr):
    length = len(arr) - 1
    first_sort_count = length // 2
    for i in range(first_sort_count):   # 把序列调整为大顶堆
        heap_adjust(arr, first_sort_count - i, length)

    for i in range(length - 1):
        arr = swap_param(arr, 1, length - i)    # 把堆顶元素和堆末尾的元素交换，然后把剩下的元素调整为一个大根堆
        heap_adjust(arr, 1, length - i - 1)

    return [arr[i] for i in range(1, len(arr))]

def heap_adjust(arr, start, end):
    temp = arr[start]
    i = start
    j = 2 * i
    while j <= end:
        if j < end and arr[j] < arr[j + 1]:
            j += 1
        if temp < arr[j]:
            arr[i] = arr[j]
            i = j
            j = 2 * i
        else:
            break
    arr[i] = temp

def swap_param(arr, i, j):  # 交换堆顶和堆底节点
    arr[i], arr[j] = arr[j], arr[i]
    return arr

7.5 算法分析

最佳情况：T(n) = O(nlogn) 最差情况：T(n) = O(nlogn) 平均情况：T(n) = O(nlogn)

八.桶排序 (Bucket sort)

8.1 算法简介

桶排序是计数排序的升级版。它利用了函数的映射关系，高效与否的关键就在于这个映射函数的确定。

桶排序 (Bucket sort)的工作的原理：假设输入数据服从均匀分布，将数据分到有限数量的桶里，每个桶再分

别排序（有可能再使用别的排序算法或是以递归方式继续使用桶排序进行排

8.2 算法描述

人为设置一个BucketSize，作为每个桶所能放置多少个不同数值（例如当BucketSize==5时，该桶可以存放｛1,2,3,4,5｝这几种数字，但是容量不限，即可以存放100个3）；
遍历输入数据，并且把数据一个一个放到对应的桶里去；
对每个不是空的桶进行排序，可以使用其它排序方法，也可以递归使用桶排序；
从不是空的桶里把排好序的数据拼接起来。
注意，如果递归使用桶排序为各个桶排序，则当桶数量为1时要手动减小BucketSize增加下一循环桶的数量，否则会陷入死循环，导致内存溢出。

8.3 动图演示

桶排序动态图

8.4 代码实现

# 桶排序(Bucket Sort)
def bucket_sort(arr):
    """桶排序"""
    min_num = min(arr)
    max_num = max(arr)
    # 桶的大小
    bucket_range = (max_num - min_num) / len(arr)
    # 桶数组
    count_list = [[] for i in range(len(arr) + 1)]
    # 向桶数组填数
    for i in arr:
        count_list[int((i - min_num) // bucket_range)].append(i)
    arr.clear()
    # 回填，这里桶内部排序直接调用了sorted
    for i in count_list:
        for j in sorted(i):
            arr.append(j)

8.5 算法分析

桶排序最好情况下使用线性时间O(n)，桶排序的时间复杂度，取决与对各个桶之间数据进行排序的时间复杂度，因为其它部分的时间复杂度都为O(n)。很显然，桶划分的越小，各个桶之间的数据越少，排序所用的时间也会越少。但相应的空间消耗就会增大。

最佳情况：T(n) = O(n+k) 最差情况：T(n) = O(n+k) 平均情况：T(n) = O(n2)

九.计数排序(Counting sort)

9.1 算法简介

计数排序的核心在于将输入的数据值转化为键存储在额外开辟的数组空间中。作为一种线性时间复杂度的排序，计数排序要求输入的数据必须是有确定范围的整数。

计数排序(Counting sort)是一种稳定的排序算法。计数排序使用一个额外的数组C，其中第i个元素是待排序数

组A中值等于i的元素的个数。然后根据数组C来将A中的元素排到正确的位置。它只能对整数进行排序。

9.2 算法描述

找出待排序的数组中最大和最小的元素；
统计数组中每个值为i的元素出现的次数，存入数组C的第i项；
对所有的计数累加（从C中的第一个元素开始，每一项和前一项相加）；
反向填充目标数组：将每个元素i放在新数组的第C(i)项，每放一个元素就将C(i)减去1。

9.3 动图演示

计数排序动态图

9.4 代码实现

# 计数排序(Counting sort)
def counting_sort(arr):
    if len(arr) <= 1:
        return arr

    maxVal = max(arr)
    countArr = [0 for _ in range(maxVal + 1)]
    for i in arr:
        countArr[i] += 1
    for i in range(1, len(countArr)):
        countArr[i] += countArr[i - 1]
    res = [0 for _ in range(len(arr))]
    for i in range(len(arr) - 1, -1, -1):
        res[countArr[arr[i]] - 1] = arr[i]
        countArr[arr[i]] -= 1
        # 必须要减1，由于待排序元素在res中的位置是由计数数组的值来决定的。
        # 当遍历了元素x之后，小于x的元素不会受影响，大于x的元素不会受影响，
        # 只有等于x的元素会受影响，在往res中压的时候，要比x的位置往前移动一位，
        # 因此需要将计数数组中的下标为x的值减1，使得下次在遍历到x的时候，
        # 压入的位置在前一个x的位置之前
    return res

9.5 算法分析

当输入的元素是n 个0到k之间的整数时，它的运行时间是 O(n + k)。计数排序不是比较排序，排序的速度快于任何比较排序算法。由于用来计数的数组C的长度取决于待排序数组中数据的范围（等于待排序数组的最大值与最小值的差加上1），这使得计数排序对于数据范围很大的数组，需要大量时间和内存。

最佳情况：T(n) = O(n+k) 最差情况：T(n) = O(n+k) 平均情况：T(n) = O(n+k)

十.基数排序(Cardinality sorting)

10.1 算法简介

基数排序也是非比较的排序算法，对每一位进行排序，从最低位开始排序，复杂度为O(kn),为数组长度，k

为数组中的数的最大的位数；基数排序是按照低位先排序，然后收集；再按照高位排序，然后再收集；依次类

推，直到最高位。有时候有些属性是有优先级顺序的，先按低优先级排序，再按高优先级排序。最后的次序就

是高优先级高的在前，高优先级相同的低优先级高的在前。基数排序基于分别排序，分别收集，所以是稳定的。

10.2 算法描述

取得数组中的最大数，并取得位数；
arr为原始数组，从最低位开始取每个位组成radix数组；
对radix进行计数排序（利用计数排序适用于小范围数的特点）；

10.3 动图演示

基数排序动态图

10.4 代码实现

# 基数排序(Cardinality Sorting)
def get_bite(num, i):  # 获取元素第i位的数
    return (num % (i * 10) - (num % i)) // i


def getMax(numList):  # 获取数组中的最大值
    if len(numList) == 1:
        return numList[0]
    maxNum = numList[0]
    for i in range(len(numList)):
        if numList[i] > maxNum:
            maxNum = numList[i]
    return maxNum


def cardinality_sort(arr):
    if len(arr) == 0 or len(arr) == 1:
        return arr
    maxNum = getMax(arr)
    bitCount = 0
    index = 1
    while maxNum // index:
        bitCount += 1
        index *= 10
    currentBit = 1
    # 统计一下最大值的bitCount（有多少位），因为比较多少次，是有最大值的位数决定的
    while currentBit <= 10 ** (bitCount - 1):  # 开始循环的进行每一个位的比较
        res = []
        buckets = [[] for _ in range(10)]  # 桶排序
        for i in arr:
            currentBitNum = get_bite(i, currentBit)
            buckets[currentBitNum].append(i)
        for i in range(10):
            for j in range(len(buckets[i])):
                res.append(buckets[i][j])
        arr = res
        currentBit *= 10
    return arr