11 | 排序（上）
1. 三种排序法比较
| 是否原地排序 | 是否稳定 | 最好 | 最坏 | 平均 | |
| 冒泡排序 | 是 | 是 | O(n) | O(n平方) | O(n平方) |
| 插入排序 | 是 | 是 | O(n) | O(n平方) | O(n平方) |
| 选择排序 | 是 | 否 | O(n平方) | O(n平方) | O(n平方) |
冒泡排序：从数组的头部开始，相邻两个元素做大小比较和左右互换，找出最大或最小的数，放到数组尾部。
插入排序：从数组的第二个元素开始作为目标元素，往前找自己应该处在的位置，找到后，该位置到目标元素之前的元素后移，然后目标元素插入。 (注意不是从0位置开始找，是从目标元素往前找)
选择排序：从数组的头部开始，往后遍历，找出最大或最小的元素，放在数组头部。
2. 插入排序只需要一个赋值操作，但冒泡排序需要三个赋值操作。所以插入排序更优。
3. 可以学习下排序的代码实现 https://mp.weixin.qq.com/s/v-evJ_3s787mjW43c7xrHQ，自己写着练习下。
4. 小规模数据可以使用这三种排序法，大规模数据还是使用O(nlogn) 的排序算法比较好。
12 | 排序（下）
1. 大规模的数据排序，需要归并排序和快速排序算法，它们的时间复杂度为 O(nlogn)
2. 归并排序
2.1 归并排序采取的思路是分治和递归。
(1) 将数组不断二分，分成n/2 组数据，最终每组只有2个数据
(2) 分别对每组的2个数据排序。
(3) 逐层合并各组数据。合并的方法是，两组数据进行按顺序KOF(游戏拳皇)制，放入另一个数组。
2.2 归并排序的性能分析：
(1) 是稳定的
(2) 时间复杂度都是 O(nlogn)
(3) 空间复杂度是 O(n)
3. 快速排序
3.1 快速排序采取的思路也是分治和递归
(1) 取第一个数作为pivot，把数组里比它小的放它左边，比它大的放它右边。那么数组就被分成三组，一组pivot自己，一组比它的，一组比它大的。
(2) 分别对另外两组再做一遍(1)的过程，完成后即排序完成。
3.2 快速排序的性能分析：
(1) 是不稳定的
(2) 时间复杂度都是 O(nlogn)
(3) 原地排序，空间复杂度是 O(1)
3.3 快速排序的代码实现方式（本人的描述）：
(1) 取第一个数作为pivot，那么第一个数就视为一个空白格。
(2) 从右往左查找比pivot小的数 a，放入(1)中的空白格。a 之前所在的格视为新的空白格。
(3) 从左往右查找比pivot大的数 b，放入(2)里新的空白格处。b之前所在的格视为新的空白格。
(4) 重复(2)和(3)，起始位置继承上一次操作的位置，直至左右指标相遇，视为结束一轮。
(5) 此pivot的左右两边视为两个小组，每个小组重复(2)至(4)，直至结束。
4. 这两种排序的对比：
4.1 归并排序的处理过程是由下到上的，先处理子问题，然后再合并。
快排正好相反，它的处理过程是由上到下的，先分区，然后再处理子问题。
4.2 归并排序稳定，快排不稳定。
4.3 归并排序需要占用内存，快排原地排序。
5. 原帖地址 数据结构与算法之美_算法实战_算法面试-极客时间
13 | 线性排序
1. 如果大规模的数据符合某些要求的话，可以有几种更高效率的排序方法，时间复杂度为O(n)。分别是桶排序、计数排序、基数排序。 (时间复杂度是线性O(n)，所以叫线性排序)
极客时间版权所有: https://time.geekbang.org/column/article/42038
2. 桶排序:
2.1 桶排序思想
(1) 将数据的值划分成N段，每段一个桶。
(2) 遍历数组，根据每个数的值，分到对应的桶里。
(3) 对每个桶里的数，使用快速排序法，排好序。
(4) 把所有桶的数，按顺序依次合并起来。
2.2 桶排序对数据的要求：
(1) 数据需要很容易就能划分成 N段
(2) 数据在每个桶里大致能均匀分布(否则就退化为O(N*logN))
2.3 优化： 可以动态对每个桶再进一步细分。
3. 记数排序
3.1 记数排序思想
(1) 大致上和 上面桶排序一样,也是要数据划分，但每个桶的范围不是一段，而是一个具体的数值，而且是整数。
(2) 遍历数组，根据每个数的值，分到对应的桶里。由于数值都是一样的，所以每个桶只记录一个次数就可以了。
(3) 再从后遍历数组，每个数，根据(2)中记录的次数，倒推排序时应该处在的位置。遍历完成后排序就完成了。
(4) 具体细节查看原帖地址。
3.2 记数排序对数据的要求：
(1) 只能用在数据范围不大的场景中
(2) 只能是非负整数。小数的话可以乘以10。
4. 基数排序
4.1 基数排序思想
(1) 基数排序是记数排序的进化版，处理数据范围大，不方便两数直接比较(比如字符串比较)的场景。
(2) 如果数据很大，可以把数据划分"位"，比如万、千、百位。
(3) 先对"万"位进行排序(使用记数排序)，再"千"位排序。必须使用稳定的排序法。
(4) 排完个位后，就完成排序了。
4.2 基数排序对数据的要求：
(1) 需要可以分割出独立的“位”来比较
(2) 位之间有递进的关系，比如"万"位比"千"位大，有递进的逻辑关系。
14 | 排序优化：如何实现一个通用的、高性能的排序函数？
1. 线性排序算法适用场景比较特殊，不能用。
2. 小规模数据，选择时间复杂度是 O(n2) 的算法.
3. 大规模数据进行排序，选择时间复杂度是 O(nlogn) 的算法.
4. 所以，选择O(nlogn)的排序算法作为通用排序函数.
15 | 二分查找（上）
1. 二分查找，时间复杂度O(logn) ，速度惊人
2. 局限性
(1) 必须是顺序表结构(即数组)
(2) 必须是有序数组(先排好序)
(3) 插入和删除操作不能太频繁
(4) 不能过于庞大，因为需要占用连续内存
16 | 二分查找（下）
1. 凡是用二分查找能解决的，大部分更倾向于用散列表或者二叉树。
但 “近似”查找的时候，用二分查找更适合。
2. 二分查找可以实现以下“近似”查找的需求：
(1) 查找第一个等于给定值的元素
(2) 查找最后一个等于给定值的元素
(3) 查找第一个大于等于给定值的元素
(4) 查找最后一个小于等于给定值的元素
17 | 跳表
1. 为对链表数据进行二分查找，可以使用跳表（Skip list）。
2. 跳表就是一个多级索引结构.
如上图所示，查询时，从第五级索引开始，往下查找。
3. 跳表的插入
(1) 不需严格按照每级索引2个数据的格式，可以直接插入成3个数据。
(2) 为避免某级索引数据过多使跳表退化成单向链表，可以使用 随机选择在第几级索引插入的方式。
4. 跳表的删除
(1) 必须要同时删除前驱结点。
(2) 使用双向链表(指向前驱结点)，就比较方便
5. 跳表对比红黑树的优势
按照区间查找数据（比如查找值在 [100, 356] 之间的数据），并输出有序序列。跳表更方便。
18 | 散列表（上）
1. 把标识号转化为数组下标的方法，就叫作散列函数。
2. 散列函数计算出来的值，叫散列值。
3. 散列函数设计的好坏决定了散列冲突的概率，也就决定散列表的性能。
4. 解决散列冲突的方法：
(1) 开放寻址法: 冲突的话就拿下一个来代替。
(2) 链表法：冲突时建立一个链接，根据链表做二次查找。
19 | 散列表（中）如何打造一个工业级水平的散列表？
1. 设计一个合适的散列函数： 不能太复杂，生成的值要尽可能随机并且均匀分布
2. 定义装载因子阈值，并且设计动态扩容策略。（负载因子：装载数据数目除以总容量）
(1) 内存空间不紧张，执行效率要求高，可以降低负载因子的阈值
(2) 内存空间紧张，执行效率要求不高，可以增加负载因子的值，甚至可以大于 1
(3) 为避免扩容操作时间长影响单次插入时间，可以将扩容操作分步进行。即：
每插入一个新数据，就从旧表搬移一个数据到新表。查询时，先查新表再查旧表。
3. 选择合适的散列冲突解决方法
(1) 数据量比较小、装载因子小的时候，适合采用开放寻址法.
数据放在连续数组中，能利用CPU缓存
(2) 数据量比较大、装载因子大的时候的散列表，适合采用链表法。
这时采用开放寻址法的话，因为装载因子大，容易导致大量的散列冲突。
链表法为解决优化散列冲突，可以采用红黑树。
20 | 散列表（下）：为什么散列表和链表经常会一起使用？
答： 为了同时支持下面两个需求：
1. 高效的数据插入、删除、查找操作
2. 按照某种顺序快速地遍历数据(比如插入顺序)
1250
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
