[排序算法]桶排序、计数排序、基数排序

上一篇：[排序算法]归并排序、快速排序

1. 桶排序

桶排序首先要求我们对数据大概分布有一个了解。比如按照用户的年龄排序，假设用户年龄分布在0-120岁之间，我们可以想象有12个桶，分别存放0-10岁、10-20岁······110-120岁的用户，这样每个桶的数据量就大大减小了，之后我们再将每个桶中的数据进行排序，可以使用快速排序等算法。

1） 时间复杂度

在理想情况下，每个桶的数据很少，时间复杂度相当于O（1），桶排序整个排序时间就相当于遍历了一遍数据，时间复杂度为O（n）

最差的情况下，所有的数据都分到一个桶里面了，首先遍历一遍，运行n次，之后桶内排序，运行nlogn次，最后时间复杂度为O（logn）。但是，桶排序的前提是我们要对数据大概分布有一个了解，所以，最差的情况不会出现。

2） 桶排序不是原地排序算法

如果我们在内存中使用桶排序，由于我们要预先准备好桶，所以空间复杂度一定不为O（1）。

这里引入一个概念，外部排序。我们之前说的排序算法，都是操作内存中的数据，所谓外部排序是指数据量太大，内存中存放不下，我们排序的对象存放在硬盘中。桶排序就适用于外部排序，我们根据数据分布首先将硬盘中的数据放到对应的桶中，然后再使用内存依次加载桶中数据进行排序。（其实加载到内存中的桶依然可以划分为更小的桶，使用桶排序）

3） 桶排序可以是稳定算法

这里说可以，是因为桶排序不能决定排序算法的稳定性，而决定排序稳定性的，要取决于桶内排序算法的选择。

2. 计数排序

计数排序适用于小范围内大量重复数据的情况，我们可以先将各个数据出现的次数记录下来，计算出其正确的位置，然后再遍历一次数据，将其安放到对应的位置上。我们也可以把计数排序看成一种特殊的桶排序，每一个数据值是一个桶，桶内存放的都是相同数据值的项。

public void countSort(int[] a, int n) {
    if (n <= 1) {
        return;
    }

    // 数组中数据最大值，用来确定桶的数量
    int max = 4;
    //数组c计算数据次数
    int[] c = new int[max + 1];
    // 数组初始化0
    for (int i = 0; i <= max; ++i) {
        c[i] = 0;
    }
    // 计算每个数据的次数，放到c中
    for (int i = 0; i < n; ++i) {
        c[a[i]]++;
    }
    // 计算每个数据的位置
    for (int i = 1; i <= max; ++i) {
      	// c中的值可以理解为前面有多少个元素，也就是当前元素的位置
        c[i] = c[i-1] + c[i];
    }

    // 临时数组r，存储排序之后的结果
    int[] r = new int[n];
    // 将数据放到对应的位置，从后往前遍历，保证排序的稳定性
    for (int i = n - 1; i >= 0; --i) {
        int index = c[a[i]]-1;
        r[index] = a[i];
        c[a[i]]--;
    }

    // 将结果r拷贝给a数组
    System.arraycopy(r, 0, a, 0, n);
}

1） 时间复杂度

我们需要遍历两次数组，计算次数为2*n，时间复杂度为O（n）

2） 计数排序不是原地排序算法

显然，我们需要临时数组，空间复杂度为O（n）

3） 计数排序是稳定算法

实现的时候，第二次遍历我们从末尾开始，保证了计数排序的稳定性

3. 基数排序

基数排序其实就是基于稳定性排序的一种排序算法。例如我们要对手机号进行排序，11位手机号显然有些大，我们可以分割独立出每一位来比较，从最后一位到第一位，进行11次排序，就得出结果了。

如果数据可以分割出独立的“位”来比较，而且位之间有递进的关系（a 数据的高位比 b 数据大，那数据a一定比数据b大）我们就可以考虑使用基数排序。

假设我们需要对单词进行排序，但是单词的长度不一，这时候我们就可以在末尾补其他字符，不会影响到原有的大小顺序，就可以继续用基数排序了。

4. 总结

桶排序、计数排序、基数排序都要求我们对数据有一个了解，针对具体的情况使用。其中，桶排序和计数排序是从结果出发，先挖好坑，再把数据扔进来，相比之前文章的排序算法，则是基于数据之间的比较，更具有通用性，效率自然也没有针对具体情况的排序算法高。