python中顺序查找法例子_查找与排序算法（Searching adn Sorting）(示例代码)

1，查找算法

常用的查找算法包括顺序查找，二分查找和哈希查找。

1.1 顺序查找(Sequential search)

顺序查找： 依次遍历列表中每一个元素，查看是否为目标元素。python实现代码如下：

#无序列表

defsequentialSearch(alist,item):

found=False

pos=0while not found and pos

found=Trueelse:

pos= pos+1

returnfound

testlist= [1, 2, 32, 8, 17, 19, 42, 13, 0]print(sequentialSearch(testlist, 3))print(sequentialSearch(testlist, 13))#有序列表(升序)

deforderedSequentialSearch(orderedList,item):

found=False

pos=0

stop=Falsewhile not found and not stop and pos

found=Trueelse:if orderedList[pos]>item:

stop=Trueelse:

pos= pos+1

returnfound

testlist= [0, 1, 2, 8, 13, 17, 19, 32, 42,]print(orderedSequentialSearch(testlist, 3))print(orderedSequentialSearch(testlist, 13))

View Code

顺序查找的复杂度分析如下，无论对于有序列表或无序列表，在最差的情况下，其都需要进行n次比较运算，所以其复杂度为O(n)

查找无序列表：

查找有序列表：(仅仅在item不存在时，性能有所提高)

1.2 二分查找(Binary search)

二分查找：二分查找又叫折半查找，适用于有序列表。查找的方法是找到列表正中间的值，我们假设是m，来跟v相比，如果m>v，说明我们要查找的v在前列表的前半部，否则就在后半部。无论是在前半部还是后半部，将那部分再次折半查找，重复这个过程，知道查找到v值所在的地方。实现二分查找可以用循环，也可以递归。

下图为查找54的过程：

使用循环，python实现代码如下：

#循环

defbinarySearch(orderedList,item):

found=False

first=0

last= len(orderedList)-1

while not found and first<=last:

midpoint= (first+last)//2

if orderedList[midpoint]==item:

found=Trueelif orderedList[midpoint]>item:

last= midpoint-1

else:

first= midpoint+1

returnfound

testlist= [0, 1, 2, 8, 13, 17, 19, 32, 42,]print(binarySearch(testlist, 3))print(binarySearch(testlist, 13))

View Code

使用递归，python实现代码如下：

#递归

defbinarySearch(orderedList,item):if len(orderedList)==0:returnFalseelse:

midpoint= len(orderedList) // 2

if orderedList[midpoint] ==item:returnTrueelif orderedList[midpoint] >item:return binarySearch(orderedList[:midpoint],item) #注意得return

else:return binarySearch(orderedList[midpoint+1:], item) #注意得return

testlist = [0, 1, 2, 8, 13, 17, 19, 32, 42,]print(binarySearch(testlist, 3))print(binarySearch(testlist, 17))

View Code

二分查找的时间复杂度分析：最好情况下为1，最坏情况下为log n，因此复杂度为O(log n)。但值得注意的是，使用递归时，进行列表的切片的复杂度为O(K)，并不是依次操作，所以复杂度变大。(可以将切片改为传入索引值：return binarySearch(orderedList,0,midpoint-1,item)和return binarySearch(orderedList,midpoint+1,len(orderedList),item))

1.3 哈希查找(Hash Search)

哈希技术(Hashing):哈希技术是在数据的存储位置和数据的 key 之间建立一个确定的映射 f()，使得每个 key 对应一个存储位置 f(key)，其中f()称作哈希函数(hash function)，记录数据存储位置的数据结构为哈希表(hash table).如下图中为一个空的哈希表，key从0-10，共有11个存储位置。

为存储数据54, 26, 93, 17, 77, and 31，以除留余数法(remainder method)为哈希函数: f(n)=n%11，依次计算对应哈希值，如下表所示：

根据计算的hash value，以其为哈希表的key，依次将数据存储在哈希表中，结果如下图所示，当我们需要查找31时，只需利用哈希函数就能找到该数据的存储位置，比较值便能确定是否包含该数据，算符复杂度能达到O(1).

哈希函数进行映射时，会出现两个问题，一是部分存储位置会空缺，造成哈希表的浪费；二是会出现碰撞，如存储44到上述哈希表中，会和77所在的存储位置碰撞。因此，需要有效的哈希函数和碰撞解决途径

1.3.1 其他哈希函数

折叠法(folding method):

如对于电话号码436-555-4601，对其拆分求和 43+65+55+46+01=210，再以哈希表的长度求余数(210%11=1)

对于字符串‘cat’，将其转换为Ascill表中数值99,97,116，进行求和，再以哈希表的长度求余数。

平方取中法(mid-square method):

如对于数据44，对其进行平方44*44=1936，取中间两位93，再以哈希表的长度求余数(93%11=5)

1.3.2 冲突解决途径(collision resolution):

(为了更好的解决冲突，哈希表的长度应该为质数)

开放定址法(open addressing):

该方法是一旦发生冲突，求从哈希表的当前位置依次往后寻找下一个空的存储位置，然后将其插入。。

二次探测(rehashing):上面方法会造成多个哈希值集中在某一区域，争夺同一个地址。可以利用哈希值加上一个数值，再以哈希表的长度求余数。

随机探测：哈希值加上一个随机数(1,3...)。

如上面提到的44插入哈希表时哈希值为0，会和77的哈希值冲突，可以哈希值加一个随机数3，重新计算(0+3)%11=3，

由于3号位置空缺，因此将44插入。(若依旧冲突，继续加3)

平方探测：哈希值加上一个平方数(1,4,9,16)。第一次冲突加1，继续冲突时加4，还是冲突时加9，如此重复下去直到找到数据

链地址法(chain addressing)：发生冲突的数据依次放在一个链表中，哈希表中存放链表地址，如下图所示:

1.3.3 字典的实现(Map)

python的字典就是一种Map数据结构，利用哈希算法来实现键值对的储存和查找。

map常用操作如下：

Map() #创建字典

put(key,value) #加入键值对

get(key) #返回对应value

len() #返回字典长度

del #删除字典键值对

in #查找是否包含键

利用python 实现代码如下：(del如何实现？)

classMap(object):def __init__(self):

self.size= 11 #哈希表的长度

self.slots=[None]*self.size #存放key

self.data = [None]*self.size #存放value

defput(self,key,value):

hashvalue=self._hashfunction(key,len(self.slots))if self.slots[hashvalue]==None:

self.slots[hashvalue]=key

self.data[hashvalue]=valueelse:if self.slots[hashvalue]==key:

self.data[hashvalue]=valueelse:

nextslot=self._rehash(hashvalue,len(self.slots))while self.slots[nextslot]!=None and self.slots[nextslot]!=key: #如果某个键值对删除了，会不会出现key之前有None？

nextslot =self._rehash(nextslot,len(self.slots))if self.slots[nextslot] ==None:

self.slots[nextslot]=key

self.data[nextslot]=valueelse:

self.data[nextslot]=value#del 如何实现？

def_hashfunction(self,key,size):return key%sizedef_rehash(self,oldhash,size):return (oldhash+1)%sizedefget(self,key):

startslot=self._hashfunction(key,len(self.slots))

found=False

stop=False

data=None

position=startslotwhile self.slots[position]!=None and not found and notstop:if self.slots[position]==key:

data=self.data[position]

found=Trueelse:

position=self._rehash(position,len(self.slots))if position==startslot:

stop=Truereturndatadef __setitem__(self, key, value):

self.put(key,value)def __getitem__(self, item):returnself.get(item)

m=Map()

m[54] = ‘cat‘m[26] = ‘dog‘m[12] = ‘snake‘m[52] = ‘bear‘m[93]="lion"m[17]="tiger"m[77]="bird"m[31]="cow"m[44]="goat"m[55]="pig"m[20]="chicken"

printm.slots,m.data#print m[12],m[20]#删除m[77]会引起bug？#m.slots[0]=None

m[44]= "not goat"

print m.slots,m.data

View Code

由于冲突存在，哈希查找的复杂度并不完全是O(1)，取决于哈希表的负载因子(load factor)λ，λ=(numbers of key)/tablesize，即哈希表中key的数量。

λ越大时，表明key越多，发生碰撞的可能性越高，查找会变慢，λ越小时，碰撞可能性小，但空间资源浪费多。(python中字典的默认拉姆达为0.75？)

采用开放定址中随机探测解决冲突，平均复杂度为 (1+1/(1-r))/2，最坏情况为(1+1/(1-r)2)/2

采用链地址法解决冲突，平均复杂度为 1+λ/2，最坏情况为λ

2，排序算法

常用的排序算法包括：冒泡排序(Bubble sort)，选择排序(Selection sort)，插入排序(Insertion sort)，希尔排序(Shell sort)，归并排序(Merge sort)和快速排序(Quick sort)

2.1 冒泡排序(Bubble sort)

冒泡排序：依次比较相邻的两个数，将小数放在前面，大数放在后面。

排序过程：在第一趟：首先比较第1个和第2个数，将小数放前，大数放后。然后比较第2个数和第3个数，将小数放前，大数放后，如此继续，直至比较最后两个数，将小数放前，大数放后，第一趟排序完成后最大的数被移动到了最后面。继续重复第一趟步骤，直至全部排序完成。下图为第一趟排序过程：

用python实现代码如下：

defbubbleSort(alist):for n in range(len(alist)-1,0,-1):for i inrange(n):if alist[i]>alist[i+1]:

alist[i],alist[i+1]=alist[i+1],alist[i]

alist= [54,26,93,17,77,31,44,55,20]

bubbleSort(alist)print(alist)

View Code

无论列表是否有序，冒泡算法都需要进行比较，共需要进行n*(n-1)/2 次比较，最好的情况下，列表有序时不需要交换，最坏的情况下需要n*(n-1)/2 次交换(每次比较都进行交换)，因此冒泡排序的复杂度为O(n2)。对于冒泡排序可以进行改进，使其在列表有序时能停止比较，即短冒泡排序(short bubble)，代码如下：

defshortBubbleSort(alist):

n= len(alist)-1exchange=Truewhile n>0 andexchange:

exchange=Falsefor i inrange(n):if alist[i]>alist[i+1]:

exchange=True

alist[i],alist[i+1]=alist[i+1],alist[i]

n= n-1alist=[20,30,40,90,50,60,70,80,100,110]

shortBubbleSort(alist)print(alist)

View Code

2.2 选择排序(selection sort)

选择排序：每一趟从待排序的记录中选出最大的元素，放在已排好序的序列最后，直到全部记录排序完毕。(相比冒泡排序，选择排序每一趟只进行一次交换)

排序过程如下图(前四趟)：

用python实现代码如下：

defselectionSort(alist):for n in range(len(alist)-1,0,-1):

pos=nfor i inrange(n):if alist[i]>alist[pos]:

pos=i

alist[n],alist[pos]=alist[pos],alist[n]

alist= [54,26,93,107,77,31,44,55,28]

selectionSort(alist)print(alist)

View Code

选择排序和冒泡一样，也需要进行n*(n-1)/2 次比较，但交换列表中数据次数减少，最坏情况下需要n-1次交换，所以复杂度也为O(n2)。

2.3 插入排序(Insertion sort)

插入排序：已排序部分定义在左端，将未排序部分元的第一个元素插入到已排序部分合适的位置。排序过程示意如下：

用python实现代码如下：(插入到有序序列时也可以考虑二分查找)

definsertionSort(alist):for i in range(1,len(alist)):

pos=i

currentvalue=alist[i]while alist[pos-1]>currentvalue and pos>0:

alist[pos]=alist[pos-1]

pos= pos-1alist[pos]=currentvalue

alist= [54,26,93,17,77,31,44,55,20]

insertionSort(alist)

View Code

插入排序的复杂度为为O(n2)，其在最好的情况下(列表有序)，复杂度为n，最坏的情况下，复杂度为n*(n-1)/2

2.4 希尔排序(Shell sort)

希尔排序：增量递减排序(diminishing increment sort)，是对插入排序的改进，减少数据移动操作。其主要是引入一个增量(gap)，将原本的序列分成几个子序列，分别对子序列采用插入排序。排序示意过程如下：

1,先以3为增量，将序列分为了三个子序列(54,17,44)，(26,77，55)，(93, 31, 20)，分别对三个子序列进行插入排序

2，再以1为增量(即整个序列)，然后再用插入排序，如下图所示，可以发现shift操作明显减少

对于希尔排序，增量的选择十分重要，上面选择了增量3，1。一般也可以选择将增量n/2，n/4....,1(n为列表长度)，上面序列若选择4(n/2)为初始增量，子序列如下：

python实现希尔排序代码如下：(增量为n/2，n/4....,1)

defshellSort(alist):

gap= len(alist)//2

while gap>0 :for i inrange(gap):

gapInsertionSort(i,alist,gap)#print "增量为%s,排序完成后alist为: %s"%(gap,alist)

gap = gap//2

defgapInsertionSort(startPos,alist,gap):for i in range(startPos+gap,len(alist),gap):

current=alist[i]

pos=iwhile alist[pos-gap]>current and pos>=gap:

alist[pos]= alist[pos-gap]

pos= pos-gap

alist[pos]=current

alist= [54,26,93,17,77,31,44,55,20]

shellSort(alist)print alist

View Code

希尔排序的复杂度在O(n)—O(n2)之间，对于上面的gap(n/2,n/4..1)复杂度为O(n2)，若gap为2k-1(1,3,5,7...)，复杂度为O(n3/2)

2.5 归并排序(Merge sort)

归并排序：是一种分而治之的策略(divide and conquer)。采用递归算法，不断的将序列进平分成子序列，直到序列为空或只有一个元素，然后进行排序合并。其排序过程如下：

python实现归并排序代码如下：

defmergeSort(alist):#print "平分序列，alist:%s"%alist

if len(alist)>1:

mid= len(alist)//2lefthalf=alist[:mid]

righthalf=alist[mid:]

mergeSort(lefthalf)

mergeSort(righthalf)

i=0

j=0

k=0while irighthalf[j]:

alist[k]=righthalf[j]

j+=1

else:

alist[k]=lefthalf[i]

i+=1k+=1

while i

alist[k]=lefthalf[i]

i+=1k+=1

while j

alist[k]=righthalf[j]

j+=1k+=1

#print "开始合并,alist: %s"%alist

alist= [54,26,93,17,77,31,44,55,20]

mergeSort(alist)print alist

View Code

归并排序的复杂度为O(n logn)，但上述代码中使用了切片，会使复杂度增加。(切片可以改为传入index？)

2.6 快速排序(quick sort)

快速排序：也是一种分而治之的策略(divide and conquer)。但相比归并排序，快速排序不需要额外的存储空间(列表)。快速排序一般选择列表中一个元素中间点(pivot value)，然后将比其小的元素放在列表左边，大的放在右边，将列表进行划分为左右两个子列表，再分别对左右子列表递归的快速排序。排序过程如下(选取第一个元素为中间点)：

python实现归并排序代码如下：

defquickSort(alist):

quickSortHelper(alist,0,len(alist)-1)defquickSortHelper(alist,first,last):if first

pivotvalue=alist[first]

leftmark= first+1rightmark=last

done=Falsewhile notdone:while leftmark<=rightmark and alist[leftmark]<=pivotvalue: #注意两个判断条件的前后顺序不能换，否则leftmark=last-1时可能会报错：list index out of range

leftmark = leftmark+1

while alist[rightmark]>=pivotvalue and leftmark<=rightmark:

rightmark= rightmark-1

if leftmark

alist[leftmark],alist[rightmark]=alist[rightmark],alist[leftmark]else:

done=True

alist[first],alist[rightmark]=alist[rightmark],alist[first]printalist

quickSortHelper(alist,first,rightmark-1)

quickSortHelper(alist,rightmark+1,last)

alist= [54,26,93,17,98,77,31,44,55,20]

quickSort(alist)print alist

View Code

快速排序的复杂度取决于pivot value的选择，如果每次分割都为序列中间值，则需logn分割，复杂度为O(n logn)，若每次分割pivot value都为最小或最大值，则需n次分割，复杂度为O(n2)，复杂度没有归并排序稳定，但不需要额外的内存。 因此选择pivot value值时，可以从序列的first, middle, last三个元素中选择中间值(median of three)，来避免总是选择最小或最大值

3.总结

顺序查找：无论列表有序或无序，算法复杂度为O(n)

二分查找：适合有序列表的查找，最坏情况下算法复杂度为O(log n)

哈希查找：可以提供常量级别的算法复杂度O(k) (k为常数1,2,3.....)

冒泡排序，选择排序，插入排序：算法复杂度都为O(n2)

希尔排序：希尔排序在选择排序的基础上引入增量来分割子序列，算法复杂度在在O(n)—O(n2)之间，取决于增量的选择

归并排序：算法复杂度为O(n log n)，但排序过程中需要额外的存储空间

快速排序：快速排序的算法复杂度为O(n log n)，但若选择的分割点不是list的中间元素(取决于pivot value的选择)，也可能变坏为O(n2)