python实现排列组合公式算法_常见排序算法 Python 实现

前言

整理了一下常见排序算法 Python 的实现和动图及舞蹈视频对算法运行过程的可视化展示。

---

冒泡排序

工作原理

1. 比较相邻的元素。如果第一个比第二个大，就交换他们两个。
2. 对每一对相邻元素作同样的工作，从开始第一对到结尾的最后一对。这步做完后，最后的元素会是最大的数。
3. 针对所有的元素重复以上的步骤，除了最后一个。
4. 持续每次对越来越少的元素重复上面的步骤，直到没有任何一对数字需要比较。

复杂度

• 最坏时间复杂度 O(N^2)
• 最优时间复杂度 O(N)
• 平均时间复杂度 O(N^2)
• 额外空间复杂度 O(1)
• 稳定性 稳定

实现

def bubble_sort(alist): # 首先得到每个循环需要比较的次数，第一次从0位置开始需要比较 len(alist) - 1 次 for passnum in range(len(alist)-1, 0, -1): # 相邻两个位置不断比较，如果左边的数大于右边就交换位置 for i in range(passnum): if alist[i] > alist[i+1]: alist[i], alist[i+1] = alist[i+1], alist[i] return alist

可视化

​

选择排序

工作原理

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。步骤如下：

1. 从第一个元素开始，该元素可以认为已经被排序；
2. 取出下一个元素，在已经排序的元素序列中从后向前扫描;
3. 如果该元素(已排序)大于新元素，将该元素移到下一位置;
4. 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;
5. 将新元素插入到该位置后;
6. 重复步骤2~5。

复杂度

• 最坏时间复杂度 O(N^2)
• 最优时间复杂度 O(N^2)
• 平均时间复杂度 O(N^2)
• 额外空间复杂度 O(1)
• 稳定性 稳定

实现

def select_sort(alist): for i in range(len(alist) - 1): min_index = i for j in range(i + 1, len(alist)): if alist[j] < alist[min_index]: min_index = j alist[i], alist[min_index] = alist[min_index], alist[i] return alist

可视化

​

插入排序

工作原理

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。

复杂度

• 最坏时间复杂度 O(N^2)
• 最优时间复杂度 O(N)
• 平均时间复杂度 O(N^2)
• 额外空间复杂度 O(1)
• 稳定性 稳定

实现

def insertion_sort(alist): # 从索引为 1 的值开始从后向前扫描 for i in range(1, len(alist)): current_value = alist[i] position = i # 如果前一个数大于当前值则将前一个数向右移动一位，直到找到前一个数小于当前值得位置，将该位置的值设为当前值 while position > 0 and alist[position - 1] > current_value: alist[position] = alist[position - 1] position -= 1 alist[position] = current_value return alist

可视化

​

希尔排序

工作原理

希尔排序，也称递减增量排序算法，是插入排序的一种更高效的改进版本。希尔排序是非稳定排序算法。

希尔排序是基于插入排序的以下两点性质而提出改进方法的：

1. 插入排序在对几乎已经排好序的数据操作时，效率高，即可以达到线性排序的效率；
2. 但插入排序一般来说是低效的，因为插入排序每次只能将数据移动一位。

复杂度

• 最坏时间复杂度 O(Nlog^2N)
• 最优时间复杂度 O(N)
• 平均时间复杂度 -
• 额外空间复杂度 O(1)
• 稳定性 不稳定

实现

def shell_sort(alist): sub_list_count = len(alist) // 2 while sub_list_count > 0: for start_position in range(sub_list_count): alist = gap_insertion_sort(alist, start_position, sub_list_count) print('After increments of size', sub_list_count, 'The list is', alist) sub_list_count = sub_list_count // 2 return alistdef gap_insertion_sort(alist, start, gap): for i in range(start + gap, len(alist), gap): current_value = alist[i] position = i while position >= gap and alist[position - gap] > current_value: alist[position] = alist[position - gap] position = position - gap alist[position] = current_value return alist

可视化

​

快速排序

工作原理

快速排序使用分治法(Divide and conquer)策略来把一个序列(list)分为两个子序列(sub-lists)。步骤如下：

1. 从数列中挑出一个元素，称为“基准”(pivot)；
2. 重新排序数列，所有比基准值小的元素摆放在基准前面，所有比基准值大的元素摆在基准后面(相同的数可以到任何一边)。在这个分割结束之后，该基准就处于数列的中间位置。这个称为分割(partition)操作；
3. 递归地(recursively)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。

递归到最底部时，数列的大小是零或一，也就是已经排序好了。这个算法一定会结束，因为在每次的迭代(iteration)中，它至少会把一个元素摆到它最后的位置去。

复杂度

• 最坏时间复杂度 O(N^2)
• 最优时间复杂度 O(NlogN)
• 平均时间复杂度 O(NlogN)
• 额外空间复杂度 O(logN)
• 稳定性 不稳定

实现

快速排序首先选择一个值，该值称为 枢轴值。虽然有很多不同的方法来选择枢轴值，我们将使用列表中的第一项。

def quick_sort(alist): quick_sort_helper(alist, 0, len(alist) - 1)def quick_sort_helper(alist, first, last): if first < last: splitpoint = partition(alist, first, last) alist = quick_sort_helper(alist, first, splitpoint - 1) alist = quick_sort_helper(alist, splitpoint + 1, last) return alistdef partition(alist, first, last): pivotvalue = alist[first] leftmark = first + 1 rightmark = last done = False while not done: while leftmark <= rightmark and alist[leftmark] <= pivotvalue: leftmark += 1 while alist[rightmark] >= pivotvalue and rightmark >= leftmark: rightmark -= 1 if rightmark < leftmark: done = True else: temp = alist[leftmark] alist[leftmark] = alist[rightmark] alist[rightmark] = temp temp = alist[first] alist[first] = alist[rightmark] alist[rightmark] = temp return rightmark

可视化

下图是以最后一项为枢轴值：

归并排序

工作原理

归并操作(merge)，也叫归并算法，指的是将两个已经排序的序列合并成一个序列的操作。归并排序算法依赖归并操作。 步骤如下：

1. 申请空间，使其大小为两个已经排序序列之和，该空间用来存放合并后的序列；
2. 设定两个指针，最初位置分别为两个已经排序序列的起始位置；
3. 比较两个指针所指向的元素，选择相对小的元素放入到合并空间，并移动指针到下一位置；
4. 重复步骤3直到某一指针到达序列尾；
5. 将另一序列剩下的所有元素直接复制到合并序列尾。

复杂度

• 最坏时间复杂度 O(N^2)
• 最优时间复杂度 O(NlogN)
• 平均时间复杂度 O(NlogN)
• 额外空间复杂度 O(N)
• 稳定性 稳定

实现

def merge_sort(alist): if len(alist) > 1: mid = len(alist) // 2 left_half = alist[:mid] right_half = alist[mid:] merge_sort(left_half) merge_sort(right_half) i = 0 j = 0 k = 0 while i < len(left_half) and j < len(right_half): if left_half[i] < right_half[j]: alist[k] = left_half[i] i += 1 else: alist[k] = right_half[j] j += 1 k += 1 while i < len(left_half): alist[k] = left_half[i] i += 1 k += 1 while j < len(right_half): alist[k] = right_half[j] j += 1 k += 1 return alist

可视化