数据结构 | 线性排序

数据结构与算法之美学习总结,这一课讲了三个线性排序,这三种排序时间复杂度都是 O(n)O(n)

1. 桶排序(Bucket sort)

nn 个数据分到 mm 个桶内,每个桶会有 k=n/mk=n/m 个元素,每个桶内使用快速排序。桶排序的时间复杂度为 O(mklogk)O(mklogk),如果桶的数量越接近 nn,就会退变成 O(n)O(n)

桶排序对数据的要求很高:

  1. 桶与桶之间有天然大小顺序;
  2. 数据在桶之间的分布均匀。

桶排序适合用于外部排序: 数据存在外部磁盘中,数据量大而内存小,无法将数据全部加载到内存。

如果对 10 GB 的订单按照金额排序,但是内存又不够大,就可以对其进行桶排序。一般情况下 1 ~ 1000 的金额会比较多,那就对这部分再进行桶排序,直到内存可以装得下。

2. 计数排序(Counting sort)

计数排序可以看做桶排序的特殊情况。 但是桶的大小粒度不一样,一般来说,计数排序的桶会偏大但偏少。所以当数据的范围 k 比要排序的数据 n 大得多,就不适合用计数排序。

计数排序只能给非负整数排序。 特殊情况的处理:

  1. 如果数据范围是 [-1000, 1000],那么我们给每一个数据加 1000,范围就变为 [0, 2000];
  2. 如果数据精度是小数点后一位如,[0.1, 9.8],我们可以给每个数据乘以 10,就变为 [1, 98]。

计数的体现:
在这里插入图片描述

如上图:以数组 A = [2 5 3 0 2 3 0 3] 为例,说说计数排序的过程:

  1. 因为数据的范围在 [0, 5],所以把数据分为 6 个桶,并存放在 C 数组中(C 的下标代表数据,对应位置存放的是下标对应数据的数量);
  2. 然后对 C 中每个元素都求其前面元素与当前元素的和,即 C[i] = C[i - 1] + C[i];
  3. 请求一个存放排序好的数据的数组,与 A 同样大小;
  4. 从右往左对 A 排序,重复一下步骤:
    • R[C[A[n]] - 1] = A[n]
    • n = n - 1

计数排序的 Python 实现:

# copyright (c) strongnine

def countingSort(a):
    n = len(a)
    if n <= 1:
        return

    max = a[0]
    for i in range(1, n):
        if max < a[i]:
            max = a[i]


    c = [0 for i in range(max + 1)]

    for i in range(n):
        c[a[i]] += 1

    for i in range(1, max + 1):
        c[i] = c[i - 1] + c[i]

    r = [0 for i in range(n)]

    for i in range(n - 1, -1, -1):
        index = c[a[i]] - 1
        r[index] = a[i]
        c[a[i]] -= 1

    return r


if __name__ == '__main__':
    a = [2, 5, 3, 0, 2, 3, 0, 3]
    r = countingSort(a)
    print(r)

3. 基数排序(Radix sort)

类似于对手机号的排序,数据的范围很大,所以要分桶就不太行,所以不适合上面两种方式。

过程: 先按照最后一位使用稳定的线性排序来排序手机号码,再按照倒数第二位排序,直到弄完全部 11 位。注意使用的排序算法一定要是稳定的。

对于不一样长的数据,例如对单词的排序,可以在每个单词后面都补零,再排序。

基数排序的要求:

  1. 数据的「位」需要可以独立分割出来比较;
  2. 位之间有递进关系,即高位比低位高,就可以忽略更低位的大小。

4. 线性排序的局限

线性排序算法对于数据的要求都比较严苛,应用并不是很广泛,但是如果数据的特征很适合使用线性排序,那么用起来就会很高效。

©️2020 CSDN 皮肤主题: 技术黑板 设计师: CSDN官方博客 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值