六大必考排序算法
参考配套视频:清华大学博士授课点击可进入观看
稳定性的最快判断方法:1.相邻的交换:稳定。2.不相邻的交换:不稳定。
排序算法考察频率:快速排序和归并排序被考的概率特别大。另外,小的公司问的冒泡排序、选择排序、插入排序比较多,因为这三个属于很简单的类型。其他的排序方法考察率不高,但是偶尔也会被考察,例如堆排序、基数排序等
冒泡排序
冒泡排序(英语:Bubble Sort)是一种简单的排序算法。它重复地遍历要排序的数列,一次比较两个元素,如果他们的顺序错误就把他们交换过来。遍历数列的工作是重复地进行直到没有再需要交换,也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。
冒泡排序算法的运作如下:
- 比较相邻的元素。如果第一个比第二个大(升序),就交换他们两个。
- 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。
- 针对所有的元素重复以上的步骤,除了最后一个。
- 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。
那么我们需要进行n-1次冒泡过程,每次对应的比较次数如下图所示:
#冒泡排序
def bubble_sort1(li):
for k in range(len(li)-1):
for i in range(len(li)-1-k):
if li[i]>li[i+1]:
li[i],li[i+1]=li[i+1],li[i]
return li
if __name__ == "__main__":
li = [6,5,4,0,6,8,2]
print(li)
print(bubble_sort(li))
结果:
[6, 5, 4, 0, 6, 8, 2]
[0, 2, 4, 5, 6, 6, 8]
优化后的冒泡排序:
- 考虑到有序
def bubble_sort1(li):
for k in range(len(li)-1):
count = 0
for i in range(len(li)-1-k):
if li[i]>li[i+1]:
li[i],li[i+1]=li[i+1],li[i]
count+=1
if count == 1:
return
return li
时间复杂度
- 最优时间复杂度:O(n) (表示遍历一次发现没有任何可以交换的元素,排序结束。)
- 最坏时间复杂度:O(n2)
- 稳定性:稳定
选择排序
-
选择排序(Selection sort)是一种简单直观的排序算法。它的工作原理如下。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。
-
选择排序的主要优点与数据移动有关。如果某个元素位于正确的最终位置上,则它不会被移动。选择排序每次交换一对元素,它们当中至少有一个将被移到其最终位置上,因此对n个元素的表进行排序总共进行至多n-1次交换。在所有的完全依靠交换去移动元素的排序方法中,选择排序属于非常好的一种。
排序过程如图所示:
python代码如下:
# 选择排序
def select_sort(li):
n = len(li)
for i in range(n-1):
min = i
for k in range(i+1,n):
if li[min]>li[k]:
min = k
li[i],li[min] = li[min],li[i]
return li
if __name__ == "__main__":
li = [6,5,4,0,6,8,2]
print(li)
print(select_sort(li))
结果如下:
[6, 5, 4, 0, 6, 8, 2]
[0, 2, 4, 5, 6, 6, 8]
- 我第一次写选择排序时,把 min = i 的位置放错了,导致结果错误,希望大家别跟我一样马虎。
我的错误如下:
# 选择排序
def select_sort(li):
n = len(li)
for i in range(n-1):
for k in range(i+1,n):
min = i
if li[min]>li[k]:
min = k
li[i],li[min] = li[min],li[i]
return li
if __name__ == "__main__":
li = [6,5,4,0,6,8,2]
print(li)
print(select_sort(li))
- 错误的结果如下:
[6, 5, 4, 0, 6, 8, 2]
[2, 5, 4, 0, 6, 6, 8]
希望大家注意这种错误。
时间复杂度
最优时间复杂度:O(n2)
最坏时间复杂度:O(n2)
稳定性:不稳定(考虑升序每次选择最大的情况)
自己的总结:
- 该方法的核心思想是:找到数组的最小索引以后再跟第一个交换。重点是找到数组的最小索引。
min = i
for k in range(i+1,n):
if li[min]>li[k]:
min = k
插入排序
- 对于给定的一组序列,初始时假设第一个数自成一个有序序列,其余的数为无序序列。接着从第二个数开始,按照数值的大小依次将当前处理的记录插入到其之前的有序序列中,直到最后一个记录插入到有序序列中为止。
- 插入排序(英语:Insertion Sort)是一种简单直观的排序算法。它的工作原理是通过构建有序序列,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。插入排序在实现上,在从后向前扫描过程中,需要反复把已排序元素逐步向后挪位,为最新元素提供插入空间。
插入排序分析图:
python代码:
第一种解法:
def insert_sort1(alist):
n = len(alist)
for i in range(1,n):
k =i
while k>0:
if alist[k]<alist[k-1]:
alist[k],alist[k-1] = alist[k-1],alist[k]
else:
break
k-=1
return alist
if __name__ == "__main__":
li = [54, 26, 93, 17, 77, 31, 44, 55, 20]
print(li)
print(insert_sort1(li))
python代码:
推荐使用第二种解法
def insert_sort(li):
n = len(li)
for i in range(1,n): # 从第二个位置,即下标为1的元素开始向前插入
for k in range(i,0,-1): # 从第i个元素开始向前比较,如果小于前一个元素,交换位置
if li[k] < li[k-1]:
li[k],li[k-1] = li[k-1],li[k]
return li
if __name__ == "__main__":
li = [9,3,4,2,6,7,5,1]
print(li)
print(insert_sort(li))
输出结果:
[9, 3, 4, 2, 6, 7, 5, 1]
[1, 2, 3, 4, 5, 6, 7, 9]
时间复杂度
- 最优时间复杂度:O(n) (升序排列,序列已经处于升序状态)
- 最坏时间复杂度:O(n2)
- 稳定性:稳定
for k in range(i,0,-gap):
if alist[k]<alist[k-gap]:
alist[k],alist[k-gap] = alist[k-gap],alist[k]
#等价于
k = i
while k >0:
if alist[k]<alist[k-gap]:
alist[k],alist[k-gap] = alist[k-gap],alist[k]
k -= gap
时间复杂度
- 最优时间复杂度:O(n) (升序排列,序列已经处于升序状态)
- 最坏时间复杂度:O(n2)
- 稳定性:稳定
希尔排序
希尔排序(Shell Sort)是插入排序的一种。也称缩小增量排序,是直接插入排序算法的一种更高效的改进版本。希尔排序是非稳定排序算法。该方法因DL.Shell于1959年提出而得名。 希尔排序是把记录按下标的一定增量分组,对每组使用直接插入排序算法排序;随着增量逐渐减少,每组包含的关键词越来越多,当增量减至1时,整个文件恰被分成一组,算法便终止。
希尔排序过程
希尔排序的基本思想是:将数组列在一个表中并对列分别进行插入排序,重复这过程,不过每次用更长的列(步长更长了,列数更少了)来进行。最后整个表就只有一列了。将数组转换至表是为了更好地理解这算法,算法本身还是使用数组进行排序。
例如,假设有这样一组数[ 13 14 94 33 82 25 59 94 65 23 45 27 73 25 39 10 ],如果我们以步长为5开始进行排序,我们可以通过将这列表放在有5列的表中来更好地描述算法,这样他们就应该看起来是这样(竖着的元素是步长组成):
13 14 94 33 82
25 59 94 65 23
45 27 73 25 39
10
然后我们对每列进行排序:
10 14 73 25 23
13 27 94 33 39
25 59 94 65 82
45
将上述四行数字,依序接在一起时我们得到:[ 10 14 73 25 23 13 27 94 33 39 25 59 94 65 82 45 ]。这时10已经移至正确位置了,然后再以3为步长进行排序:
10 14 73
25 23 13
27 94 33
39 25 59
94 65 82
45
排序之后变为:
10 14 13
25 23 33
27 25 59
39 65 73
45 94 82
94
最后以1步长进行排序(此时就是简单的插入排序了)
Python代码实现方案一
def shell_sort(alist):
n = len(alist)
# 初始步长
gap = n / 2
while gap > 0:
# 按步长进行插入排序
for i in range(gap, n):
j = i
# 插入排序
while j>=gap and alist[j-gap] > alist[j]:
alist[j-gap], alist[j] = alist[j], alist[j-gap]
j -= gap
# 得到新的步长
gap = gap / 2
alist = [54,26,93,17,77,31,44,55,20]
shell_sort(alist)
print(alist)
Python代码实现方案二(推荐)
def shell_sort2(alist):
n = len(alist)
gap = n//2
while gap>0:
for i in range(gap,n):
for k in range(i,0,-gap):
if alist[k]<alist[k-gap]:
alist[k],alist[k-gap] = alist[k-gap],alist[k]
else:
break
gap //= 2
return alist
if __name__ == "__main__":
li = [54, 26, 93, 17, 77, 31, 44, 55, 20]
print(li)
print(shell_sort2(li))
其中
> > else:
> break
> 这部分可不用写
时间复杂度
- 最优时间复杂度:根据步长序列的不同而不同
- 最坏时间复杂度:O(n2)
- 稳定想:不稳定
快速排序
快速排序(英语:Quicksort),又称划分交换排序(partition-exchange sort),通过一趟排序将要排序的数据分割成独立的两部分,其中一部分的所有数据都比另外一部分的所有数据都要小,然后再按此方法对这两部分数据分别进行快速排序,整个排序过程可以递归进行,以此达到整个数据变成有序序列。
步骤为:
- 从数列中挑出一个元素,称为"基准"(pivot),
- 重新排序数列,所有元素比基准值小的摆放在基准前面,所有元素比基准值大的摆在基准的后面(相同的数可以到任一边)。在这个分区结束之后,该基准就处于数列的中间位置。这个称为分区(partition)操作。递归地(recursive)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。
- 递归的最底部情形,是数列的大小是零或一,也就是永远都已经被排序好了。虽然一直递归下去,但是这个算法总会结束,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。
快速排序思路分析
python代码实现
def quick_sort(alist, start, end):
"""快速排序"""
# 递归的退出条件
if start >= end:
return
# 设定起始元素为要寻找位置的基准元素
mid = alist[start]
# low为序列左边的由左向右移动的游标
low = start
# high为序列右边的由右向左移动的游标
high = end
while low < high:
# 如果low与high未重合,high指向的元素不比基准元素小,则high向左移动
while low < high and alist[high] >= mid:
high -= 1
# 将high指向的元素放到low的位置上
alist[low] = alist[high]
# 如果low与high未重合,low指向的元素比基准元素小,则low向右移动
while low < high and alist[low] < mid:
low += 1
# 将low指向的元素放到high的位置上
alist[high] = alist[low]
# 退出循环后,low与high重合,此时所指位置为基准元素的正确位置
# 将基准元素放到该位置
alist[low] = mid
# 对基准元素左边的子序列进行快速排序
quick_sort(alist, start, low-1)
# 对基准元素右边的子序列进行快速排序
quick_sort(alist, low+1, end)
alist = [54,26,93,17,77,31,44,55,20]
quick_sort(alist,0,len(alist)-1)
print(alist)
时间复杂度
- 最优时间复杂度:O(nlogn)
- 最坏时间复杂度:O(n2)
- 稳定性:不稳定
从一开始快速排序平均需要花费O(n log n)时间的描述并不明显。但是不难观察到的是分区运算,数组的元素都会在每次循环中走访过一次,使用O(n)的时间。在使用结合(concatenation)的版本中,这项运算也是O(n)。
在最好的情况,每次我们运行一次分区,我们会把一个数列分为两个几近相等的片段。这个意思就是每次递归调用处理一半大小的数列。因此,在到达大小为一的数列前,我们只要作log n次嵌套的调用。这个意思就是调用树的深度是O(log n)。但是在同一层次结构的两个程序调用中,不会处理到原来数列的相同部分;因此,程序调用的每一层次结构总共全部仅需要O(n)的时间(每个调用有某些共同的额外耗费,但是因为在每一层次结构仅仅只有O(n)个调用,这些被归纳在O(n)系数中)。结果是这个算法仅需使用O(n log n)时间。
归并排序
- 归并排序是采用分治法的一个非常典型的应用。归并排序的思想就是先递归分解数组,再合并数组。
- 将数组分解最小之后,然后合并两个有序数组,基本思路是比较两个数组的最前面的数,谁小就先取谁,取了后相应的指针就往后移一位。然后再比较,直至一个数组为空,最后把另一个数组的剩余部分复制过来即可。
归并排序动态图:
python代码实现:
def merge_sort(alist):
if len(alist) <= 1:
return alist
# 二分分解
num = len(alist)//2
left = merge_sort(alist[:num])
right = merge_sort(alist[num:])
# 合并
return merge(left,right)
def merge(left, right):
'''合并操作,将两个有序数组left[]和right[]合并成一个大的有序数组'''
#left与right的下标指针
l, r = 0, 0
result = []
while l<len(left) and r<len(right):
if left[l] < right[r]:
result.append(left[l])
l += 1
else:
result.append(right[r])
r += 1
result += left[l:]
result += right[r:]
return result
alist = [54,26,93,17,77,31,44,55,20]
sorted_alist = merge_sort(alist)
print(sorted_alist)
时间复杂度
- 最优时间复杂度:O(nlogn)
- 最坏时间复杂度:O(nlogn)
- 稳定性:稳定
计数排序
常见排序算法效率比较
面试经验:快速排序跟归并排序问的最多,必须掌握。其他的也要回写。堆排序、基数排序、桶排序等等考察的少。
参考课程和文献
- 我参考的几个文献虽然不是核心以及EI的高质量期刊,但是对于成熟的技术,普刊介绍的已经足够了。
[1] 清华大学博士授课的 数据结构与算法课程。
[2] 黑马程序员的数据结构与算法课程。
[3] 翁子盛.常见排序算法及其主要应用[J].科学技术创新,2019(26):75-76.
[4]王永刚.排序算法综述[J].电脑知识与技术,2006(29):1-2+6.