桶排序、计数排序、基数排序 -- 大数据排序，线性排序以及应用场景

桶排序

桶排序其实就是把数据分到各个桶中，比如把100个数据到10个桶中，然后每个桶再进行排序比如快排，桶和桶之间也是有顺序的

桶排序是线性排序，也就是时间复杂度为O(n)

假设数据有 n 个，把它们均匀地划分到 m 个桶内
每个桶里就有 k=n/m 个元素

在快排那里我们分析过，快排的时间复杂度为O(nlogn)

那么每个桶内的时间复杂度为 O(k * logk)

m 个桶排序的时间复杂度就是 O(m * k * logk)，因为 k=n/m，所以整个桶排序的时间复杂度就是 O(n*log(n/m))。

当桶的个数 m 接近数据个数 n 时，log(n/m) 就是一个非常小的常量，这个时候桶排序的时间复杂度接近 O(n)。

大家可以想到，均匀分布是桶排序的前提调节，假设一个极端的情况，所有的数据都被分进了一个桶里，那其实就是快排了，就不是线性排序

那么桶排序适合什么场景的使用呢？

桶排序比较适合用做外部排序，数据量很大的适合，内存空间不足，就可以一个桶一个桶的排序，排完之后在按桶的顺序输出就行

---

计数排序

先说场景，假如要排序全校2w学生的体育成绩，成绩满分为5分
那么这就是一个经典的计数排序会应用的场景

把学生分为6个桶，0-5，把学生按成绩分到这6个桶内

为了讲解方便，现在假设学生人数为8个

这 8 个考生的成绩我们放在一个数组 A[8]中，它们分别是：2，5，3，0，2，3，0，3

我们对这个数组顺序求和，就能得到排名，如图

我们从后面开始扫描A数组，如下图，比如第一个数是3，读出C[3]的值为7，说明3排位为7，那么我们就把3填入到R[6]中，这是C[3]的值需要减1，表示3已经排走了，以此类推，就能得到R的结果

// 计算排序的关键步骤，有点难理解 
for (int i = n - 1; i >= 0; --i) { 
	int index = c[a[i]]-1; 
	r[index] = a[i]; c[a[i]]--; 
}

• 计数排序只能用在数据范围不大的场景中，如果数据范围 k 比要排序的数据 n 大很多，就不适合用计数排序了。

• 计数排序只能给非负整数排序，如果要排序的数据是其他类型的，要将其在不改变相对大小的情况下，转化为非负整数。

---

基数排序

基数排序就是，当数据量很大，数值也很高，但是数据量之间存在前后关系

比如假设我们有 10 万个手机号码，希望将这 10 万个手机号码从小到大排序

可以先按照最后一位来排序手机号码，然后，再按照倒数第二位重新排序，以此类推，最后按照第一位重新排序。经过 11 次排序之后，手机号码就都有序了。

在每一位的排序中，可以用桶排序或者计数排序
所以如果要排序的数据有 k 位，那我们就需要 k 次桶排序或者计数排序，总的时间复杂度是 O(k*n)。

当 k 不大的时候，比如手机号码排序的例子，k 最大就是 11，所以基数排序的时间复杂度就近似于 O(n)。

指的注意的是，基数排序的底层排序必须是稳定的排序，所以不能用快排

-部分图片和内容参考geek