常用排序算法对比
排序算法 | 最好 | 最坏 | 平均 | 空间复杂度 | 是否基于比较 | 是否稳定 |
---|---|---|---|---|---|---|
冒泡 | O(n) | O(n^2) | O(n^2) | O(1) | 是 | 是 |
插入 | O(n) | O(n^2) | O(n^2) | O(1) | 是 | 是 |
选择 | O(n^2) | O(n^2) | O(n^2) | O(1) | 是 | 否 |
归并 | O(nlogn) | O(nlogn) | O(nlogn) | O(n) | 是 | 是 |
快排 | O(nlogn) | O(n^2) | O(nlogn) | O(1) | 是 | 否 |
线性排序算法对比
排序算法 | 时间复杂度 | 是否稳定 | 原地排序 |
---|---|---|---|
计数排序 | O(n+k) k是数据范围 | 是 | 否 |
桶排序 | O(n) | 是 | 否 |
基数排序 | O(dn) d是维度 | 是 | 否 |
如何分析一个排序算法
- 执行效率
- 最好情况、最坏情况、平均情况时间复杂度
- 时间复杂度的系数、低阶、常数
- 比较次数和交换(移动)次数
- 内存损耗–空间复杂度
- 排序算法的稳定性
排序算法特点及适用场景
冒泡、插入、选择排序算法适用于小规模数据(不需要递归,且数据规模小时,O(nlogn)并不一定比O(n^2)大), 并且优先使用插入排序(插入排序稳定,时间复杂度系数低,性能好)
归并排序算法的优缺点:优点:任何情况下时间复杂度都比较稳定O(nlogn);缺点:空间复杂度高O(n)
快速排序优点:性能好,时间复杂度低O(nlogn), 缺点:不稳定排序
归并排序和快速排序适合大规模数据排序
线性排序(桶排序、计数排序、基数排序)时间复杂度O(n),适用于特殊数据的排序,并不通用。
桶排序适用于外部排序(数据存储在外部磁盘中),数据量大,无法将数据全部加载到内存中
计数排序是桶排序的一种特殊情况,适用于数据范围不大的场景,并且数据要为非负整数(可以将数据转化为非负整数)。要排序的n个数据,最大值为k,(k远远小于n),这时可以将数据划分成k个桶,每个桶内的值都是相同的,省略了桶内的排序。
基数排序使用场景要求:数据需要能够分隔出独立的位来比较,而且位之间有递进关系,每一位的数据范围不能太大,且要能使用线性排序(桶排序或者计数排序)。
在O(n)时间复杂度内找无序数组的第K大元素
利用选择排序,时间复杂度O(kn)
利用快排思想,时间复杂度O(2n),具体方法:选择pivot,将数组分成三部分a[0:p-1]、a[p], a[p+1:n-1],如果p+1==K,则a[p]就是要找的第K大元素,如果K>p+1,则继续在a[p+1:n-1]中查找,如果K<p+1,则在a[0:p-1]内继续查找
如何优化快速排序
避免时间复杂度退化为最坏情况,合理选择分区点(三数取中、随机法等)