算法基础第二章O(N*logN)的排序

归并排序

先排序左边，再排序右边，最后通过一个辅助数组merge
利用master公式估计时间复杂度：

T(N) = 2*T(N/2) + O(N)
a = 2, b=2, d=1

时间复杂度为：O(N*logN)，额外空间复杂度：O(N)

拓展：

1. 小和问题
   数组中求每个数左边比他小的数的和。
   普通解法：O(N^2)
   归并解法：在merge和sort的过程中发现左侧数比右侧数小就把 “小和” 加上

2. 逆序对问题
   左边的数比右边的数小

堆(优先级队列)

数组实现的完全二叉树（从左到右依次变满）结构

节点个数是N, 高度是logN.

i 位置的左孩子是2i+1, 右孩子是2i+2, 父节点是 (i-1)/2

根节点为0

0. 方法
1. add (member)
   新加入的数据放到最后位置,并依次和父节点比较大小, 若比父节点大则交换两者位置.
2. intgetmax()
   输出最大值,并更新最大堆
   返回最大值后, 把最后一个数放到根节点, 然后和最大子节点比较大小并调整. heapify()
3. 扩容
   一次扩大一倍

堆排序

1. 先满足0~0范围是堆,然后依次添加数字,逐渐建立堆O(N*logN)

   如果一次性得到全部数据, 从下往上逐渐保证每个子树调整成大根堆的时间复杂度更低 O(N).
   

2. 每次把根节点和最后一个节点交换, 并将heapsize减1

3. 将新的根节点向下heapify到目标位置

4. 重复2,3过程,直到heapsize等于0

时间复杂度: O(N*logN)

例题:
一个几乎有序的数组, (每个元素移动距离不超过k, k比较小) 选择最佳排序方法.

利用一个大小为k的最小堆, 每次弹出最小的放到0位置(1,2,3…), 再把后一个(k+1)数放进堆里, 周而复始.
O(N*logk) -> O(N)

python中的堆

默认为小根堆, 若需要大根堆, 保存成相反数 (加负号)

import heapq
heap = []#建立一个常见的堆

heappush(heap,item)#往堆中插入一条新的值

item = heappop(heap)#弹出最小的值

item = heap[0]#查看堆中最小的值，不弹出

heapify(x)#以线性时间将一个列表转为堆

item = heapreplace(heap,item)#弹出一个最小的值，然后将item插入到堆当中。堆的整体的结构不会发生改变。
heappoppush()#弹出最小的值，并且将新的值插入其中

merge()#将多个堆进行合并

nlargest(n , iterbale, key=None)从堆中找出做大的N个数，key的作用和sorted( )方法里面的key类似，用列表元素的某个属性和函数作为关键字