数据结构常见的八大排序算法及代码实现图解
八大排序,三大查找是《数据结构》当中非常基础的知识点,在这里为了复习顺带总结了一下常见的八种排序算法。常见的八大排序算法,他们之间关系如下:
他们的性能比较:
下面,利用Python分别将他们进行实现。
直接插入排序
- 算法思想:
直接插入排序的核心思想就是:将数组中的所有元素依次跟前面已经排好的元素相比较,如果选择的元素比已排序的元素小,则交换,直到全部元素都比较过。因此,从上面的描述中我们可以发现,直接插入排序可以用两个循环完成:
- 第一层循环:遍历待比较的所有数组元素
- 第二层循环:将本轮选择的元素(selected)与已经排好序的元素(ordered)相比较。如果:selected > ordered,那么将二者交换
- 代码实现
#直接插入排序 def insert_sort(L): #遍历数组中的所有元素,其中0号索引元素默认已排序,因此从1开始 for x in range(1,len(L)): #将该元素与已排序好的前序数组依次比较,如果该元素小,则交换 #range(x-1,-1,-1):从x-1倒序循环到0 for i in range(x-1,-1,-1): #判断:如果符合条件则交换 if L[i] > L[i+1]: temp = L[i+1] L[i+1] = L[i] L[i] = temp
希尔排序
- 算法思想:
希尔排序的算法思想:将待排序数组按照步长gap进行分组,然后将每组的元素利用直接插入排序的方法进行排序;每次将gap折半减小,循环上述操作;当gap=1时,利用直接插入,完成排序。同样的:从上面的描述中我们可以发现:希尔排序的总体实现应该由三个循环完成:
- 第一层循环:将gap依次折半,对序列进行分组,直到gap=1
- 第二、三层循环:也即直接插入排序所需要的两次循环。具体描述见上。
- 代码实现:
#希尔排序 def insert_shell(L): #初始化gap值,此处利用序列长度的一般为其赋值 gap = (int)(len(L)/2) #第一层循环:依次改变gap值对列表进行分组 while (gap >= 1): #下面:利用直接插入排序的思想对分组数据进行排序 #range(gap,len(L)):从gap开始 for x in range(gap,len(L)): #range(x-gap,-1,-gap):从x-gap开始与选定元素开始倒序比较,每个比较元素之间间隔gap for i in range(x-gap,-1,-gap): #如果该组当中两个元素满足交换条件,则进行交换 if L[i] > L[i+gap]: temp = L[i+gap] L[i+gap] = L[i] L[i] =temp #while循环条件折半 gap = (int)(gap/2)
简单选择排序
- 算法思想
简单选择排序的基本思想:比较+交换。
- 从待排序序列中,找到关键字最小的元素;
- 如果最小元素不是待排序序列的第一个元素,将其和第一个元素互换;
- 从余下的 N - 1 个元素中,找出关键字最小的元素,重复(1)、(2)步,直到排序结束。因此我们可以发现,简单选择排序也是通过两层循环实现。第一层循环:依次遍历序列当中的每一个元素第二层循环:将遍历得到的当前元素依次与余下的元素进行比较,符合最小元素的条件,则交换。
- 代码实现
# 简单选择排序 def select_sort(L): #依次遍历序列中的每一个元素 for x in range(0,len(L)): #将当前位置的元素定义此轮循环当中的最小值 minimum = L[x] #将该元素与剩下的元素依次比较寻找最小元素 for i in range(x+1,len(L)): if L[i] < minimum: temp = L[i]; L[i] = minimum; minimum = temp #将比较后得到的真正的最小值赋值给当前位置 L[x] = minimum
堆排序
堆的概念堆:本质是一种数组对象。特别重要的一点性质:<b>任意的叶子节点小于(或大于)它所有的父节点</b>。对此,又分为大顶堆和小顶堆,大顶堆要求节点的元素都要大于其孩子,小顶堆要求节点元素都小于其左右孩子,两者对左右孩子的大小关系不做任何要求。利用堆排序,就是基于大顶堆或者小顶堆的一种排序方法。下面,我们通过大顶堆来实现。
基本思想:堆排序可以按照以下步骤来完成:
首先将序列构建称为大顶堆;(这样满足了大顶堆那条性质:位于根节点的元素一定是当前序列的最大值)
构建大顶堆.png- 取出当前大顶堆的根节点,将其与序列末尾元素进行交换;(此时:序列末尾的元素为已排序的最大值;由于交换了元素,当前位于根节点的堆并不一定满足大顶堆的性质)
对交换后的n-1个序列元素进行调整,使其满足大顶堆的性质;
Paste_Image.png- 重复2.3步骤,直至堆中只有1个元素为止
代码实现:
#-------------------------堆排序-------------------------------- #**********获取左右叶子节点********** def LEFT(i): return 2*i + 1 def RIGHT(i): return 2*i + 2 #********** 调整大顶堆 ********** #L:待调整序列 length: 序列长度 i:需要调整的结点 def adjust_max_heap(L,length,i): #定义一个int值保存当前序列最大值的下标 largest = i #执行循环操作:两个任务:1 寻找最大值的下标;2.最大值与父节点交换 while (1): #获得序列左右叶子节点的下标 left,right = LEFT(i),RIGHT(i) #当左叶子节点的下标小于序列长度 并且 左叶子节点的值大于父节点时,将左叶子节点的下标赋值给largest if (left < length) and (L[left] > L[i]): largest = left print('左叶子节点') else: largest = i #当右叶子节点的下标小于序列长度 并且 右叶子节点的值大于父节点时,将右叶子节点的下标值赋值给largest if (right < length) and (L[right] > L[largest]): largest = right print('右叶子节点') #如果largest不等于i 说明当前的父节点不是最大值,需要交换值 if (largest != i): temp = L[i] L[i] = L[largest] L[largest] = temp i = largest print(largest) continue else: break #********** 建立大顶堆 ********** def build_max_heap(L): length = len(L) for x in range((int)((length-1)/2),-1,-1): adjust_max_heap(L,length,x) #********** 堆排序 ********** def heap_sort(L): #先建立大顶堆,保证最大值位于根节点;并且父节点的值大于叶子结点 build_max_heap(L) #i:当前堆中序列的长度.初始化为序列的长度 i = len(L) #执行循环:1. 每次取出堆顶元素置于序列的最后(len-1,len-2,len-3...) # 2. 调整堆,使其继续满足大顶堆的性质,注意实时修改堆中序列的长度 while (i > 0): temp = L[i-1] L[i-1] = L[0] L[0] = temp #堆中序列长度减1 i = i-1 #调整大顶堆 adjust_max_heap(L,i,0)
冒泡排序
基本思想
冒泡排序.gif冒泡排序思路比较简单:
- 将序列当中的左右元素,依次比较,保证右边的元素始终大于左边的元素;( 第一轮结束后,序列最后一个元素一定是当前序列的最大值;)
- 对序列当中剩下的n-1个元素再次执行步骤1。
- 对于长度为n的序列,一共需要执行n-1轮比较(利用while循环可以减少执行次数)
*代码实现
#冒泡排序 def bubble_sort(L): length = len(L) #序列长度为length,需要执行length-1轮交换 for x in range(1,length): #对于每一轮交换,都将序列当中的左右元素进行比较 #每轮交换当中,由于序列最后的元素一定是最大的,因此每轮循环到序列未排序的位置即可 for i in range(0,length-x): if L[i] > L[i+1]: temp = L[i] L[i] = L[i+1] L[i+1] = temp
快速排序
- 算法思想:快速排序的基本思想:挖坑填数+分治法快速排序.gif
- 从序列当中选择一个基准数(pivot)在这里我们选择序列当中第一个数最为基准数
- 将序列当中的所有数依次遍历,比基准数大的位于其右侧,比基准数小的位于其左侧
- 重复步骤1.2,直到所有子集当中只有一个元素为止。用伪代码描述如下:1.i =L; j = R; 将基准数挖出形成第一个坑a[i]。2.j--由后向前找比它小的数,找到后挖出此数填前一个坑a[i]中。3.i++由前向后找比它大的数,找到后也挖出此数填到前一个坑a[j]中。4.再重复执行2,3二步,直到i==j,将基准数填入a[i]中
- 代码实现:
#快速排序 #L:待排序的序列;start排序的开始index,end序列末尾的index #对于长度为length的序列:start = 0;end = length-1 def quick_sort(L,start,end): if start < end: i , j , pivot = start , end , L[start] while i < j: #从右开始向左寻找第一个小于pivot的值 while (i < j) and (L[j] >= pivot): j = j-1 #将小于pivot的值移到左边 if (i < j): L[i] = L[j] i = i+1 #���左开始向右寻找第一个大于pivot的值 while (i < j) and (L[i] < pivot): i = i+1 #将大于pivot的值移到右边 if (i < j): L[j] = L[i] j = j-1 #循环结束后,说明 i=j,此时左边的值全都小于pivot,右边的值全都大于pivot #pivot的位置移动正确,那么此时只需对左右两侧的序列调用此函数进一步排序即可 #递归调用函数:依次对左侧序列:从0 ~ i-1//右侧序列:从i+1 ~ end L[i] = pivot #左侧序列继续排序 quick_sort(L,start,i-1) #右侧序列继续排序 quick_sort(L,i+1,end)
归并排序
算法思想:
归并排序.gif- 归并排序是建立在归并操作上的一种有效的排序算法,该算法是采用分治法的一个典型的应用。它的基本操作是:将已有的子序列合并,达到完全有序的序列;即先使每个子序列有序,再使子序列段间有序。
- 归并排序其实要做两件事:
- 分解----将序列每次折半拆分
- 合并----将划分后的序列段两两排序合并因此,归并排序实际上就是两个操作,拆分+合并
- 如何合并?L[first...mid]为第一段,L[mid+1...last]为第二段,并且两端已经有序,现在我们要将两端合成达到L[first...last]并且也有序。
- 首先依次从第一段与第二段中取出元素比较,将较小的元素赋值给temp[]
- 重复执行上一步,当某一段赋值结束,则将另一段剩下的元素赋值给temp[]
- 此时将temp[]中的元素复制给L[],则得到的L[first...last]有序
- 如何分解?在这里,我们采用递归的方法,首先将待排序列分成A,B两组;然后重复对A、B序列分组;直到分组后组内只有一个元素,此时我们认为组内所有元素有序,则分组结束。
代码实现
# 归并排序 #这是合并的函数 # 将序列L[first...mid]与序列L[mid+1...last]进行合并 def mergearray(L,first,mid,last,temp): #对i,j,k分别进行赋值 i,j,k = first,mid+1,0 #当左右两边都有数时进行比较,取较小的数 while (i <= mid) and (j <= last): if L[i] <= L[j]: temp[k] = L[i] i = i+1 k = k+1 else: temp[k] = L[j] j = j+1 k = k+1 #如果左边序列还有数 while (i <= mid): temp[k] = L[i] i = i+1 k = k+1 #如果右边序列还有数 while (j <= last): temp[k] = L[j] j = j+1 k = k+1 #将temp当中该段有序元素赋值给L待排序列使之部分有序 for x in range(0,k): L[first+x] = temp[x] # 这是分组的函数 def merge_sort(L,first,last,temp): if first < last: mid = (int)((first + last) / 2) #使左边序列有序 merge_sort(L,first,mid,temp) #使右边序列有序 merge_sort(L,mid+1,last,temp) #将两个有序序列合并 mergearray(L,first,mid,last,temp) # 归并排序的函数 def merge_sort_array(L): #声明一个长度为len(L)的空列表 temp = len(L)*[None] #调用归并排序 merge_sort(L,0,len(L)-1,temp)
基数排序
算法思想
基数排序.gif- 基数排序:通过序列中各个元素的值,对排序的N个元素进行若干趟的“分配”与“收集”来实现排序。分配:我们将L[i]中的元素取出,首先确定其个位上的数字,根据该数字分配到与之序号相同的桶中收集:当序列中所有的元素都分配到对应的桶中,再按照顺序依次将桶中的元素收集形成新的一个待排序列L[ ]对新形成的序列L[]重复执行分配和收集元素中的十位、百位...直到分配完该序列中的最高位,则排序结束
- 根据上述“基数排序”的展示,我们可以清楚的看到整个实现的过程
- 代码实现
#************************基数排序**************************** #确定排序的次数 #排序的顺序跟序列中最大数的位数相关 def radix_sort_nums(L): maxNum = L[0] #寻找序列中的最大数 for x in L: if maxNum < x: maxNum = x #确定序列中的最大元素的位数 times = 0 while (maxNum > 0): maxNum = (int)(maxNum/10) times = times+1 return times #找到num从低到高第pos位的数据 def get_num_pos(num,pos): return ((int)(num/(10**(pos-1))))%10 #基数排序 def radix_sort(L): count = 10*[None] #存放各个桶的数据统计个数 bucket = len(L)*[None] #暂时存放排序结果 #从低位到高位依次执行循环 for pos in range(1,radix_sort_nums(L)+1): #置空各个桶的数据统计 for x in range(0,10): count[x] = 0 #统计当前该位(个位,十位,百位....)的元素数目 for x in range(0,len(L)): #统计各个桶将要装进去的元素个数 j = get_num_pos(int(L[x]),pos) count[j] = count[j]+1 #count[i]表示第i个桶的右边界索引 for x in range(1,10): count[x] = count[x] + count[x-1] #将数据依次装入桶中 for x in range(len(L)-1,-1,-1): #求出元素第K位的数字 j = get_num_pos(L[x],pos) #放入对应的桶中,count[j]-1是第j个桶的右边界索引 bucket[count[j]-1] = L[x] #对应桶的装入数据索引-1 count[j] = count[j]-1 # 将已分配好的桶中数据再倒出来,此时已是对应当前位数有序的表 for x in range(0,len(L)): L[x] = bucket[x]
后记
写完之后运行了一下时间比较:
- 1w个数据时:
直接插入排序:11.615608 希尔排序:13.012008 简单选择排序:3.645136000000001 堆排序:0.09587900000000005 冒泡排序:6.687218999999999 #**************************************************** 快速排序:9.999999974752427e-07 #快速排序有误:实际上并未执行 #RecursionError: maximum recursion depth exceeded in comparison #**************************************************** 归并排序:0.05638299999999674 基数排序:0.08150400000000246
- 10w个数据时:
直接插入排序:1233.581131 希尔排序:1409.8012320000003 简单选择排序:466.66974500000015 堆排序:1.2036720000000969 冒泡排序:751.274449 #**************************************************** 快速排序:1.0000003385357559e-06 #快速排序有误:实际上并未执行 #RecursionError: maximum recursion depth exceeded in comparison #**************************************************** 归并排序:0.8262230000000272 基数排序:1.1162899999999354
从运行结果上来看,堆排序、归并排序、基数排序真的快。对于快速排序迭代深度超过的问题,可以将考虑将快排通过非递归的方式进行实现。
相关推荐
要知道时间复杂度只是描述一个增长趋势,复杂度为O的排序算法执行时间不一定比复杂度为O长,因为在计算O时省略了系数、常数、低阶。实际上,在对小规模数据进行排序时,n2的值实际比 knlogn+c还要小。