常用七种排序的Python实现

栏目: Python · 发布时间: 4年前

内容简介:算法复杂度分为时间复杂度和空间复杂度。其中, 时间复杂度是指执行算法所需要的计算工作量;而空间复杂度是指执行这个算法所需要的内存空间。算法的复杂性体现在运行该算法时的计算机所需资源的多少上,计算机资源最重要的是时间和空间资源,因此复杂度分为时间和空间复杂度。用大O表示。常见的时间复杂度(按效率排序)

1 算法复杂度

算法复杂度分为时间复杂度和空间复杂度。其中, 时间复杂度是指执行算法所需要的计算工作量;而空间复杂度是指执行这个算法所需要的内存空间。

算法的复杂性体现在运行该算法时的计算机所需资源的多少上,计算机资源最重要的是时间和空间资源,因此复杂度分为时间和空间复杂度。用大O表示。

常见的时间复杂度(按效率排序)

常用七种 <a href='https://www.codercto.com/topics/21904.html'>排序</a> 的 <a href='https://www.codercto.com/topics/20097.html'>Python</a> 实现

2 冒泡排序

冒泡法:第一趟:相邻的两数相比,大的往下沉。最后一个元素是最大的。

第二趟:相邻的两数相比,大的往下沉。最后一个元素不用比。

1 def bubble_sort(array):

2    for i in range(len(array)-1):

3        for j in range(len(array) - i -1):

4            if array[j] > array[j+1]:

5                array[j], array[j+1] = array[j+1], array[j]

时间复杂度:O(n^2)

稳定性:稳定

改进:如果一趟比较没有发生位置变换,则认为排序完成

def bubble_sort(array):

for i in range(len(array)-1):

current_status = False

for j in range(len(array) - i -1):

if array[j] > array[j+1]:

array[j], array[j+1] = array[j+1], array[j]

current_status = True

if not current_status:

break

3 直接选择排序

选择排序法:每一次从待排序的数据元素中选出最小(或最大)的一个元素,存放到序列的起始位置,直到全部排完。

def select_sort(array):

for i in range(len(array)-1):

min = i

for j in range(i+1, len(array)):

if array[j] < array[min]:

min = j

array[i], array[min] = array[min], array[i]

时间复杂度:O(n^2)

稳定性:不稳定

4 直接插入排序

列表被分为有序区和无序区两个部分。最初有序区只有一个元素。

每次从无序区选择一个元素,插入到有序区的位置,直到无序区变空。

其实就相当于摸牌:

常用七种排序的Python实现

def insert_sort(array):

# 循环的是第二个到最后(待摸的牌)

for i in range(1, len(array)):

# 待插入的数(摸上来的牌)

min = array[i]

# 已排好序的最右边一个元素(手里的牌的最右边)

j = i - 1

# 一只和排好的牌比较,排好的牌的牌的索引必须大于等于0

# 比较过程中,如果手里的比摸上来的大,

while j >= 0 and array[j] > min:

# 那么手里的牌往右边移动一位,就是把j付给j+1

array[j+1] = array[j]

# 换完以后在和下一张比较

j -= 1

# 找到了手里的牌比摸上来的牌小或等于的时候,就把摸上来的放到它右边

array[j+1] = min

时间复杂度:O(n^2)

稳定性:稳定

5 快速排序

取一个元素p(通常是第一个元素,但是这是比较糟糕的选择),使元素p归位(把p右边比p小的元素都放在它左边,在把空缺位置的左边比p大的元素放在p右边);

列表被p分成两部分,左边都比p小,右边都比p大;

递归完成排序。

def quick_sort(array, left, right):

if left < right:

mid = partition(array, left, right)

quick_sort(array, left,  mid-1)

quick_sort(array, mid+1, right)

def partition(array, left, right):

tmp = array[left]

while left < right:

while left < right and array[right] >= tmp:

right -= 1

array[left] = array[right]

while left < right and array[left] <= tmp:

left += 1

array[right] = array[left]

array[left] = tmp

return left

时间复杂度:O(nlogn),一般情况是O(nlogn),最坏情况(逆序):O(n^2)

稳定性:不稳定

特点:就是快

6 堆排序

步骤:

建立堆

得到堆顶元素,为最大元素

去掉堆顶,将堆最后一个元素放到堆顶,此时可通过一次调整重新使堆有序。

堆顶元素为第二大元素。

重复步骤3,直到堆变空。

def sift(array, left, right):

"""调整"""

i = left      # 当前调整的小堆的父节点

j = 2*i + 1  # i的左孩子

tmp = array[i]    # 当前调整的堆的根节点

while j <= right:    # 如果孩子还在堆的边界内

if j < right and array[j] < array[j+1]:  # 如果i有右孩子,且右孩子比左孩子大

j = j + 1                              # 大孩子就是右孩子

if tmp < array[j]:                        # 比较根节点和大孩子,如果根节点比大孩子小

array[i] = array[j]                    # 大孩子上位

i = j                                  # 新调整的小堆的父节点

j = 2*i + 1                            # 新调整的小堆中I的左孩子

else:                                      # 否则就是父节点比大孩子大,则终止循环

break

array[i] = tmp                                  # 最后i的位置由于是之前大孩子上位了,是空的,而这个位置是根节点的正确位置。

def heap(array):

n = len(array)

# 建堆,从最后一个有孩子的父亲开始,直到根节点

for i in range(n//2 - 1, -1, -1):

# 每次调整i到结尾

sift(array, i, n-1)

# 挨个出数

for i in range(n-1, -1, -1):

# 把根节点和调整的堆的最后一个元素交换

array[0], array[i] = array[i], array[0]

# 再调整,从0到i-1

sift(array, 0, i-1)

时间复杂度:O(nlogn),

稳定性:不稳定

特点:通常都比快排慢

7 为什么堆排比快排慢?

回顾一下堆排的过程:

1. 建立最大堆(堆顶的元素大于其两个儿子,两个儿子又分别大于它们各自下属的两个儿子... 以此类推)

2. 将堆顶的元素和最后一个元素对调(相当于将堆顶元素(最大值)拿走,然后将堆底的那个元素补上它的空缺),然后让那最后一个元素从顶上往下滑到恰当的位置(重新使堆最大化)。

3. 重复第2步。

这里的关键问题就在于第2步,堆底的元素肯定很小,将它拿到堆顶和原本属于最大元素的两个子节点比较,它比它们大的可能性是微乎其微的。实际上它肯定小于其中的一个儿子。而大于另一个儿子的可能性非常小。于是,这一次比较的结果就是概率不均等的,根据前面的分析,概率不均等的比较是不明智的,因为它并不能保证在糟糕情况下也能将问题的可能性削减到原本的1/2。可以想像一种极端情况,如果a肯定小于b,那么比较a和b就会什么信息也得不到——原本剩下多少可能性还是剩下多少可能性。

在堆排里面有大量这种近乎无效的比较,因为被拿到堆顶的那个元素几乎肯定是很小的,而靠近堆顶的元素又几乎肯定是很大的,将一个很小的数和一个很大的数比较,结果几乎肯定是“小于”的,这就意味着问题的可能性只被排除掉了很小一部分。

这就是为什么堆排比较慢(堆排虽然和快排一样复杂度都是O(NlogN)但堆排复杂度的常系数更大)。

MacKay也提供了一个修改版的堆排:每次不是将堆底的元素拿到上面去,而是直接比较堆顶(最大)元素的两个儿子,即选出次大的元素。由于这两个儿子之间的大小关系是很不确定的,两者都很大,说不好哪个更大哪个更小,所以这次比较的两个结果就是概率均等的了

8 归并排序

思路:

一次归并:将现有的列表分为左右两段,将两段里的元素逐一比较,小的就放入新的列表中。比较结束后,新的列表就是排好序的。

然后递归。

# 一次归并

def merge(array, low, mid, high):

"""

两段需要归并的序列从左往右遍历,逐一比较,小的就放到

tmp里去,再取,再比,再放。

"""

tmp = []

i = low

j = mid +1

while i <= mid and j <= high:

if array[i] <= array[j]:

tmp.append(array[i])

i += 1

else:

tmp.append(array[j])

j += 1

while i <= mid:

tmp.append(array[i])

i += 1

while j <= high:

tmp.append(array[j])

j += 1

array[low:high+1] = tmp

def merge_sort(array, low, high):

if low < high:

mid = (low + high) // 2

merge_sort(array, low, mid)

merge_sort(array, mid+1, high)

merge(array, low, mid, high)

时间复杂度:O(nlogn)

稳定性:稳定

快排、堆排和归并的小结

三种 排序算法 的时间复杂度都是O(nlogn)

一般情况下,就运行时间而言:

快速排序 < 归并排序 < 堆排序

三种排序算法的缺点:

快速排序:极端情况下排序效率低

归并排序:需要额外的内存开销

堆排序:在快的排序算法中相对较慢

9 希尔排序

希尔排序是一种分组插入排序算法。

首先取一个整数d1=n/2,将元素分为d1个组,每组相邻量元素之间距离为d1,在各组内进行直接插入排序;

取第二个整数d2=d1/2,重复上述分组排序过程,直到di=1,即所有元素在同一组内进行直接插入排序。希尔排序每趟并不使某些元素有序,而是使整体数据越来越接近有序;最后一趟排序使得所有数据有序。

def shell_sort(li):

"""希尔排序"""

gap = len(li) // 2

while gap > 0:

for i in range(gap, len(li)):

tmp = li[i]

j = i - gap

while j >= 0 and tmp < li[j]:

li[j + gap] = li[j]

j -= gap

li[j + gap] = tmp

gap //= 2

时间复杂度:O((1+τ)n)

不是很快,位置尴尬

10 排序小结

常用七种排序的Python实现

更多Python相关信息见 Python 专题页面 https://www.linuxidc.com/topicnews.aspx?tid=17

Linux公社的RSS地址https://www.linuxidc.com/rssFeed.aspx

本文永久更新链接地址: https://www.linuxidc.com/Linux/2019-02/156888.htm


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

Math Adventures with Python

Math Adventures with Python

Peter Farrell / No Starch Press / 2018-11-13 / GBP 24.99

Learn math by getting creative with code! Use the Python programming language to transform learning high school-level math topics like algebra, geometry, trigonometry, and calculus! In Math Adventu......一起来看看 《Math Adventures with Python》 这本书的介绍吧!

CSS 压缩/解压工具
CSS 压缩/解压工具

在线压缩/解压 CSS 代码

HTML 编码/解码
HTML 编码/解码

HTML 编码/解码

Markdown 在线编辑器
Markdown 在线编辑器

Markdown 在线编辑器