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：
排序算法.png
他们的性能比较：
排序算法性能和使用场景总结
基于比较的排序算法有：冒泡排序，插入排序，希尔排序，选择排序，归并排序，堆排序，快速排序；
线性时间排序算法包括：计数排序，基数排序，桶排序；
性能对比小结：
1. 传统简单排序确实当数据量很小的时候也表现不错，但当数据量增大，其耗时也增大十分明显；
2. 冒泡，插入，选择三种排序中，当数据量很大时，选择排序性能会更好；
3. 堆排，希尔，归并，快排几种排序算法也表现不错，源于其时间复杂度达到了O(nlogn) O(nlogn)O(nlogn)；
4. 随机快速排序性能确实表现十分亮眼，甚至有时比基数排序和桶排序还好，这可能也是快排如此流行的原因；
5. 线性排序中计数排序表现最好，但他们的限制也比较明显，只能处理范围内的正整数。
按平均时间将排序分为四类：
（1）平方阶(O(n2))排序
一般称为简单排序，例如直接插入、直接选择和冒泡排序；
（2）线性对数阶(O(nlgn))排序
如快速、堆和归并排序；
（3）O(n1+￡)阶排序
￡是介于0和1之间的常数，即0<￡<1，如希尔排序；
（4）线性阶(O(n))排序
如桶、箱和基数排序。
各种排序方法比较
简单排序中直接插入最好，快速排序最快，当文件为正序时，直接插入和冒泡均最佳。
影响排序效果的因素
因为不同的排序方法适应不同的应用环境和要求，所以选择合适的排序方法应综合考虑下列因素：
①待排序的记录数目n；
②记录的大小(规模)；
③关键字的结构及其初始状态；
④对稳定性的要求；
⑤语言工具的条件；
⑥存储结构；
⑦时间和辅助空间复杂度等。
不同条件下，排序方法的选择
(1)若n较小(如n≤50)，可采用直接插入或直接选择排序。
当记录规模较小时，直接插入排序较好；否则因为直接选择移动的记录数少于直接插人，应选直接选择排序为宜。
(2)若文件初始状态基本有序(指正序)，则应选用直接插人、冒泡或随机的快速排序为宜；
(3)若n较大，则应采用时间复杂度为O(nlgn)的排序方法：快速排序、堆排序或归并排序。
快速排序是目前基于比较的内部排序中被认为是最好的方法，当待排序的关键字是随机分布时，快速排序的平均时间最短；
堆排序所需的辅助空间少于快速排序，并且不会出现快速排序可能出现的最坏情况。这两种排序都是不稳定的。
若要求排序稳定，则可选用归并排序。但本章介绍的从单个记录起进行两两归并的 排序算法并不值得提倡，通常可以将它和直接插入排序结合在一起使用。先利用直接插入排序求得较长的有序子文件，然后再两两归并之。因为直接插入排序是稳定 的，所以改进后的归并排序仍是稳定的。
排序算法的稳定性
1） 稳定的：如果存在多个具有相同排序码的记录，经过排序后，这些记录的相对次序仍然保持不变，则这种排序算法称为稳定的。
插入排序、冒泡排序、归并排序、分配排序（桶式、基数）都是稳定的排序算法。
2）不稳定的：否则称为不稳定的。
直接选择排序、堆排序、shell排序、快速排序都是不稳定的排序算法。
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.gif
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0for 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.png
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gapfor 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.gif
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 + 1def 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largestif (left < length) and (L[left] > L[i]):largest = leftprint('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largestif (right < length) and (L[right] > L[largest]):largest = rightprint('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] = tempi = largestprint(largest)continueelse: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1i = 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.gif
快速排序的基本思想：挖坑填数+分治法 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-1def 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 #从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 ~ endL[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+1k = k+1else:temp[k] = L[j]j = j+1k = k+1#如果左边序列还有数while (i <= mid):temp[k] = L[i]i = i+1k = k+1#如果右边序列还有数while (j <= last):temp[k] = L[j]j = j+1k = 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 = 0while (maxNum > 0):maxNum = (int)(maxNum/10)times = times+1return 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-1count[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:13.01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。
/hairy_monsters/article/details/80154391
