python 常见的排序算法实现汇总

排序分为两类，比较类排序和非比较类排序，比较类排序通过比较来决定元素间的相对次序，其时间复杂度不能突破O(nlogn)；非比较类排序可以突破基于比较排序的时间下界，缺点就是一般只能用于整型相关的数据类型，需要辅助的额外空间。

要求能够手写时间复杂度位O(nlogn)的排序算法：快速排序、归并排序、堆排序

1.冒泡排序

思想：相邻的两个数字进行比较，大的向下沉，最后一个元素是最大的。列表右边先有序。

时间复杂度$O(n^2)$，原地排序，稳定的

def bubble_sort(li:list):
 for i in range(len(li)-1):
   for j in range(i + 1, len(li)):
     if li[i] > li[j]:
       li[i], li[j] = li[j], li[i]

2.选择排序

思想：首先找到最小元素，放到排序序列的起始位置，然后再从剩余元素中继续寻找最小元素，放到已排序序列的末尾，以此类推，直到所有元素均排序完毕。列表左边先有序。

时间复杂度$O(n^2)$，原地排序，不稳定

def select_sort(nums: list):
 for i in range(len(nums) - 1):
   min_index = i
   for j in range(i + 1, len(nums)):
     if nums[j] < nums[i]:
       min_index = j
   nums[i], nums[min_index] = nums[min_index], nums[i]

3.插入排序

思想：构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入。列表左边先有序。

时间复杂度$O(n^2)$，原地排序，稳定

def insert_sort(nums: list):
 for i in range(len(nums)):
   current = nums[i]
   pre_index = i - 1
   while pre_index >= 0 and nums[pre_index] > current:
     nums[pre_index + 1] = nums[pre_index]
     pre_index -= 1
   nums[pre_index + 1] = current

4.希尔排序

思想：插入排序的改进版，又称缩小增量排序，将待排序的列表按下标的一定增量分组，每组分别进行直接插入排序，增量逐渐减小，直到为1，排序完成

时间复杂度$O(n^{1.5})$，原地排序，不稳定

def shell_sort(nums: list):
 gap = len(nums) >> 1
 while gap > 0:
   for i in range(gap, len(nums)):
     current = nums[i]
     pre_index = i - gap
     while pre_index >= 0 and nums[pre_index] > current:
       nums[pre_index + gap] = nums[pre_index]
       pre_index -= gap
     nums[pre_index + gap] = current
   gap >>= 1

5.快速排序

思想：递归，列表中取出第一个元素，作为标准，把比第一个元素小的都放在左侧，把比第一个元素大的都放在右侧，递归完成时就是排序结束的时候

时间复杂度$O(nlogn)$，空间复杂度$O(logn)$，不稳定

def quick_sort(li:list):
 if li == []:
   return []
 first = li[0]
 # 推导式实现
 left = quick_sort([l for l in li[1:] if l < first])
 right = quick_sort([r for r in li[1:] if r >= first])
 return left + [first] + right

6.归并排序

思想：分治算法，拆分成子序列，使用归并排序，将排序好的子序列合并成一个最终的排序序列。关键在于怎么合并：设定两个指针，最初位置分别为两个已经排序序列的起始位置，比较两个指针所指向的元素，选择相对小的元素放到合并空间，并将该指针移到下一位置，直到某一指针超出序列尾，将另一序列所剩下的所有元素直接复制到合并序列尾。

时间复杂度$O(nlogn)$，空间复杂度O(n)，不稳定

二路归并

def merge_sort(nums: list):
 if len(nums) <= 1:
   return nums
 mid = len(nums) >> 1
 left = merge_sort(nums[:mid]) # 拆分子问题
 right = merge_sort(nums[mid:])

def merge(left, right): # 如何归并
   res = []
   l, r = 0, 0
   while l < len(left) and r < len(right):
     if left[l] <= right[r]:
       res.append(left[l])
       l += 1
     else:
       res.append(right[r])
       r += 1
   res += left[l:]
   res += right[r:]
   return res

return merge(left, right)

7.堆排序

思想：根节点最大，大顶堆，对应升序，根节点最小，小顶堆。

• 构建大根堆，完全二叉树结构，初始无序

• 最大堆调整，进行堆排序。将堆顶元素与最后一个元素交换，此时后面有序
  

时间复杂度$O(nlogn)$，原地排序，稳定

def heap_sort(nums: list):
 def heapify(parent_index, length, nums):
   temp = nums[parent_index] # 根节点的值
   chile_index = 2 * parent_index + 1 # 左节点，再加一为右节点
   while chile_index < length:
     if chile_index + 1 < length and nums[chile_index + 1] > nums[chile_index]:
       chile_index = chile_index + 1
     if temp > nums[chile_index]:
       break
     nums[parent_index] = nums[chile_index] # 使得根节点最大
     parent_index = chile_index
     chile_index = 2 * parent_index + 1
   nums[parent_index] = temp

for i in range((len(nums) - 2) >> 1, -1, -1):
   heapify(i, len(nums), nums) # 1.建立大根堆
 for j in range(len(nums) - 1, 0, -1):
   nums[j], nums[0] = nums[0], nums[j]
   heapify(0, j, nums) # 2.堆排序，为升序

if __name__ == '__main__':
 nums = [89, 3, 3, 2, 5, 45, 33, 67] # [2, 3, 3, 5, 33, 45, 67, 89]
 heap_sort(nums)
 print(nums)

来源：https://www.cnblogs.com/donghe123/p/13528332.html?utm_source=tuicool&utm_medium=referral