总结了一下常见集中排序的算法

总结了一下常见集中排序的算法

归并排序

归并排序也称合并排序，是分治法的典型应用。分治思想是将每个问题分解成个个小问题，将每个小问题解决，然后合并。

具体的归并排序就是，将一组无序数按n/2递归分解成只有一个元素的子项，一个元素就是已经排好序的了。然后将这些有序的子元素进行合并。

合并的过程就是 对 两个已经排好序的子序列，先选取两个子序列中最小的元素进行比较，选取两个元素中最小的那个子序列并将其从子序列中

去掉添加到最终的结果集中，直到两个子序列归并完成。

代码如下：

#!/usr/bin/python
import sys

def merge(nums, first, middle, last):
  ''''' merge '''
  # 切片边界,左闭右开并且是了0为开始
  lnums = nums[first:middle + 1 ]
  rnums = nums[middle + 1 :last + 1 ]
  lnums.append(sys.maxint)
  rnums.append(sys.maxint)
  l = 0
  r = 0
  for i in range (first, last + 1 ):
    if lnums[l] < rnums[r]:
      nums[i] = lnums[l]
      l + = 1
    else :
      nums[i] = rnums[r]
      r + = 1
def merge_sort(nums, first, last):
  ''''' merge sort
  merge_sort函数中传递的是下标，不是元素个数
  '''
  if first < last:
    middle = (first + last) / 2
    merge_sort(nums, first, middle)
    merge_sort(nums, middle + 1 , last)
    merge(nums, first, middle,last)

if __name__ = = '__main__' :
  nums = [ 10 , 8 , 4 , - 1 , 2 , 6 , 7 , 3 ]
  print 'nums is:' , nums
  merge_sort(nums, 0 , 7 )
  print 'merge sort:' , nums

稳定，时间复杂度 O(nlog n)

插入排序

代码如下：

#!/usr/bin/python
importsys

definsert_sort(a):
  ''''' 插入排序
  有一个已经有序的数据序列，要求在这个已经排好的数据序列中插入一个数，
  但要求插入后此数据序列仍然有序。刚开始 一个元素显然有序，然后插入一
  个元素到适当位置，然后再插入第三个元素，依次类推
  '''
  a_len = len (a)
  if a_len = 0 and a[j] > key:
      a[j + 1 ] = a[j]
      j - = 1
    a[j + 1 ] = key
  return a

if __name__ = = '__main__' :
  nums = [ 10 , 8 , 4 , - 1 , 2 , 6 , 7 , 3 ]
  print 'nums is:' , nums
  insert_sort(nums)
  print 'insert sort:' , nums

稳定，时间复杂度 O(n^2)

交换两个元素的值python中你可以这么写：a, b = b, a，其实这是因为赋值符号的左右两边都是元组

（这里需要强调的是，在python中，元组其实是由逗号“,”来界定的，而不是括号）。

选择排序

选择排序(Selection sort)是一种简单直观的排序算法。它的工作原理如下。首先在未排序序列中找到最小（大）元素，存放到

排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小（大）元素，然后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。

import sys
def select_sort(a):
  ''''' 选择排序
  每一趟从待排序的数据元素中选出最小（或最大）的一个元素，
  顺序放在已排好序的数列的最后，直到全部待排序的数据元素排完。
  选择排序是不稳定的排序方法。
  '''
  a_len = len (a)
  for i in range (a_len): #在0-n-1上依次选择相应大小的元素
    min_index = i #记录最小元素的下标
    for j in range (i + 1 , a_len): #查找最小值
      if (a[j]
        min_index = j
    if min_index ! = i: #找到最小元素进行交换
      a[i],a[min_index] = a[min_index],a[i]

if __name__ = = '__main__' :
  A = [ 10 , - 3 , 5 , 7 , 1 , 3 , 7 ]
  print 'Before sort:' ,A
  select_sort(A)
  print 'After sort:' ,A

不稳定，时间复杂度 O(n^2)

希尔排序

希尔排序，也称递减增量排序算法,希尔排序是非稳定排序算法。该方法又称缩小增量排序，因DL．Shell于1959年提出而得名。

先取一个小于n的整数d1作为第一个增量，把文件的全部记录分成d1个组。所有距离为d1的倍数的记录放在同一个组中。先在各组内进行排序；

然后，取第二个增量d2

import sys
def shell_sort(a):
  ''''' shell排序
  '''
  a_len = len (a)
  gap = a_len / 2 #增量
  while gap> 0 :
    for i in range (a_len): #对同一个组进行选择排序
      m = i
      j = i + 1
      while j
        if a[j]
          m = j
        j + = gap #j增加gap
      if m! = i:
        a[m],a[i] = a[i],a[m]
    gap / = 2

if __name__ = = '__main__' :
  A = [ 10 , - 3 , 5 , 7 , 1 , 3 , 7 ]
  print 'Before sort:' ,A
  shell_sort(A)
  print 'After sort:' ,A

不稳定，时间复杂度 平均时间 O(nlogn) 最差时间O(n^s)1

堆排序 ( Heap Sort )

“堆”的定义：在起始索引为 0 的“堆”中：

节点 i 的右子节点在位置 2 * i + 24) 节点 i 的父节点在位置 floor( (i – 1) / 2 )   : 注 floor 表示“取整”操作

堆的特性：

每个节点的键值一定总是大于（或小于）它的父节点

“最大堆”：

“堆”的根节点保存的是键值最大的节点。即“堆”中每个节点的键值都总是大于它的子节点。

上移，下移 ：

当某节点的键值大于它的父节点时，这时我们就要进行“上移”操作，即我们把该节点移动到它的父节点的位置，而让它的父节点到它的位置上，然后我们继续判断该节点，直到该节点不再大于它的父节点为止才停止“上移”。

现在我们再来了解一下“下移”操作。当我们把某节点的键值改小了之后，我们就要对其进行“下移”操作。

方法：

我们首先建立一个最大堆(时间复杂度O(n))，然后每次我们只需要把根节点与最后一个位置的节点交换，然后把最后一个位置排除之外，然后把交换后根节点的堆进行调整(时间复杂度 O(lgn) )，即对根节点进行“下移”操作即可。 堆排序的总的时间复杂度为O(nlgn).

代码如下：

#!/usr/bin env python

# 数组编号从 0开始
def left(i):
  return 2 * i + 1
def right(i):
  return 2 * i + 2

#保持最大堆性质 使以i为根的子树成为最大堆
def max_heapify(A, i, heap_size):
  if heap_size < = 0 :
    return
  l = left(i)
  r = right(i)
  largest = i # 选出子节点中较大的节点
  if l A[largest]:
    largest = l
  if r A[largest]:
    largest = r
  if i ! = largest : #说明当前节点不是最大的，下移
    A[i], A[largest] = A[largest], A[i] #交换
    max_heapify(A, largest, heap_size) #继续追踪下移的点
  #print A
# 建堆
def bulid_max_heap(A):
  heap_size = len (A)
  if heap_size > 1 :
    node = heap_size / 2 - 1
    while node > = 0 :
     max_heapify(A, node, heap_size)
     node - = 1

# 堆排序 下标从0开始
def heap_sort(A):
  bulid_max_heap(A)
  heap_size = len (A)
  i = heap_size - 1
  while i > 0 :
    A[ 0 ],A[i] = A[i], A[ 0 ] # 堆中的最大值存入数组适当的位置，并且进行交换
    heap_size - = 1 # heap 大小 递减 1
    i - = 1 # 存放堆中最大值的下标递减 1
    max_heapify(A, 0 , heap_size)

if __name__ = = '__main__' :

  A = [ 10 , - 3 , 5 , 7 , 1 , 3 , 7 ]
  print 'Before sort:' ,A
  heap_sort(A)
  print 'After sort:' ,A

不稳定，时间复杂度 O(nlog n)

快速排序

快速排序算法和合并排序算法一样，也是基于分治模式。对子数组A[p…r]快速排序的分治过程的三个步骤为：

分解：把数组A[p…r]分为A[p…q-1]与A[q+1…r]两部分，其中A[p…q-1]中的每个元素都小于等于A[q]而A[q+1…r]中的每个元素都大于等于A[q]；

解决：通过递归调用快速排序，对子数组A[p…q-1]和A[q+1…r]进行排序；

合并：因为两个子数组是就地排序的，所以不需要额外的操作。

对于划分partition 每一轮迭代的开始，x=A[r], 对于任何数组下标k，有：

1) 如果p≤k≤i，则A[k]≤x。

2) 如果i+1≤k≤j-1，则A[k]>x。

3) 如果k=r，则A[k]=x。

代码如下：

#!/usr/bin/env python
# 快速排序
'''''
划分 使满足 以A[r]为基准对数组进行一个划分，比A[r]小的放在左边，
  比A[r]大的放在右边
快速排序的分治partition过程有两种方法，
一种是上面所述的两个指针索引一前一后逐步向后扫描的方法,
另一种方法是两个指针从首位向中间扫描的方法。
'''
#p,r 是数组A的下标
def partition1(A, p ,r):
  '''''
   方法一，两个指针索引一前一后逐步向后扫描的方法
  '''
  x = A[r]
  i = p - 1
  j = p
  while j < r:
    if A[j] < x:
      i + = 1
      A[i], A[j] = A[j], A[i]
    j + = 1
  A[i + 1 ], A[r] = A[r], A[i + 1 ]
  return i + 1

def partition2(A, p, r):
  '''''
  两个指针从首尾向中间扫描的方法
  '''
  i = p
  j = r
  x = A[p]
  while i = x and i < j:
      j - = 1
    A[i] = A[j]
    while A[i]< = x and i < j:
      i + = 1
    A[j] = A[i]
  A[i] = x
  return i

# quick sort
def quick_sort(A, p, r):
  '''''
    快速排序的最差时间复杂度为O(n2)，平时时间复杂度为O(nlgn)
  '''
  if p < r:
    q = partition2(A, p, r)
    quick_sort(A, p, q - 1 )
    quick_sort(A, q + 1 , r)

if __name__ = = '__main__' :

  A = [ 5 , - 4 , 6 , 3 , 7 , 11 , 1 , 2 ]
  print 'Before sort:' ,A
  quick_sort(A, 0 , 7 )
  print 'After sort:' ,A

不稳定，时间复杂度 最理想 O(nlogn)最差时间O(n^2)

说下python中的序列：

列表、元组和字符串都是序列，但是序列是什么，它们为什么如此特别呢？序列的两个主要特点是索引操作符和切片操作符。索引操作符让我们可以从序列中抓取一个特定项目。切片操作符让我们能够获取序列的一个切片，即一部分序列,如：a = [‘aa','bb','cc'], print a[0] 为索引操作，print a[0:2]为切片操作。

  希望通过此文掌握Python 算法排序的知识，谢谢大家对本站的支持！

原文链接：http://python.jobbole.com/86495/

转载于:https://www.cnblogs.com/xuchunlin/articles/5942263.html