前言
排序算法作为一项需求,它足够简单,是学习基础算法思想(例如:分治算法、减治思想、递归写法)很好的学习材料。如果是面试遇到写排序算法,一般还是先问清楚数据的特点,有的时候可能还会给具体的业务场景,在面试官肯定采用的算法之后再编码,不要一上来就手撕
学习算法的可视化网站:https://www.cs.usfca.edu/~galles/visualization/Algorithms.html,点到 Sorting 这一章节,会看到 10 大排序算法,而且还是交互式的。建议先了解算法的思路,再去理解代码是怎么写的。
《算法 4》和《算法导论》介绍的算法思想足够经典,但不是最新研究结果,也并非最快。如果想研究最新排序算法的结论,可以参考最新的学术论文,或者是在互联网上搜索相关资料,或者是查看当前所使用编程语言关于排序部分的源代码。《算法 4》和《算法导论》不是面向笔试和面试的书籍,可以把它们作为参考书,遇到什么知识点不会了,再去查,除非是专业的研究人员,看这两本书的时候建议忽略其中的数学证明和公式,只挑对自己有用的部分来看
912. 排序数组 - 力扣(LeetCode)
给定一个整数数组 nums
,将该数组升序排列
选择排序
了解
思路:每一轮选取未排定部分中最小的元素交换到未排定部分的最开头,经过若干个步骤,就能排定整个数组。即:先选出最小的,再选出第 2 小的,以此类推。
两层循环,外层循环遍历给定数组,内层循环从外层索引开始查找最小值,找到后交换到外层索引
1
2
3
4
5
6
7
8
9
10
11
12
|
func sortArray(nums []int) []int {
for i := range nums {
minIndex := i
for j := i; j < len(nums); j++ { // 找最小值
if nums[j] < nums[minIndex] {
minIndex = j
}
}
nums[i], nums[minIndex] = nums[minIndex], nums[i] // 交换
}
return nums
}
|
总结:
「选择排序」看起来好像最没有用,但是如果在交换成本较高的排序任务中,就可以使用「选择排序」。
建议不要对算法带有个人色彩,在面试回答问题的时候和看待一个人和事物的时候,可以参考的回答模式是「具体问题具体分析,在什么情况下,用什么算法」。
复杂度分析:
- 时间复杂度:$O(N^2)$,这里 $N$ 是数组的长度;
- 空间复杂度:$O(1)$,使用到常数个临时变量。
插入排序⭐
熟悉
思路:每次将一个数字插入一个有序的数组里,成为一个长度更长的有序数组,有限次操作以后,数组整体有序。在接近有序的情况下,插入排序表现优异
![img](https://pic.leetcode-cn.com/710dd138492c0da4324657033971f3bee0355514f2ab2834756c988a90398cbb-file_1585624920301)
两层循环,外层循环从第二个元素开始遍历给定数组,内层循环将当前元素前面比当前元素大的元素后移,直到找到小于或等于当前元素的元素,将当前元素插入到该元素后面
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
func sortArray(nums []int) []int {
for i := 1; i < len(nums); i++ {
// 保存当前元素
temp := nums[i]
// 从当前元素开始向前遍历
j := i
for ; j > 0 && nums[j-1] > temp; j-- {
// 遍历元素的前一个元素后移一个单位
nums[j] = nums[j-1]
}
// 插入保存的当前元素
nums[j] = temp
}
return nums
}
|
复杂度分析:
- 时间复杂度:$O(N^2)$,这里 $N$ 是数组的长度;
- 空间复杂度:$O(1)$,使用到常数个临时变量。
归并排序🌟
重点
-
基本思路:借助额外空间,合并两个有序数组,得到更长的有序数组。例如:「力扣」第 88 题:合并两个有序数组。
-
算法思想:分而治之(分治思想)。「分而治之」思想的形象理解是「曹冲称象」、MapReduce,在一定情况下可以并行化。
- 分: 不断将数组从中点位置划分开(即二分法),将整个数组的排序问题转化为子数组的排序问题;
- 治: 划分到子数组长度为 1 时,开始向上合并,不断将 较短排序数组 合并为 较长排序数组,直至合并至原数组时完成排序;
-
「归并排序」是理解「递归思想」的非常好的学习材料,递归完成以后,合并两个有序数组,即「递归函数执行完成以后,还可以做点事情」
排序过程:进入归并排序函数后,先判断当前数组元素数是否等于1,若是则直接返回当前数组;若不是,则用当前数组的一半向左递归,另一半向右递归;两个递归执行完成后,得到两个子区间的有序数组,合并两个子区间,借助额外空间,逐个比较元素大小放入结果集中,直到一方结束,另一方剩下元素直接入集结束
排序过程优化:设定一个插入排序的门限值,元素数小于等于该值时,使用插入排序对小数组进行排序;进入归并排序函数后,先判断当前数组元素数是否小于等于门限值,若是则使用插入排序对数组排序后返回当前数组;若不是,则用当前数组的一半向左递归,另一半向右递归;两个递归执行完成后,得到两个子区间的有序数组,判断左区间末值是否小于等于右区间首值,若是说明两子区间本身有序直接返回,若不是则合并两个子区间,借助额外空间,逐个比较元素大小放入结果集中,直到一方结束,另一方剩下元素直接入集结束
- 优化点一:在「小区间」里转向使用「插入排序」,不必直接递归二分到一个元素,Java 源码里面也有类似这种操作,「小区间」的长度是个超参数,需要测试决定,这里参考了 JDK 源码设置为7;
- 优化点二:在「两个数组」本身就是有序的情况下,无需合并;
递归过程优化:设定一个插入排序的门限值,元素数小于等于该值时,使用插入排序对小数组进行排序;进入归并排序函数后,先判断当前数组元素数是否小于等于门限值,若是则使用插入排序对数组排序后返回;若不是,则用当前数组的一半向左递归,另一半向右递归,直到满足门限值后递归返回,两个递归返回完成后,给定数组区间被分为两个子区间的有序数组,判断左区间末值是否小于等于右区间首值,若是说明两子区间本身有序直接返回,若不是则合并两个子区间,借助额外空间,逐个比较元素大小,直到一方结束,另一方剩下元素直接入集结束
理解递归:不断二分出子区间,直到子区间满足门限值排序后,向上返回,每次返回得到一个有序左右子区间后就进行一次合并,最终返回整个有序数组
归并
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
func sortArray(nums []int) []int {
res := mergeSort(nums)
return res
}
func mergeSort(nums []int) []int {
if len(nums) == 1 {
return nums
}
left := mergeSort(nums[:len(nums)/2])
right := mergeSort(nums[len(nums)/2:])
return merge(left, right)
}
func merge(nums1, nums2 []int) []int {
res := make([]int, len(nums1)+len(nums2))
idx1, idx2 := 0, 0
for i := range res {
// nums1 遍历结束
if idx1 == len(nums1) {
// nums2剩下直接入集
res[i] = nums2[idx2]
idx2++
} else if idx2 == len(nums2) {
// nums2 遍历结束
// nums1剩下直接入集
res[i] = nums1[idx1]
idx1++
} else if nums1[idx1] < nums2[idx2] {
res[i] = nums1[idx1]
idx1++
} else {
res[i] = nums2[idx2]
idx2++
}
}
return res
}
|
归并+插入
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
const INSERTION_SORT_THRESHOLD = 7
func sortArray(nums []int) []int {
res := mergeSort(nums)
return res
}
func mergeSort(nums []int) []int {
if len(nums) <= INSERTION_SORT_THRESHOLD {
res := insertSort(nums)
return res
}
left := mergeSort(nums[:len(nums)/2])
right := mergeSort(nums[len(nums)/2:])
if left[len(left)-1] <= right[0] {
res := append(left, right...)
return res
}
return merge(left, right)
}
func merge(nums1, nums2 []int) []int {
res := make([]int, len(nums1)+len(nums2))
idx1, idx2 := 0, 0
for i := range res {
// nums1 遍历结束
// nums2剩下直接入集
if idx1 == len(nums1) {
res[i] = nums2[idx2]
idx2++
} else if idx2 == len(nums2) {
// nums2 遍历结束
// nums1剩下直接入集
res[i] = nums1[idx1]
idx1++
} else if nums1[idx1] <= nums2[idx2] {
// 注意写成 <= 保持稳定性(相同元素原来靠前的,以后依然靠前)
res[i] = nums1[idx1]
idx1++
} else {
res[i] = nums2[idx2]
idx2++
}
}
return res
}
func insertSort(nums []int) []int {
for i := 1; i < len(nums); i++ {
temp := nums[i]
j := i
for ; j > 0 && nums[j-1] > temp; j-- {
nums[j] = nums[j-1]
}
nums[j] = temp
}
return nums
}
|
归并+插入(无返回值)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
func sortArray(nums []int) []int {
mergeSort(nums, 0, len(nums))
return nums
}
func mergeSort(record []int, left, right int) {
if right-left <= 7 {
insertSort(record[left:right])
return
}
// 防止两个大整数溢出
mid := left + (right-left)/2
mergeSort(record, left, mid)
mergeSort(record, mid, right)
if record[mid-1] <= record[mid] {
return
}
merge(record, left, mid, right)
}
func insertSort(arr []int) {
for i := 1; i < len(arr); i++ {
temp := arr[i]
j := i
for ; j > 0 && arr[j-1] > temp; j-- {
arr[j] = arr[j-1]
}
arr[j] = temp
}
}
func merge(record []int, left, mid, right int) {
temp := make([]int, right-left)
copy(temp, record[left:right])
//tempMid/tempRight:表示左/右半部分子数组的长度,用于在合并过程中控制左/右半部分子数组的遍历
tempMid, tempRight := mid-left, right-left
idx1, idx2 := 0, tempMid
for i := left; i < right; i++ {
if idx1 == tempMid {
record[i] = temp[idx2]
idx2++
} else if idx2 == tempRight {
record[i] = temp[idx1]
idx1++
} else if temp[idx1] <= temp[idx2] {
record[i] = temp[idx1]
idx1++
} else {
record[i] = temp[idx2]
idx2++
}
}
}
|
注意:实现归并排序的时候,要特别注意,要把这个算法实现成稳定排序,区别就在 <= 和 < ,已在代码中注明。
「归并排序」比「快速排序」好的一点是,它借助了额外空间,可以实现「稳定排序」,Java 里对于「对象数组」的排序任务,就是使用归并排序(的升级版 TimSort,在这里就不多做介绍)。
复杂度分析:
「归并排序」也有「原地归并排序」和「不使用递归」的,但是不常用,其编码、调试都有一定难度。递归、分治处理问题的思想在基础算法领域是非常常见的,多练习「归并排序」学习递归思想,了解递归的细节,熟悉分治的思想。
经典问题:
交易逆序对的总数
LCR 170. 交易逆序对的总数
给定一个数组,假设当前元素大于后面某个元素,则这两个元素构成一个“逆序对”,求该数组中逆序对的个数
直观来看,使用暴力统计法即可,即遍历数组的所有数字对并统计逆序对数量。此方法时间复杂度为 $O(N^2)$,观察题目给定的数组长度范围 $0≤N≤500000$,可知此复杂度是不能接受的。
「归并排序」与「逆序对」是息息相关的。合并阶段本质上是合并两个排序数组的过程,而每当遇到 左子数组当前元素 > 右子数组当前元素 时,意味着「左子数组当前元素 至 末尾元素」与「右子数组当前元素」构成了若干「逆序对」
注意:不能用小数组插入排序,防止直接返回,没有归并过程,导致无法通过归并计数逆序对
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
|
var res int
func reversePairs(record []int) int {
res = 0
mergeSort(record, 0, len(record))
return res
}
func mergeSort(record []int, left, right int) {
if right-left <= 1 {
return
}
// 防止两个大整数溢出
mid := left + (right-left)/2
mergeSort(record, left, mid)
mergeSort(record, mid, right)
if record[mid-1] <= record[mid] {
return
}
merge(record, left, mid, right)
}
func merge(record []int, left, mid, right int) {
temp := make([]int, right-left)
copy(temp, record[left:right])
tempMid, tempRight := mid-left, right-left
idx1, idx2 := 0, tempMid
for i := left; i < right; i++ {
if idx1 == tempMid {
record[i] = temp[idx2]
idx2++
} else if idx2 == tempRight {
record[i] = temp[idx1]
idx1++
} else if temp[idx1] <= temp[idx2] {
record[i] = temp[idx1]
idx1++
} else {
record[i] = temp[idx2]
res += tempMid - idx1
idx2++
}
}
}
|
计算右侧小于当前元素的个数
315. 计算右侧小于当前元素的个数 - 力扣(LeetCode)
给定一个数组,要求返回一个数组,返回数组中每个位置的元素值,代表给定数组中对应位置元素值右边比它小的元素个数
和求逆序对类似,在合并时,每当左指针移动时,说明右区间首到当前右指针的前一个元素都小于当前左指针指向元素,在结果集中记录该元素数
注意:在「并」的过程中 原数组中元素 的位置也一直在发生改变,所以引入一个新的容器,来记录每个数字对应的原数组中的下标;由于有重复元素,所以不能用字典,只能用数组;当原数组中元素变化时,对应下标数组也变化,排序的时候原数组和下标数组同时变化
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
|
var res []int
var idx []int
func countSmaller(nums []int) []int {
res, idx = make([]int, len(nums)), make([]int, len(nums))
for i := range nums {
// 元素值是原数组下标
idx[i] = i
}
mergeSort(nums, 0, len(nums))
return res
}
func mergeSort(nums []int, left, right int) {
if right-left <= 1 {
return
}
mid := left + (right-left)/2
mergeSort(nums, left, mid)
mergeSort(nums, mid, right)
if nums[mid-1] <= nums[mid] {
return
}
merge(nums, left, mid, right)
}
func merge(nums []int, left, mid, right int) {
temp, tempIdx := make([]int, right-left), make([]int, right-left)
copy(temp, nums[left:right])
copy(tempIdx, idx[left:right])
tempMid, tempRight := mid-left, right-left
idx1, idx2 := 0, tempMid
for i := left; i < right; i++ {
if idx1 == tempMid {
nums[i] = temp[idx2]
idx[i] = tempIdx[idx2]
idx2++
} else if idx2 == tempRight {
nums[i] = temp[idx1]
idx[i] = tempIdx[idx1]
res[idx[i]] += idx2 - tempMid
idx1++
} else if temp[idx1] <= temp[idx2] {
nums[i] = temp[idx1]
idx[i] = tempIdx[idx1]
res[idx[i]] += idx2 - tempMid
idx1++
} else {
nums[i] = temp[idx2]
idx[i] = tempIdx[idx2]
idx2++
}
}
}
|
快速排序🌟
重点
-
基本思路:快速排序每一次都排定一个元素(这个元素待在了它最终应该待的位置),然后递归地去排它左边的部分和右边的部分,依次进行下去,直到数组有序;
-
算法思想:分而治之(分治思想),与「归并排序」不同,「快速排序」在「分」这件事情上不像「归并排序」无脑地一分为二,而是采用了划分(partition)的方法,因此就没有「合」的过程
-
实现细节(注意事项):(针对特殊测试用例:顺序数组或者逆序数组)一定要随机化选择切分元素(pivot),否则在输入数组是有序数组或者是逆序数组的时候,快速排序会变得非常慢(等同于「冒泡排序」或者「选择排序」);如果选择的基准值恰好是数组中的最大或最小元素,或者接近最大或最小元素,那么划分的结果将会非常不均衡,导致算法的时间复杂度退化到$O(n^2)$,这种情况被称为最坏情况
排序过程:判断给定区间长度是否≥2,若不是则说明无元素或只有一个元素无需排序,若是则进入划分函数,随机选择一个值作为基准值交换到首元素,分割点初始化为首元素;从第二个元素开始遍历,每当遍历元素小于基准值,分割点前进一个单位,再将分割点值与当前遍历元素交换;遍历结束后,比基准值小的元素都会被交换到[1,分割点]
,分割点右边元素都≥基准值,最后再将基准值与分割点交换,此时基准值左边元素都<它,右边元素都≥它,返回分割点;分割点这个元素已经待在了它最终应该待的位置;继续向分割点左递归,向分割点右递归,对其左右子区间继续划分
排序过程优化:元素数≤7时用插入排序
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
func sortArray(nums []int) []int {
// 使用当前时间作为随机种子
rand.Seed(time.Now().UnixNano())
quickSort(nums, 0, len(nums))
return nums
}
func quickSort(nums []int, left, right int) {
if left < right {
pivot := partition(nums, left, right)
quickSort(nums, left, pivot)
quickSort(nums, pivot+1, right)
}
}
func partition(nums []int, left, right int) int {
// 随机选择基准值的索引
randomIndex := rand.Intn(right-left) + left
nums[left], nums[randomIndex] = nums[randomIndex], nums[left]
// 分割点
idx := left
for i := left + 1; i < right; i++ {
if nums[i] < nums[left] {
idx++
nums[idx], nums[i] = nums[i], nums[idx]
}
}
nums[idx], nums[left] = nums[left], nums[idx]
return idx
}
|
- 时间复杂度:$O(NlogN)$,这里 $N$ 是数组的长度
- 空间复杂度:$O(logN)$,这里占用的空间主要来自递归函数的栈空间
快速排序丢失了稳定性,如果需要稳定的快速排序,需要具体定义比较函数,这个过程叫「稳定化」,在这里就不展开了
使用「快速排序」解决的经典问题(非常重要):
数组中的第K个最大元素
215. 数组中的第K个最大元素 - 力扣(LeetCode)
给定一个数组和整数k,返回数组中第k个最大的元素
快速排序的核心包括“哨兵划分” 和 “递归” 。
「快速选择」:设 $N$ 为数组长度。根据快速排序原理,如果某次哨兵划分后,基准数的索引正好是 $N−k$ ,则意味着它就是第 $k$ 大的数字 。此时就可以直接返回它,无需继续递归下去了。
然而,对于包含大量重复元素的数组,每轮的哨兵划分都可能将数组划分为长度为 $1$ 和 $n−1$ 的两个部分,这种情况下快速排序的时间复杂度会退化至 $O(N^2)$
一种解决方案是使用「三路划分」,即每轮将数组划分为三个部分:小于、等于和大于基准数的所有元素。这样当发现第 $k$ 大数字处在“等于基准数”的子数组中时,便可以直接返回该元素。
为了进一步提升算法的稳健性,我们采用随机选择的方式来选定基准数。
k <= len(big)
:比基准大的都有len(big)
个元素,要求第k
大,若k <= len(big)
,则第k
大一定在big
中
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
func findKthLargest(nums []int, k int) int {
// 使用当前时间作为随机种子
rand.Seed(time.Now().UnixNano())
return quickSelect(nums, k)
}
func quickSelect(nums []int, k int) int {
// 随机选择基准值的索引
randomIndex := rand.Intn(len(nums))
pivot := nums[randomIndex]
big, equal, small := make([]int, 0), make([]int, 0), make([]int, 0)
for i := range nums {
if nums[i] > pivot {
big = append(big, nums[i])
} else if nums[i] < pivot {
small = append(small, nums[i])
} else {
equal = append(equal, nums[i])
}
}
// 第k大一定在big中
if k <= len(big) {
return quickSelect(big, k)
}
// 第k大一定在small中
if k > len(big)+len(equal) {
return quickSelect(small, k-(len(big)+len(equal)))
}
// 第k大在equal中,直接返回pivot
return pivot
}
|
颜色分类
75. 颜色分类 - 力扣(LeetCode)
给定一个数组包含0、1、2三种元素,原地排序,时间复杂度最好为$O(N)$
本题考察的是「快速排序」的子过程 partition,即:通过一次遍历,把数组分成三个部分
[0, zero) = 0
[zero, i) = 1
[two, len - 1] = 2
注意:因为只有在遇到0或1的时候i
才会++
,所以可以保证i
之前的一定是0或1;在遇到1时,只有i++
,这保证了[zero, i)
一定是1;在遇到2时,换到i
的有可能还是2,所以不能让i++
,需要再检查一下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
func sortColors(nums []int) {
zero, i, two := 0, 0, len(nums)
for i < two {
if nums[i] == 0 {
nums[zero], nums[i] = nums[i], nums[zero]
zero++
i++
} else if nums[i] == 1 {
i++
} else {
two--
nums[two], nums[i] = nums[i], nums[two]
}
}
}
|
- 时间复杂度:$O(N)$,这里 $N$ 是输入数组的长度
- 空间复杂度:$O(1)$
堆排序🌟
堆很重要,堆排序根据个人情况掌握
堆排序是选择排序的优化,选择排序需要在未排定的部分里通过「打擂台」的方式选出最大的元素(复杂度 $O(N)$),而「堆排序」就把未排定的部分构建成一个「堆」,这样就能以 $O(logN)$ 的方式选出最大元素;
堆是一种相当有意思的数据结构,它在很多语言里也被命名为「优先队列」。它是建立在数组上的「树」结构,类似的数据结构还有「并查集」「线段树」等。
「优先队列」是一种特殊的队列,按照优先级顺序出队,从这一点上说,与「普通队列」无差别。「优先队列」可以用数组实现,也可以用有序数组实现,但只要是线性结构,复杂度就会高,因此,「树」结构就有优势,「优先队列」的最好实现就是「堆」。
堆是一棵完全二叉树,树中每个结点的值都不小于(或不大于)其左右孩子的值。 如果是父结点大于等于左右孩子那就是大顶堆,小于等于左右孩子就是小顶堆。大顶堆(堆头是最大元素),小顶堆(堆头是最小元素)
由于堆是一棵完全二叉树,所以可以用数组来存储,只需要通过简单的代数表达式,就能计算出要某个节点的父节点和子节点的索引位置,既避免了像链表那样使用指针来保持结构,又能高效的执行相应操作。
关于节点的父节点和子节点在堆中的位置需要记住下面三个公式:
- 节点 i 的左子节点为
2 * i + 1
,右子节点为 2 * i + 2
- 节点 i 的父节点为
(i - 1) /2
排序过程:
- 构建大顶堆: 这个步骤是堆排序算法的第一步。在构建大顶堆时,从数组的中间位置开始,向前遍历到第一个元素,对每个非叶子节点进行堆化操作,将当前节点与其子节点进行比较,并确保以当前节点为根的子树满足大顶堆的性质。这一步骤的目的是将整个数组转换为一个大顶堆结构,以便进行后续的排序操作。
- 堆排序: 这个步骤是堆排序算法的第二步。在构建好大顶堆后,重复执行以下操作直到整个数组排序完成:首先,将当前堆顶元素(即最大值)与数组末尾元素交换,然后缩小堆的范围并重新调整剩余元素,使其仍然满足大顶堆的性质。通过重复这个过程,最终得到一个有序的数组。
为什么构建完大顶堆后数组还不是有序的?
- 构建完大顶堆后并不意味着数组已经有序,因为大顶堆仅保证了每个节点都比其子节点大,但并没有保证整个数组是有序的。在大顶堆中,堆顶元素是最大的,但堆中其他节点的相对位置并不一定符合排序顺序。
- 堆排序算法的关键在于构建好大顶堆后,通过反复将堆顶元素(最大值)交换到数组末尾,并重新调整剩余元素,使得剩余部分仍然构成一个大顶堆,从而逐步完成排序过程。通过这种方式,最大值会被依次放置在数组的末尾,直到整个数组有序。
- 因此,在堆排序算法中,构建大顶堆只是第一步,而真正实现排序的过程是通过不断将堆顶元素弹出并进行调整,直到整个数组有序为止。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
func sortArray(nums []int) []int {
// 构建大顶堆
for i := len(nums)/2 - 1; i >= 0; i-- {
heapify(nums, len(nums), i)
}
// 堆排序
for i := len(nums) - 1; i >= 0; i-- {
// 将当前最大的元素 nums[0] 交换到数组末尾
nums[0], nums[i] = nums[i], nums[0]
// 将剩余元素重新调整为大顶堆
heapify(nums, i, 0)
}
return nums
}
// 堆化函数,将以 i 为根的子树调整为大顶堆
func heapify(nums []int, len, i int) {
largest := i
left := 2*i + 1
right := 2*i + 2
// 如果左子节点存在且大于根节点,则更新最大值索引为左子节点
if left < len && nums[left] > nums[largest] {
largest = left
}
// 如果右子节点存在且大于根节点或者左子节点,则更新最大值索引为右子节点
if right < len && nums[right] > nums[largest] {
largest = right
}
// 如果最大值索引不是当前根节点,则交换根节点和最大值节点,并递归调整被交换节点的子树
if largest != i {
nums[i], nums[largest] = nums[largest], nums[i]
heapify(nums, len, largest)
}
}
|
- 时间复杂度:$O(NlogN)$,这里 $N$ 是数组的长度;
- 空间复杂度:$O(1)$
希尔排序
不建议多花时间了解
思想:插入排序的优化。在插入排序里,如果靠后的数字较小,它来到前面就得交换多次。「希尔排序」改进了这种做法。带间隔地使用插入排序,直到最后「间隔」为 1 的时候,就是标准的「插入排序」,此时数组里的元素已经「几乎有序」了;
希尔排序是一种基于插入排序的算法,但通过将待排序元素按照一定增量分组,使得不同组内的元素可以提前进行局部排序,从而提高了插入排序的效率。
希尔排序的「间隔序列」其实是一个超参数,这方面有一些研究成果,有兴趣的可以了解一下,如果是面向笔试面试,就不用了解了。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
func sortArray(nums []int) []int {
// 初始增量h设为1
h := 1
// 使用 Knuth 增量序列
// 找增量的最大值
for 3*h+1 < len(nums) {
h = 3*h + 1
}
for h >= 1 {
// insertion sort 从索引h开始,直到数组末尾,对于每个索引i,执行insertionForDelta函数
for i := h; i < len(nums); i++ {
// 将nums[i]插入到间隔为gap的已排序序列中的正确位置,然后比较nums[j-gap]与temp,如果前一个大,则移动元素,否则停止并插入temp
insertionForDelta(nums, h, i)
}
// 继续下一个较小的增量,直至h降至1以下
h = h / 3
}
return nums
}
// 将 nums[i] 插入到对应分组的正确位置上,其实就是将原来 1 的部分改成 gap
func insertionForDelta(nums []int, gap int, i int) {
// 将nums[i]暂存到temp
temp := nums[i]
j := i
// 注意:这里 j >= gap 的原因(避免越界访问)
for j >= gap && nums[j-gap] > temp {
nums[j] = nums[j-gap]
j -= gap
}
nums[j] = temp
}
|
- Knuth增量序列:这是希尔排序的一个关键优化点,它选择增量序列的方式能够确保所有元素在最终排序完成前被充分地“打乱”,从而提高排序效率。
- 插入排序变体:希尔排序可以看作是插入排序的一种变体,只是它在每次插入排序前先将数组分割成多个子序列,每个子序列通过较大的步长进行排序,这样可以减少数据的移动次数,从而提升效率。
希尔排序的时间复杂度依赖于增量序列的选择,最优情况下接近$O(N^{3/2})$,最坏情况下可能是$O(n^2)$,但通常比简单的插入排序快得多
冒泡排序
了解
- 基本思想:外层循环每一次经过两两比较,把每一轮未排定部分最大的元素放到了数组的末尾
外层循环从末尾先前遍历,确定未排序部分结束位置;内层循环从首开始遍历未排序部分,若遇到当前元素大于下一元素,则交换,将大元素后置
1
2
3
4
5
6
7
8
9
10
|
func sortArray(nums []int) []int {
for i := len(nums) - 1; i >= 0; i-- {
for j := 0; j < i; j++ {
if nums[j] > nums[j+1] {
nums[j], nums[j+1] = nums[j+1], nums[j]
}
}
}
return nums
}
|
- 时间复杂度:$O(N^2)$,这里 $N$ 是数组的长度;
- 空间复杂度:$O(1)$
下面是3种「非比较」的排序算法(了解,如果是面向笔试,不要花时间去研究),这部分算法不建议花太多去仔细研究它们的细节。如果是面向面试,了解思想即可,用到了再学
这三种排序的区别与上面的排序的特点是:一个数该放在哪里,是由这个数本身的大小决定的,它不需要经过比较。也可以认为是哈希的思想:由数值映射地址
因此这三种算法一定需要额外的空间才能完成排序任务,空间复杂度可以提升到 $O(N)$,但适用场景不多,主要是因为使用这三种排序一定要保证输入数组的每个元素都在一个合理的范围内
这三种算法还有一个特点是:都可以实现成稳定排序,无需稳定化
计数排序
了解
「计数排序」是这三种排序算法里最好理解的,从名字就可以看出。把每个出现的数值都做一个计数,然后根据计数从小到大输出得到有序数组。
这种做法丢失了稳定性,如果是本题这种基本数据类型的话没有关系。如果是对象类型,就不能这么做了。保持稳定性的做法是:先对计数数组做前缀和,在第 2 步往回赋值的时候,根据原始输入数组的数据从后向前赋值,前缀和数组保存了每个元素存放的下标信息
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
func sortArray(nums []int) []int {
// 由于 -50000 <= A[i] <= 50000
// 因此"桶" 的大小为 50000 - (-50000) = 100000
// 并且设置偏移 OFFSET = 50000,目的是让每一个数都能够大于等于 0
// 这样就可以作为 count 数组的下标,查询这个数的计数
const OFFSET = 50000
const size = 100002
// 计数数组
count := make([]int, size)
// 计算计数数组
for _, num := range nums {
count[num+OFFSET]++
}
// 把 count 数组变成前缀和数组,每个元素变成比它小的所有元素的个数
for i := 1; i < size; i++ {
count[i] += count[i-1]
}
// 先把原始数组赋值到一个临时数组里,然后回写数据
temp := make([]int, len(nums))
copy(temp, nums)
// 为了保证稳定性,从后向前赋值
for i := len(nums) - 1; i >= 0; i-- {
// index:小于或等于当前元素的元素数量
index := count[temp[i]+OFFSET] - 1
// 将当前元素 temp[i] 放置到已排序数组 nums 的正确位置上
nums[index] = temp[i]
// 将计数数组中当前元素的计数减1
count[temp[i]+OFFSET]--
}
return nums
}
|
- 时间复杂度: $O(n + k)$,n 是输入数组的长度,k 是输入数组中元素的范围,当 k 接近于 n 时,即输入数组中元素的范围很大时,计数排序的效率会降低。然而,在 k 远小于 n 的情况下,计数排序可以非常高效
- 空间复杂度: $O(n + k)$,需要额外的计数数组和辅助数组
基数排序
了解
基本思路:也称为基于关键字的排序,例如针对数值排序,个位、十位、百位就是关键字。针对日期数据的排序:年、月、日、时、分、秒就是关键字。
「基数排序」用到了「计数排序」
整个过程涉及多轮的计数排序,每轮针对数字的一位进行排序。由于计数排序是稳定的,所以即使多次迭代,相同数字的相对顺序也不会改变,从而保证了基数排序的稳定性。最后,当所有位都被排序过后,再将结果中的每个数字减去OFFSET
,还原原始值,得到最终的排序结果。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
|
// 基数排序:低位优先
const OFFSET = 50000
func sortArray(nums []int) []int {
length := len(nums)
// 预处理,让所有的数都大于等于 0,这样才可以使用基数排序
for i := range nums {
nums[i] += OFFSET
}
// 第 1 步:找出最大的数字,用于后续计算最大位数
max := nums[0]
for _, num := range nums {
if num > max {
max = num
}
}
// 第 2 步:计算出最大的数字有几位,这决定了排序的轮数
maxLen := getMaxLen(max)
// 计数排序需要使用的计数数组和临时数组
// 统计0到9这十个数字的出现频率
count := make([]int, 10)
temp := make([]int, length)
// 表征关键字的量:除数
// 1 表示按照个位关键字排序
// 10 表示按照十位关键字排序
// 100 表示按照百位关键字排序
// 1000 表示按照千位关键字排序
divisor := 1
// 有几位数,外层循环就得执行几次
// 从最低位开始到最高位结束
for i := 0; i < maxLen; i++ {
// 每一步都使用计数排序,保证排序结果是稳定的
// 这一步需要额外空间保存结果集,因此把结果保存在 temp 中
// 对当前位上的数字进行计数排序
countingSort(nums, temp, divisor, length, count)
// 交换 nums 和 temp 的引用,下一轮还是按照 nums 做计数排序
nums, temp = temp, nums
// divisor 自增,表示采用低位优先的基数排序
divisor *= 10
}
// 还原偏移量
res := make([]int, length)
for i := range nums {
res[i] = nums[i] - OFFSET
}
return res
}
func countingSort(nums, res []int, divisor int, length int, count []int) {
// 1、计算计数数组
for i := 0; i < length; i++ {
// 计算数位上的数是几,先取个位,再十位、百位
remainder := (nums[i] / divisor) % 10
// 根据当前位上的数字来更新计数数组
count[remainder]++
}
// 2、变成前缀和数组
for i := 1; i < 10; i++ {
count[i] += count[i-1]
}
// 3、从后向前赋值
for i := length - 1; i >= 0; i-- {
remainder := (nums[i] / divisor) % 10
index := count[remainder] - 1
// 将数字放入正确的位置
res[index] = nums[i]
// 更新计数数组
count[remainder]--
}
// 4、将计数数组重置为初始状态
for i := range count {
count[i] = 0
}
}
// 获取一个整数的最大位数
func getMaxLen(num int) int {
maxLen := 0
for num > 0 {
num /= 10
maxLen++
}
return maxLen
}
|
- 时间复杂度:
O(d * (n + k))
,n
是数组的长度,d
是最大的数的位数,但是,k
通常是固定的(比如在十进制系统中k=10
),所以时间复杂度可以简化为O(d * n)
,d
是最大数的位数,它通常与最大数的大小相关,但在很多情况下可以认为是常数,特别是当数字的范围是已知的并且不随问题规模变化时
- 空间复杂度:
O(n + k)
,在每一次基数排序中,都需要一个长度为基数k
的计数数组,空间复杂度为O(k)
。对于十进制系统,k=10
,所以这部分的空间复杂度是O(1)
(在大多数情况下可以视为常数),简化后通常为O(n)
桶排序
了解
- 基本思路:一个坑一个萝卜,也可以一个坑多个萝卜,对每个坑排序,再拿出来,整体就有序。
桶排序是一种分布式的排序算法,它将数组分到有限数量的“桶”中,每个桶再单独排序(通常使用其他排序算法,如插入排序)。然后,将桶中的元素有序地合并起来。这种方法特别适用于数据分布均匀的情况
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
|
const OFFSET = 50000
func sortArray(nums []int) []int {
// 第 1 步:预处理
// 将数据转换为 [0, 10_0000] 区间里的数,确保所有元素非负,便于后续操作
for i := 0; i < len(nums); i++ {
nums[i] += OFFSET
}
// 第 2 步:设置桶
// 根据数据范围和内存限制,选择一个合适的步长,桶的个数由数据范围除以步长得到
// 步长:步长如果设置成 10 会超出内存限制
// 每个桶将存储步长范围内(例如,0-999,1000-1999等)的数字
step := 1000
// 桶的个数
bucketLen := 10_0000 / step
// 桶由二维数组temp表示,next数组记录每个桶中元素的数量
temp := make([][]int, bucketLen+1)
next := make([]int, bucketLen+1)
// 第 3 步:分桶
// 遍历数组,将每个元素放入相应的桶中
for _, num := range nums {
bucketIndex := num / step
temp[bucketIndex] = append(temp[bucketIndex], num)
next[bucketIndex]++
}
// 第 4 步:桶内排序
// 对每个桶内的元素使用插入排序进行局部排序。这是因为桶内的元素已经大致归类,插入排序在这种情况下效率较高
for i := 0; i < bucketLen+1; i++ {
insertionSort(temp[i])
}
// 第 5 步:合并结果
// 遍历所有桶,将桶中的元素按顺序取出,构成最终的排序结果
res := make([]int, len(nums))
index := 0
for i := 0; i < bucketLen+1; i++ {
curLen := next[i]
for j := 0; j < curLen; j++ {
// 在取出元素时,记得减去OFFSET,恢复原始值
res[index] = temp[i][j] - OFFSET
index++
}
}
return res
}
func insertionSort(arr []int) {
for i := 1; i < len(arr); i++ {
temp := arr[i]
j := i
for j > 0 && arr[j-1] > temp {
arr[j] = arr[j-1]
j--
}
arr[j] = temp
}
}
|
- 时间复杂度:$O(n)$(最好情况:数据均匀分布在各个桶中,每个桶内的元素数量较少,桶内排序的时间复杂度可以视为接近常数)至$O(n^2)$(最坏情况:数据分布不均,所有元素集中在少数几个桶中,或者一个桶内)
- 空间复杂度:$O(n+m)$,m为桶的数量,在实践中,m通常远小于n,因此空间复杂度可以简化为$O(n)$
桶排序的时间和空间复杂度在很大程度上取决于数据的分布和桶的设置。在数据分布均匀且桶设置得当时,它可以提供非常好的性能。然而,当数据分布不均时,其性能可能会显著下降