作者:watermelo37 CSDN全栈领域优质创作者、万粉博主、华为云云享专家、阿里云专家博主、腾讯云“创作之星”特邀作者、支付宝合作作者,全平台博客昵称watermelo37。 一个假装是giser的coder,做不只专注于业务逻辑的前端工程师,Java、Docker、Python、LLM均有涉猎。 --------------------------------------------------------------------- 温柔地对待温柔的人,包容的三观就是最大的温柔。 ---------------------------------------------------------------------
在本文中,我们将对各种排序算法进行总体比较,重点从以下几个维度展开:
算法 | 最好时间复杂度 | 平均时间复杂度 | 最坏时间复杂度 | 空间复杂度 | 稳定性 | 原地排序 | 适用场景 |
---|---|---|---|---|---|---|---|
快速排序 | O(n log n) | O(n log n) | O(n^2) | O(log n) | 否 | 是 | 大多数通用场景 |
归并排序 | O(n log n) | O(n log n) | O(n log n) | O(n) | 是 | 否 | 大数据、稳定需求 |
堆排序 | O(n log n) | O(n log n) | O(n log n) | O(1) | 否 | 是 | 内存受限、无稳定性需求 |
插入排序 | O(n) | O(n^2) | O(n^2) | O(1) | 是 | 是 | 数据基本有序、小数组 |
桶排序 | O(n+k) | O(n+k) | O(n^2) | O(n+k) | 是 | 否 | 数据分布均匀 |
基数排序 | O(nk) | O(nk) | O(nk) | O(n+k) | 是 | 否 | 整数或字符串排序 |
冒泡排序 | O(n) | O(n^2) | O(n^2) | O(1) | 是 | 是 | 教学演示 |
使用分治法。
每次选择一个基准元素,将数组分成两个部分:小于基准值的放左边,大于的放右边,然后递归处理两边,直到完全结束。
不稳定排序,原地排序。大多数通用排序任务中表现优异。
稳定排序: 当两个元素的值相等时,排序之后它们的相对顺序不会改变。 当你排序的是多字段对象,而且希望保留“主键不变”的排序顺序时,稳定性很关键。比如先按“姓名”排,再按“成绩”稳定排序,这样姓名相同的学生仍保持之前的顺序。 原地排序: 排序过程中只使用常数级别的额外空间(O(1)),排序操作直接在原数组上进行,不依赖额外的数据结构。
// 简洁,但并非原地快排
function quickSort(arr) {
if (arr.length <= 1) return arr;
const pivot = arr[0];
const left = arr.slice(1).filter(x => x <= pivot);
const right = arr.slice(1).filter(x => x > pivot);
return [...quickSort(left), pivot, ...quickSort(right)];
}
// 原地快排
function quickSort(arr, low = 0, high = arr.length - 1) {
if (low < high) {
// 获取分区索引:pivot 已放在正确位置
const pivotIndex = partition(arr, low, high);
// 递归排序 pivot 左右两部分
quickSort(arr, low, pivotIndex - 1);
quickSort(arr, pivotIndex + 1, high);
}
return arr; // 为了链式调用方便,可选
}
// 分区函数
function partition(arr, low, high) {
const pivot = arr[high]; // 选最后一个元素为 pivot
let i = low; // i 表示小于等于 pivot 区域的边界
for (let j = low; j < high; j++) {
// 如果当前元素 <= pivot,就把它放到左边区域
if (arr[j] <= pivot) {
[arr[i], arr[j]] = [arr[j], arr[i]]; // 交换
i++; // 边界右移
}
}
// 最后把 pivot(arr[high])放到它该在的位置
[arr[i], arr[high]] = [arr[high], arr[i]];
return i; // 返回 pivot 的最终位置
}
先分解后合并,分解成唯一个体了自然就是有序的,实际是一种基于递归的排序策略。
分解:将数组分成两半递归排序;合并:将两个有序数组合并成一个。
稳定排序,不原地排序。适用于大数据量、稳定性要求强的场景,如外部排序、大型电商列表等。
function mergeSort(arr) {
if (arr.length <= 1) return arr;
const mid = Math.floor(arr.length / 2);
const left = mergeSort(arr.slice(0, mid));
const right = mergeSort(arr.slice(mid));
let result = [], i = 0, j = 0;
while (i < left.length && j < right.length) {
result.push(left[i] <= right[j] ? left[i++] : right[j++]);
}
return [...result, ...left.slice(i), ...right.slice(j)];
}
利用最大堆结构,每次把堆顶(最大值)放到数组末尾,重新调整堆。
不稳定排序,原地排序。适用于无需稳定性要求、空间敏感场景。
function heapSort(arr) {
const n = arr.length;
// 构建大顶堆,从最后一个非叶子节点开始
for (let i = Math.floor(n / 2) - 1; i >= 0; i--) {
heapify(arr, n, i);
}
// 依次取出堆顶元素,放到数组末尾
for (let i = n - 1; i > 0; i--) {
[arr[0], arr[i]] = [arr[i], arr[0]]; // 交换堆顶与当前尾部
heapify(arr, i, 0); // 重新对堆顶元素调整堆
}
return arr;
}
// 维护大顶堆的堆化过程
function heapify(arr, heapSize, rootIndex) {
let largest = rootIndex;
const left = 2 * rootIndex + 1;
const right = 2 * rootIndex + 2;
// 找出三个节点中最大的那个
if (left < heapSize && arr[left] > arr[largest]) largest = left;
if (right < heapSize && arr[right] > arr[largest]) largest = right;
// 如果最大值不是根节点,交换并递归堆化
if (largest !== rootIndex) {
[arr[rootIndex], arr[largest]] = [arr[largest], arr[rootIndex]];
heapify(arr, heapSize, largest);
}
}
// 示例
const arr = [4, 10, 3, 5, 1];
console.log(heapSort(arr)); // 输出: [1, 3, 4, 5, 10]
有一点需要注意,归并排序和堆排序的耗时都非常稳定,不管原始数据是整齐还是混乱,因为他们的执行流程不依赖于数据的初始顺序。但是快速排序耗时波动大,快排的性能高度依赖于“划分是否平衡”,而这个又与基准值的选择以及原始数据分布密切相关。
相对来说,堆排序不如归并排序和快排常用,虽然堆排序的时间复杂度稳定,但在实际运行中堆的 heapify 操作涉及大量的父子节点交换,不如快排那样直接交换元素高效,且堆是树形结构,访问内存不是连续的,会导致 CPU 缓存命中率低,最后还不是稳定排序,虽然快速排序也不是稳定排序,但那是快排快啊。
常见通用排序方法里面,只有快速排序、归并排序和堆排序的时间复杂度最优,像冒泡排序、插入排序、选择排序、希尔排序时间复杂度都要逊色一些。
但有些排序方法,在特殊场景下的时间复杂度优于O(n log n),这里不详细介绍。
算法 | 时间复杂度 | 适用场景 |
---|---|---|
计数排序 | O(n + k) | 整数且范围小(如 0~100) |
桶排序 | O(n + k) | 分布均匀的浮点数 |
基数排序 | O(n · d) | 多位数或字符串,d 为位数 |
简单做一个“技术选型”的场景推荐:
只有锻炼思维才能可持续地解决问题,只有思维才是真正值得学习和分享的核心要素。如果这篇博客能给您带来一点帮助,麻烦您点个赞支持一下,还可以收藏起来以备不时之需,有疑问和错误欢迎在评论区指出~