一文读懂如何用Python实现6种排序算法
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
-
import sys
-
-
def insert_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
快速排序的分治过程的三个步骤为：
分解：把数组A
分为A与A[q+1...r]两部分，其中A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
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
-
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。CDA数据分析师培训
CDA数据分析师考试相关入口一览（建议收藏）：
▷ 想报名CDA认证考试，点击>>>
“CDA报名”
了解CDA考试详情；
▷ 想加入CDA考试题库，点击>>> “CDA题库” 了解CDA考试详情；
▷ 想学习CDA考试教材，点击>>> “CDA教材” 了解CDA考试详情；
▷ 想查询CDA考试成绩，点击>>> “CDA成绩” 了解CDA考试详情；
▷ 想了解CDA考试含金量，点击>>> “CDA含金量” 了解CDA考试详情；
▷ 想获取CDA考试时间/费用/条件/大纲/通过率，点击 >>>“CDA考试官网” 了解CDA考试详情；
