题目链接：力扣
选择排序知识
- 设第一个元素为比较元素，依次和后面的元素比较，比较完所有元素并找到最小元素，记录最小元素下标，和第0个下表元素进行交换。
- 在未排序区域中，重复上述操作，以此类推找出剩余最小元素将它换到前面，即完成排序。
解析
现在让我们思考一下，冒泡排序和选择排序有什么异同？
相同点：都是两层循环，时间复杂度都为 O(n 2 ); 都只使用有限个变量，空间复杂度 O(1)。
不同点：冒泡排序在比较过程中就不断交换；而选择排序增加了一个变量保存最小值 / 最大值的下标，遍历完成后才交换，减少了交换次数。
事实上，冒泡排序和选择排序还有一个非常重要的不同点，那就是：冒泡排序法是稳定的，选择排序法是不稳定的。
排序算法的稳定性
假定在待排序的记录序列中，存在多个具有相同的关键字的记录，若经过排序，这些记录的相对次序保持不变，即在原序列中，r[i] = r[j]，且 r[i] 在 r[j] 之前，而在排序后的序列中，r[i] 仍在 r[j] 之前，则称这种排序算法是稳定的；否则称为不稳定的。
理解了稳定性的定义后，我们就能分析出：冒泡排序中，只有左边的数字大于右边的数字时才会发生交换，相等的数字之间不会发生交换，所以它是稳定的。
选择排序算法如何实现稳定排序呢？
实现的方式有很多种，这里给出一种最简单的思路：新开一个数组，将每轮找出的最小值依次添加到新数组中，选择排序算法就变成稳定的了。
二元选择排序
选择排序算法也是可以优化的，既然每轮遍历时找出了最小值，何不把最大值也顺便找出来呢？这就是二元选择排序的思想。
我们使用 minIndex 记录最小值的下标，maxIndex 记录最大值的下标。每次遍历后，将最小值交换到首位，最大值交换到末尾，就完成了排序。
由于每一轮遍历可以排好两个数字，所以最外层的遍历只需遍历一半即可。
二元选择排序中有一句很重要的代码，它位于交换最小值和交换最大值的代码中间：
python
def selectionSort(arr):
for i in range(len(arr) - 1):
minIndex = i # 记录最小元素的索引
# 找出最小元素
for j in range(i + 1, len(arr)):
if arr[j] < arr[minIndex]:
minIndex = j
# i不是最小元素时，将i和最小元素进行交换
if i != minIndex:
arr[i], arr[minIndex] = arr[minIndex], arr[i]
return arr
if __name__=="__main__":
nums = [1, 42, 65, 876, 34, 656, 4, 6757, 89, 24, 65, 42]
print("start:", nums)方法1: bf排序
python
class Solution:
def findKthLargest(self, nums: List[int], k: int) -> int:
random.shuffle(nums)
#将数组从大到小排序
nums.sort(reverse=True)
return nums[k-1]执行用时：208 ms
时间复杂：O(nlogn)
方法2: 快速选择 quick select
快排的改进，快排是一种分治思想的实现，没做一层快排可以将数组分成两份并确定一个数的位置。分析题目可以知道，要找到第 k 个最大的元素，找到这个元素被划分在哪边就可以了。
快速排序（英语：Quicksort），又称分区交换排序（partition-exchange sort），简称快排，一种排序算法，最早由东尼·霍尔（Tony Hoare ）提出。在平均状况下，排序 n 个项目要 O(nlogn) 次比较。在最坏状况下则需要 O(n 2 ) 次比较，但这种状况并不常见。事实上，快速排序Θ(nlogn) 通常明显比其他演算法更快，因为它的内部循环（inner loop）可以在大部分的架构上很有效率地达成。
快速排序使用分治法（Divide and conquer）策略来把一个序列（list）分为较小和较大的 2 个子序列，然后递归地排序两个子序列。
以「升序排列」为例，其基本步骤为 [摘自@维基百科]：
-
挑选基准值：从数列中挑出一个元素，称为"基准"（pivot）；
-
分割（partition）：重新排序数列，所有比基准值小的元素摆放在基准前面，所有比基准值大的元素摆在基准后面（与基准值相等的数可以到任何一边）。在这个分割结束之后，对基准值的排序就已经完成；
-
递归排序子序列：递归地将小于基准值元素的子序列和大于基准值元素的子序列排序。
递归到最底部的判断条件是数列的大小是零或一，此时该数列显然已经有序.
python
class Solution:
def findKthLargest(self, nums: List[int], k: int) -> int:
def partition(arr: List[int], low: int, high: int) -> int:
pivot = arr[low] # 选取最左边为pivot
left, right = low, high # 双指针
while left < right:
while left<right and arr[right] >= pivot: # 找到右边第一个<pivot的元素
right -= 1
arr[left] = arr[right] # 并将其移动到left处
while left<right and arr[left] <= pivot: # 找到左边第一个>pivot的元素
left += 1
arr[right] = arr[left] # 并将其移动到right处
arr[left] = pivot # pivot放置到中间left=right处
return left
def randomPartition(arr: List[int], low: int, high: int) -> int:
pivot_idx = random.randint(low, high) # 随机选择pivot
arr[low], arr[pivot_idx] = arr[pivot_idx], arr[low] # pivot放置到最左边
return partition(arr, low, high) # 调用partition函数
def topKSplit(arr: List[int], low: int, high: int, k: int) -> int:
# mid = partition(arr, low, high) # 以mid为分割点【非随机选择pivot】
mid = randomPartition(arr, low, high) # 以mid为分割点【随机选择pivot】
if mid == k-1: # 第k小元素的下标为k-1
return arr[mid] #【找到即返回】
elif mid < k-1:
return topKSplit(arr, mid+1, high, k) # 递归对mid右侧元素进行排序
else:
return topKSplit(arr, low, mid-1, k) # 递归对mid左侧元素进行排序
n = len(nums)
return topKSplit(nums, 0, n-1, n-k+1) # 第k大元素即为第n-k+1小元素这个代码实现了快速选择算法的一个变种，用来找出数组中第 k 大的元素。这个实现采用了"快速排序"的分区思想，并通过随机选择轴点（pivot）来提高算法的效率和避免最坏情况的发生。以下是代码的逐步解析：
partition 函数
- 这个函数接受一个数组
arr和两个指针low和high作为参数，用来确定数组的操作区间。 - 它首先选择
low索引处的元素作为轴点（pivot）。 - 使用两个指针
left和right从数组的两端开始，向中间移动，并根据元素与轴点的比较结果进行交换，直到两个指针相遇。 - 最终，轴点元素被放置在其最终位置上，该位置左边的所有元素都不大于轴点，右边的所有元素都不小于轴点。
- 函数返回轴点的最终位置
这个代码实现了快速选择算法的一个变种，用来找出数组中第 k 大的元素。这个实现采用了"快速排序"的分区思想，并通过随机选择轴点（pivot）来提高算法的效率和避免最坏情况的发生。以下是代码的逐步解析：
randomPartition 函数
- 为了避免在特定的数组顺序下陷入最坏情况（如已排序的数组），该函数首先在
low和high范围内随机选择一个轴点索引pivot_idx。 - 然后，它将选定的轴点与区间的第一个元素交换，确保随机选择的轴点被移到了区间的开头。
- 最后，调用
partition函数执行实际的分区操作。
topKSplit 函数
- 这个函数是快速选择算法的核心，它递归地在数组的一个子区间内查找第
k小（或第k大）的元素。 - 它首先调用
randomPartition对当前考虑的数组区间进行分区，然后根据分区后轴点的位置与k的关系决定下一步的操作。 - 如果轴点恰好是第
k-1个元素（因为数组索引从0开始），那么就找到了第k小的元素，直接返回。 - 如果轴点的位置小于
k-1，说明第k小的元素位于轴点右侧的区间内，因此对右侧区间递归调用topKSplit。 - 如果轴点的位置大于
k-1，说明第k小的元素位于轴点左侧的区间内，因此对左侧区间递归调用topKSplit。
主函数 findKthLargest
- 最后，
findKthLargest函数通过调用topKSplit并传入整个数组、起始索引0、结束索引n-1和n-k+1（因为第k大元素是第n-k+1小元素）来找到第k大的元素。
3 partiton
python
class Solution:
def findKthLargest(self, nums: List[int], k: int) -> int:
def quick_select(nums, k):
pivot = random.choice(nums)
big, equal, small = [], [], []
# 将大于、小于、等于 pivot 的元素划分至 big, small, equal 中
for num in nums:
if num > pivot:
big.append(num)
elif num < pivot:
small.append(num)
else:
equal.append(num)
if k <= len(big):
# 第 k 大元素在 big 中，递归划分
return quick_select(big, k)
if len(nums) - len(small) < k:
# 第 k 大元素在 small 中，递归划分
return quick_select(small, k - len(nums) + len(small))
# 第 k 大元素在 equal 中，直接返回 pivot
return pivot
return quick_select(nums, k)- 快速选择函数
quick_select：
这是一个内部定义的辅助函数，用于实现快速选择算法。它接受当前考虑的数组 nums 和目标 k 作为参数。
2. 选择轴点：
pivot = random.choice(nums) 从 nums 中随机选择一个元素作为轴点（Pivot）。这种随机化策略有助于提高算法的平均性能，避免在特定情况下的性能退化。
3. 分区：
算法遍历数组 nums，根据元素与轴点的大小关系，将其分配到三个列表中：big（存储所有大于轴点的元素）、equal（存储所有等于轴点的元素）、small（存储所有小于轴点的元素）。
4. 递归选择：
- 如果
k小于等于big列表的长度，说明第k大的元素在big中，因此递归地在big中寻找第k大的元素。 - n-1-k+1
- 如果
k大于nums减去small列表长度的结果（即k在减去所有小于轴点的元素后仍大于big和equal的总长度），说明第k大的元素在small中。此时，需要在small中寻找新的第k - (len(nums) - len(small))大的元素，因为我们已经排除了一部分更大的元素。 - 如果上述两种情况都不满足，说明第
k大的元素在equal中，由于equal中的所有元素都等于轴点值pivot，因此直接返回pivot。
- 返回结果：
- 最终，通过调用
quick_select(nums, k)执行快速选择逻辑，并返回找到的第k大的元素。
时间复杂度：快速选择算法的平均时间复杂度为 O(n)，但在最坏情况下可能会达到 O(n2)。
通过随机选择轴点，快速选择算法能够在大多数情况下避免最坏情况的发生，从而保持较高的效率。
空间复杂度 O(logN) ： 划分函数的平均递归深度为O(logN)