常见的排序算法

一、基于比较的排序算法

基于比较的排序算法通过比较元素之间的大小来完成排序。

1.1 冒泡排序（Bubble Sort）

特点：通过多次交换相邻元素，将最大（或最小）元素"冒泡"到序列末端。
时间复杂度：

最好：O(n)（输入数组已排序）
最坏：O(n²)
空间复杂度 ：O(1)（原地排序）
稳定性 ：稳定
适用场景：适合小规模、几乎有序的数据集。

实现代码（Python）：

python 复制代码

def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        for j in range(0, n-i-1):
            if arr[j] > arr[j+1]:
                arr[j], arr[j+1] = arr[j+1], arr[j]
    return arr

1.2 选择排序（Selection Sort）

特点：每次从未排序部分选择最小元素，放到已排序部分末尾。
时间复杂度：

最好/最坏：O(n²)
空间复杂度 ：O(1)
稳定性 ：不稳定
适用场景：适合数据量小、对稳定性无要求的场景。

实现代码：

python 复制代码

def selection_sort(arr):
    n = len(arr)
    for i in range(n):
        min_idx = i
        for j in range(i+1, n):
            if arr[j] < arr[min_idx]:
                min_idx = j
        arr[i], arr[min_idx] = arr[min_idx], arr[i]
    return arr

1.3 插入排序（Insertion Sort）

特点：将序列分为已排序和未排序两部分，每次将未排序部分的第一个元素插入到已排序部分的合适位置。
时间复杂度：

最好：O(n)（输入数组已排序）
最坏：O(n²)
空间复杂度 ：O(1)
稳定性 ：稳定
适用场景：适合小规模或几乎有序的数据集。

实现代码：

python 复制代码

def insertion_sort(arr):
    for i in range(1, len(arr)):
        key = arr[i]
        j = i - 1
        while j >= 0 and key < arr[j]:
            arr[j + 1] = arr[j]
            j -= 1
        arr[j + 1] = key
    return arr

1.4 快速排序（Quick Sort）

特点：基于分治思想，通过选择一个"基准"（pivot），将数组划分为两部分，递归排序。
时间复杂度：

最好：O(n log n)
最坏：O(n²)（输入数组完全逆序，或基准选择不当）
平均：O(n log n)
空间复杂度 ：O(log n)（递归栈空间）
稳定性 ：不稳定
适用场景：适合大规模数据，基准选取合理时效率极高。

实现代码：

python 复制代码

def quick_sort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr) // 2]
    left = [x for x in arr if x < pivot]
    middle = [x for x in arr if x == pivot]
    right = [x for x in arr if x > pivot]
    return quick_sort(left) + middle + quick_sort(right)

1.5 归并排序（Merge Sort）

特点：基于分治思想，将数组递归分成两半，排序后再合并。
时间复杂度：

最好/最坏/平均：O(n log n)
空间复杂度 ：O(n)
稳定性 ：稳定
适用场景：适合需要稳定排序的大规模数据。

实现代码：

python 复制代码

def merge_sort(arr):
    if len(arr) <= 1:
        return arr
    mid = len(arr) // 2
    left = merge_sort(arr[:mid])
    right = merge_sort(arr[mid:])
    return merge(left, right)

def merge(left, right):
    result = []
    i = j = 0
    while i < len(left) and j < len(right):
        if left[i] <= right[j]:
            result.append(left[i])
            i += 1
        else:
            result.append(right[j])
            j += 1
    result.extend(left[i:])
    result.extend(right[j:])
    return result

1.6 堆排序（Heap Sort）

特点：利用堆数据结构的性质进行排序。
时间复杂度：

最好/最坏/平均：O(n log n)
空间复杂度 ：O(1)
稳定性 ：不稳定
适用场景：适合需要原地排序的大规模数据。

实现代码：

python 复制代码

def heapify(arr, n, i):
    largest = i
    l = 2 * i + 1
    r = 2 * i + 2
    if l < n and arr[l] > arr[largest]:
        largest = l
    if r < n and arr[r] > arr[largest]:
        largest = r
    if largest != i:
        arr[i], arr[largest] = arr[largest], arr[i]
        heapify(arr, n, largest)

def heap_sort(arr):
    n = len(arr)
    for i in range(n // 2 - 1, -1, -1):
        heapify(arr, n, i)
    for i in range(n-1, 0, -1):
        arr[i], arr[0] = arr[0], arr[i]
        heapify(arr, i, 0)
    return arr

二、非基于比较的排序算法

非基于比较的排序算法利用数据的特定性质排序，时间复杂度低于 O(n log n)。

2.1 计数排序（Counting Sort）

特点：通过统计每个元素出现的次数进行排序。
时间复杂度 ：O(n + k)（k 为数据范围）
空间复杂度 ：O(n + k)
稳定性 ：稳定
适用场景：适合数据范围较小的整数排序。

实现代码（Python）：

python 复制代码

def counting_sort(arr):
    if len(arr) == 0:
        return arr

    # 获取数组中的最大值和最小值
    max_val = max(arr)
    min_val = min(arr)

    # 创建计数数组，计数范围是最大值和最小值之间的数字
    range_of_elements = max_val - min_val + 1
    count = [0] * range_of_elements
    output = [0] * len(arr)

    # 统计每个元素的出现次数
    for num in arr:
        count[num - min_val] += 1

    # 计算累加计数
    for i in range(1, len(count)):
        count[i] += count[i - 1]

    # 从后往前填充输出数组，保证稳定性
    for num in reversed(arr):
        output[count[num - min_val] - 1] = num
        count[num - min_val] -= 1

    return output

2.2 基数排序（Radix Sort）

特点：按位数进行排序，从低位到高位依次排列。
时间复杂度 ：O(d*(n+k))（d 为位数，k 为基数范围）
空间复杂度 ：O(n+k)
稳定性 ：稳定
适用场景：适合对固定范围内的整数进行排序。

实现代码（Python）：

python 复制代码

def counting_sort_radix(arr, exp):
    n = len(arr)
    output = [0] * n  # 输出数组
    count = [0] * 10  # 假设数字为0-9

    # 存储当前位数的计数
    for i in range(n):
        index = arr[i] // exp
        count[index % 10] += 1

    # 累加计数数组
    for i in range(1, 10):
        count[i] += count[i - 1]

    # 构建输出数组
    i = n - 1
    while i >= 0:
        index = arr[i] // exp
        output[count[index % 10] - 1] = arr[i]
        count[index % 10] -= 1
        i -= 1

    # 拷贝输出数组到原数组
    for i in range(n):
        arr[i] = output[i]

def radix_sort(arr):
    # 获取最大元素
    max_val = max(arr)

    # 从最低位开始进行排序
    exp = 1
    while max_val // exp > 0:
        counting_sort_radix(arr, exp)
        exp *= 10

    return arr

2.3 桶排序（Bucket Sort）

特点：将数据分散到若干桶中，各桶内分别排序，然后合并结果。
时间复杂度 ：O(n)（理想情况下）
空间复杂度 ：O(n)
稳定性 ：稳定（视桶内排序算法而定）
适用场景：适合数据分布均匀的情况。

实现代码（Python）：

python 复制代码

def bucket_sort(arr):
    if len(arr) == 0:
        return arr

    # 找到数组中的最大值和最小值
    min_val = min(arr)
    max_val = max(arr)

    # 计算桶的数量
    bucket_count = len(arr)
    bucket_range = (max_val - min_val) / bucket_count

    # 创建桶
    buckets = [[] for _ in range(bucket_count)]

    # 将元素分配到桶中
    for num in arr:
        index = int((num - min_val) // bucket_range)
        if index == bucket_count:
            index -= 1
        buckets[index].append(num)

    # 对每个桶中的元素进行排序
    for i in range(bucket_count):
        buckets[i] = sorted(buckets[i])

    # 合并所有桶中的元素
    sorted_arr = []
    for bucket in buckets:
        sorted_arr.extend(bucket)

    return sorted_arr

总结

算法	时间复杂度（最坏）	时间复杂度（最好）	空间复杂度	稳定性	适用场景
冒泡排序	O(n²)	O(n)	O(1)	稳定	小规模或近似有序
选择排序	O(n²)	O(n²)	O(1)	不稳定	无需稳定性的简单场景
插入排序	O(n²)	O(n)	O(1)	稳定	小规模或近似有序
快速排序	O(n²)	O(n log n)	O(log n)	不稳定	大规模一般场景
归并排序	O(n log n)	O(n log n)	O(n)	稳定	大规模需要稳定
堆排序	O(n log n)	O(n log n)	O(1)	不稳定	原地排序需求
计数排序	O(n+k)	O(n+k)	O(n+k)	稳定	小范围整数
基数排序	O(d * (n + k))	O(d * (n + k))	O(n+k)	稳定	适合对固定范围内的整数进行排序
桶排序	O(n²)	O(n + k)	O(n)	稳定	适合数据分布均匀的情况