排序算法归类整理对比

以下是常见排序算法的详细分类和解析，涵盖原理、时间复杂度及适用场景：

一、比较排序算法

1. 快速排序（Quick Sort）

原理：分治策略，选取基准元素（pivot），将数组分为小于基准和大于基准的两部分，递归排序。
时间复杂度 ：
- 平均：(O(n \log n))
- 最坏（已排序数组）：(O(n^2))
空间复杂度：(O(\log n))（递归栈）
稳定性：不稳定

代码示例 ：

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)

2. 归并排序（Merge Sort）

原理：分治法，将数组递归拆分到最小单元，再合并有序子数组。
时间复杂度：始终 (O(n \log n))
空间复杂度：(O(n))（合并时需要临时数组）
稳定性：稳定
适用场景：大数据量、链表排序、外部排序（如磁盘文件排序）。

3. 堆排序（Heap Sort）

原理：构建最大堆，将堆顶元素（最大值）与末尾元素交换，调整堆结构。
时间复杂度：(O(n \log n))
空间复杂度：(O(1))（原地排序）
稳定性：不稳定
优势：适合实时数据流（无需全部数据即可开始排序）。

二、简单排序算法

1. 插入排序（Insertion Sort）

原理：逐个将元素插入已排序序列的合适位置。
时间复杂度 ：
- 平均：(O(n^2))
- 最优（已排序数组）：(O(n))
空间复杂度：(O(1))
稳定性：稳定
适用场景：小规模数据或基本有序数据。

2. 选择排序（Selection Sort）

原理：每轮找到最小元素，与当前位置交换。
时间复杂度：始终 (O(n^2))
空间复杂度：(O(1))
稳定性：不稳定（交换可能破坏顺序）。

3. 冒泡排序（Bubble Sort）

原理：相邻元素比较交换，逐步将最大值"冒泡"到末尾。
时间复杂度 ：
- 平均：(O(n^2))
- 最优（已排序数组）：(O(n))
空间复杂度：(O(1))
稳定性：稳定

三、非比较排序算法

1. 计数排序（Counting Sort）

原理：统计元素出现次数，按计数重建有序数组。
时间复杂度：(O(n + k))（(k) 为数据范围）
空间复杂度：(O(k))
适用场景：整数排序，且数据范围 (k) 较小。

2. 桶排序（Bucket Sort）

原理：将数据分到有限数量的桶中，每个桶单独排序后合并。
时间复杂度 ：
- 平均：(O(n + k))（(k) 为桶数量）
- 最坏：(O(n^2))
适用场景：数据均匀分布的场景。

3. 基数排序（Radix Sort）

原理：按位数从低位到高位依次进行稳定排序（如计数排序）。
时间复杂度：(O(d(n + k)))（(d) 为最大位数，(k) 为基数范围）
适用场景：整数或字符串排序。

四、算法对比与选择

算法	平均时间复杂度	空间复杂度	稳定性	适用场景
快速排序	(O(n \log n))	(O(\log n))	不稳定	通用排序，大数据量
归并排序	(O(n \log n))	(O(n))	稳定	外部排序、稳定性要求高
堆排序	(O(n \log n))	(O(1))	不稳定	原地排序、实时数据流
插入排序	(O(n^2))	(O(1))	稳定	小规模或基本有序数据
计数排序	(O(n + k))	(O(k))	稳定	整数且范围小
基数排序	(O(d(n + k)))	(O(n + k))	稳定	多位数整数或定长字符串