从递归到快速排序：用 JavaScript 把分治思想讲明白

快速排序刚开始看起来容易绕：一会儿是递归，一会儿是分区，一会儿又冒出一个 pivot。如果只是背代码，很容易写出边界错误。

这篇文章换一个顺序来讲：先用简单例子建立递归直觉，再看递归如何处理嵌套结构，最后把这个思路放到快速排序里。

先说结论：

递归是一种代码实现方式：函数自己调用自己。
分治是一种算法思想：把大问题拆成小问题，分别解决，再合并结果。
快速排序是一种典型的分治算法，通常用递归实现。

读完本文，你应该能理解三件事：

递归代码为什么一定要有终止条件。
快速排序为什么可以通过一次次分区完成排序。
快排的边界为什么不能随便混用。

先从递归开始

递归不只是"函数调用自己"。更重要的是：把一个问题拆成规模更小但结构相同的问题。

例如要求：

txt 复制代码

1 + 2 + 3 + ... + n

先看最熟悉的迭代写法：

js 复制代码

function sum(n) {
  let total = 0;

  for (let i = 1; i <= n; i++) {
    total += i;
  }

  return total;
}

console.log(sum(5)); // 15

换成递归思考时，可以把 sum(5) 看成：

txt 复制代码

sum(5) = sum(4) + 5
sum(4) = sum(3) + 4
sum(3) = sum(2) + 3
sum(2) = sum(1) + 2

所以递归公式是：

txt 复制代码

sum(n) = sum(n - 1) + n

问题不能一直拆下去，需要有一个最小问题作为终止条件：

txt 复制代码

sum(1) = 1# 从递归到快速排序：用 JavaScript 把分治思想讲明白

快速排序刚开始看起来容易绕：一会儿是递归，一会儿是分区，一会儿又冒出一个 `pivot`。如果只是背代码，很容易写出边界错误。

这篇文章换一个顺序来讲：先用简单例子建立递归直觉，再看递归如何处理嵌套结构，最后把这个思路放到快速排序里。

先说结论：

- 递归是一种代码实现方式：函数自己调用自己。
- 分治是一种算法思想：把大问题拆成小问题，分别解决，再合并结果。
- 快速排序是一种典型的分治算法，通常用递归实现。

读完本文，你应该能理解三件事：

- 递归代码为什么一定要有终止条件。
- 快速排序为什么可以通过一次次分区完成排序。
- 快排的边界为什么不能随便混用。

## 先从递归开始

递归不只是"函数调用自己"。更重要的是：把一个问题拆成规模更小但结构相同的问题。

例如要求：

```txt
1 + 2 + 3 + ... + n

先看最熟悉的迭代写法：

js 复制代码

function sum(n) {
  let total = 0;

  for (let i = 1; i <= n; i++) {
    total += i;
  }

  return total;
}

console.log(sum(5)); // 15

换成递归思考时，可以把 sum(5) 看成：

txt 复制代码

sum(5) = sum(4) + 5
sum(4) = sum(3) + 4
sum(3) = sum(2) + 3
sum(2) = sum(1) + 2

所以递归公式是：

txt 复制代码

sum(n) = sum(n - 1) + n

问题不能一直拆下去，需要有一个最小问题作为终止条件：

txt 复制代码

sum(1) = 1

最终代码就是：

js 复制代码

最终代码就是：

js 复制代码

function sum(n) {
  if (n === 1) return 1;
  return sum(n - 1) + n;
}

console.log(sum(5)); // 15

写递归时，先别急着敲代码，可以先问两个问题：

递归公式：当前问题如何由更小的问题得到。
终止条件：递归什么时候停止。

没有终止条件，递归会一直调用下去，最终导致调用栈溢出。

再看一个更像递归的问题：数组扁平化

数组扁平化就是把多层嵌套数组展开成一维数组。

JavaScript 原生提供了 flat 方法：

js 复制代码

const arr = [1, [2, [3, 4, [5, 6]]]];

console.log(arr.flat()); // [1, 2, [3, 4, [5, 6]]]
console.log(arr.flat(2)); // [1, 2, 3, 4, [5, 6]]
console.log(arr.flat(Infinity)); // [1, 2, 3, 4, 5, 6]

如果自己实现一个完全扁平化函数，递归会非常自然：

js 复制代码

function flatten(arr) {
  let result = [];

  arr.forEach((item) => {
    if (Array.isArray(item)) {
      result = result.concat(flatten(item));
    } else {
      result.push(item);
    }
  });

  return result;
}

const arr = [1, 2, [3, 4, [5, 6]]];

console.log(flatten(arr)); // [1, 2, 3, 4, 5, 6]

这段代码的判断只有两种情况：

如果当前元素是数组，继续扁平化它。
如果当前元素不是数组，直接放入结果数组。
每一层递归返回自己的扁平化结果。

数组嵌套数组，本身就是一层套一层的结构，这类问题通常很适合递归处理。

递归和分治的区别

理解快速排序之前，需要先把递归和分治分清楚。它们经常一起出现，但不是同一类概念。

递归是实现方式，强调的是「函数调用自身」。

分治是算法思想，强调的是「拆分问题」：

txt 复制代码

分：把大问题拆成多个规模更小的问题
治：分别解决这些小问题
合：把小问题的结果合并成原问题的结果

大多数分治算法会用递归实现，但不是所有递归代码都属于分治。

例如 sum(n) = sum(n - 1) + n 是递归，但它不算典型分治，因为它每次只得到一个更小的子问题。

快速排序就更接近标准的分治过程：

先选一个基准值 pivot。
把小于等于基准值的元素放左边，大于基准值的元素放右边。
再分别对左右两边继续排序。

快速排序到底在做什么

快速排序的核心是一次分区操作。

假设有数组：

js 复制代码

const nums = [2, 4, 1, 0, 3, 5];

选择第一个元素 2 作为基准值，也就是 pivot。经过一次分区后，数组会变成类似这样的结构：

txt 复制代码

[比 2 小或等于 2 的元素] 2 [比 2 大的元素]

这时 2 已经到了最终排序结果中应该处于的位置。接下来只需要分别处理它左边和右边的子数组。

这就是快速排序的核心：一次分区确定一个基准值的位置，并把一个大数组拆成两个更小的区间。

可以把它理解成下面这个过程：

txt 复制代码

quickSort([2, 4, 1, 0, 3, 5])
  -> 把 2 放到正确位置
  -> 继续排序 2 左边的部分
  -> 继续排序 2 右边的部分

原地快速排序实现

下面是一个原地排序版本。它不会额外创建 left 和 right 两个数组，而是通过双指针直接在原数组中交换元素。

js 复制代码

function partition(nums, left, right) {
  const pivotValue = nums[left];
  let i = left;
  let j = right;

  while (i < j) {
    while (i < j && nums[j] > pivotValue) {
      j--;
    }

    while (i < j && nums[i] <= pivotValue) {
      i++;
    }

    if (i < j) {
      [nums[i], nums[j]] = [nums[j], nums[i]];
    }
  }

  [nums[left], nums[i]] = [nums[i], nums[left]];

  return i;
}

function quickSort(nums, left = 0, right = nums.length - 1) {
  if (left >= right) return nums;

  const pivotIndex = partition(nums, left, right);

  quickSort(nums, left, pivotIndex - 1);
  quickSort(nums, pivotIndex + 1, right);

  return nums;
}

const arr = [2, 4, 1, 0, 3, 5];

console.log(quickSort(arr)); // [0, 1, 2, 3, 4, 5]

这段代码只需要抓住两个函数：

partition：完成一次分区，并返回基准值最终所在的位置。
quickSort：递归处理基准值左边和右边的子数组。

把分区过程拆开看

以 partition(nums, left, right) 为例：

js 复制代码

const pivotValue = nums[left];
let i = left;
let j = right;

这里选择当前区间的第一个元素作为基准值。接下来用两个指针做扫描：

i 从左往右走，寻找大于基准值的元素。
j 从右往左走，寻找小于等于基准值的元素。

右指针先从右往左找，找到第一个小于等于基准值的元素：

js 复制代码

while (i < j && nums[j] > pivot本文用 Node.js 示例讲清 Tokenization 与 Embedding：文本如何变成 token id，语义如何变成向量，并说明 token 计费、上下文、余弦相似度和 RAG 检索的核心关系Value) {
  j--;
}

左指针再从左往右找，找到第一个大于基准值的元素：

js 复制代码

while (i < j && nums[i] <= pivotValue) {
  i++;
}

如果两个指针还没有相遇，就交换这两个位置：

js 复制代码

if (i < j) {
  [nums[i], nums[j]] = [nums[j], nums[i]];
}

当 i 和 j 相遇时，说明当前区间已经被分成两部分。最后把基准值放到分界位置：

js 复制代码

[nums[left], nums[i]] = [nums[i], nums[left]];

此时 i 就是基准值的最终位置。

用 [2, 4, 1, 0, 3, 5] 举例，一次分区后的结果可能是：

txt 复制代码

原数组： [2, 4, 1, 0, 3, 5]
基准值： 2
分区后： [0, 1, 2, 4, 3, 5]

此时 2 左边的元素都小于等于它，右边的元素都大于它。注意，左边和右边内部还不一定有序，所以还需要继续递归排序。

另一种常见写法：Hoare 分区

快速排序还有一种常见写法：Hoare 分区。它通常会选中间位置作为基准值，并返回右侧分界点。

这一版和前面的写法有一个关键区别：它不一定把某个基准值固定到最终位置，而是把数组划分成两个区间。

因此它的递归边界也不一样：

js 复制代码

quickSortHoare(nums, left, j);
quickSortHoare(nums, j + 1, right);

不要把它和上一版的边界混用：

js 复制代码

quickSort(nums, left, pivotIndex - 1);
quickSort(nums, pivotIndex + 1, right);

完整代码如下：

js 复制代码

function quickSortHoare(nums, left = 0, right = nums.length - 1) {
  if (left >= right) return nums;

  let i = left - 1;
  let j = right + 1;
  const pivotValue = nums[Math.floor((left + right) / 2)];

  while (i < j) {
    do {
      i++;
    } while (nums[i] < pivotValue);

    do {
      j--;
    } while (nums[j] > pivotValue);

    if (i < j) {
      [nums[i], nums[j]] = [nums[j], nums[i]];
    }
  }

  quickSortHoare(nums, left, j);
  quickSortHoare(nums, j + 1, right);

  return nums;
}

const arr = [2, 4, 1, 0, 3, 5];

console.log(quickSortHoare(arr)); // [0, 1, 2, 3, 4, 5]

这一版代码也很常见，尤其是在算法题题解里。重点不是记住哪一种更好，而是记住：不同分区方式返回的含义不同，递归边界必须跟着变。

时间复杂度

快速排序的平均时间复杂度是：

txt 复制代码

O(nlogn)

可以从两个角度理解：

每一层分区操作需要扫描当前区间，整体是 O(n)。
平均情况下，每次分区能把数组拆得比较均匀，递归层数约为 O(logn)。

所以平均复杂度是：

txt 复制代码

O(n) * O(logn) = O(nlogn)

但快速排序不是任何情况下都是 O(nlogn)。

如果每次基准值都选得很差，例如数组已经有序且总是选择第一个元素作为基准值，递归会退化成单边递归：

txt 复制代码

n -> n - 1 -> n - 2 -> ... -> 1

这时最坏时间复杂度会变成：

txt 复制代码

O(n^2)

空间复杂度

上面的实现是原地交换，不会额外创建左右数组，所以额外空间主要来自递归调用栈。

调用栈空间取决于递归深度：

平均空间复杂度：O(logn)
最坏空间复杂度：O(n)

如果写成下面这种创建新数组的版本，理解起来更简单，但空间消耗更大：

js 复制代码

function quickSortSimple(nums) {
  if (nums.length <= 1) return nums;

  const pivotValue = nums[0];
  const left = [];
  const right = [];

  for (let i = 1; i < nums.length; i++) {
    if (nums[i] <= pivotValue) {
      left.push(nums[i]);
    } else {
      right.push(nums[i]);
    }
  }

  return quickSortSimple(left).concat(pivotValue, quickSortSimple(right));
}

console.log(quickSortSimple([2, 4, 1, 0, 3, 5])); // [0, 1, 2, 3, 4, 5]

这个版本适合入门理解，因为它把「左边」「右边」直接写成了两个数组。但它需要额外空间，实际场景里原地排序版本更常见。

快速排序稳定吗

快速排序通常是不稳定排序。

稳定排序指的是：如果两个元素的值相等，排序后它们的相对顺序不变。

快速排序在分区过程中会交换元素，相等元素的相对顺序可能被打乱。

例如排序下面这组数据时，如果只按 value 排序：

js 复制代码

[
  { value: 2, name: "a" },
  { value: 1, name: "b" },
  { value: 2, name: "c" }
]

稳定排序会保证排序后 "a" 仍然排在 "c" 前面。快速排序因为存在交换操作，通常不保证这一点。

如果需要稳定排序，可以考虑归并排序。归并排序在合并两个有序数组时，如果相等元素优先取左边数组的元素，就可以保持稳定性。

小结

从递归到快速排序，核心其实只有一条线：把大问题变成小问题。

递归解决问题时，重点是找出递归公式和终止条件。分治解决问题时，重点是把大问题拆成小问题，再合并结果。

快速排序把递归和分治结合得很典型：

选基准值。
通过分区把数组拆成左右两部分。
递归排序左右子数组。
平均时间复杂度为 O(nlogn)。
原地版本平均空间复杂度为 O(logn)。
通常是不稳定排序。

理解了递归和分治，再看快速排序，就不会只是背代码，而是能看懂它为什么这样写、为什么这样拆边界。