九大排序算法

[sisterAn]

14.1 冒泡排序

原理：

从左到右，相邻元素进行比较，如果前一个元素值大于后一个元素值（正序），则交换，这样一轮下来，将最大的数在最右边冒泡出来。这样一轮一轮下来，最后实现从小到大排序。

动图演示：

代码实现：

function bubbleSort(arr) {
 for (let i = 0; i < arr.length; i++) {
 for (let j = 0; j < arr.length - i - 1; j++) {
 if (arr[j] > arr[j + 1]) {
 const temp = arr[j];
 arr[j] = arr[j + 1];
 arr[j + 1] = temp;
 }
 }
 }
}

// 改进冒泡排序
function bubbleSort1(arr) {
 for (let i = 0; i < arr.length; i++) {
 // 提前退出冒泡循环的标识位
 let flag = false;
 for (let j = 0; j < arr.length - i - 1; j++) {
 if (arr[j] > arr[j + 1]) {
 const temp = arr[j];
 arr[j] = arr[j + 1];
 arr[j + 1] = temp;
 flag = true;
 // 表示发生了数据交换
 }
 }
 // 没有数据交换
 if(!flag) break
 }
}


// 测试
let arr = [1, 3, 2, 5, 4]
bubbleSort(arr)
console.log(arr) // [1, 2, 3, 4, 5]

let arr1 = [1, 3, 2, 5, 4]
bubbleSort1(arr1)
console.log(arr1) // [1, 2, 3, 4, 5]

复杂度分析：

• 时间复杂度： 最好时间复杂度 O(n)，平均时间复杂度 O(n^2^)
• 空间复杂度：O(1)

14.2 选择排序

原理

从未排序的序列中找到最大（或最小的）放在已排序序列的末尾（为空则放在起始位置），重复该操作，知道所有数据都已放入已排序序列中。

动态演示

代码实现

function selectionSort(arr) {
 let length = arr.length,
 indexMin
 for(let i = 0; i < length - 1; i++) {
 indexMin = i
 for(let j = i; j < length; j++) {
 if(arr[indexMin] > arr[j]) {
 indexMin = j
 }
 }
 if(i !== indexMin) {
 let temp = arr[i]
 arr[i] = arr[indexMin]
 arr[indexMin] = temp
 }
 }
}

// 测试
let arr = [1, 3, 2, 5, 4]
selectionSort(arr)
console.log(arr) // [1, 2, 3, 4, 5]

复杂度分析

**时间复杂度：**O(n^2^)

**空间复杂度：**O(1)

14.3 归并排序

原理

它采用了分治策略，将数组分成2个较小的数组，然后每个数组再分成两个更小的数组，直至每个数组里只包含一个元素，然后将小数组不断的合并成较大的数组，直至只剩下一个数组，就是排序完成后的数组序列。

实现步骤：

• 将原始序列平分成两个小数组
• 判断小数组长度是否为1，不为1则继续分裂
• 原始数组被分称了长度为1的多个小数组，然后合并相邻小数组（有序合并）
• 不断合并小数组，直到合并称一个数组，则为排序后的数组序列

动图演示

代码实现

function mergeSort(arr) {
 let array = mergeSortRec(arr)
 return array
}

// 若分裂后的两个数组长度不为 1，则继续分裂
// 直到分裂后的数组长度都为 1，
// 然后合并小数组
function mergeSortRec(arr) {
 let length = arr.length
 if(length === 1) {
 return arr
 }
 let mid = Math.floor(length / 2),
 left = arr.slice(0, mid),
 right = arr.slice(mid, length)
 return merge(mergeSortRec(left), mergeSortRec(right))
}

// 顺序合并两个小数组left、right 到 result
function merge(left, right) {
 let result = [],
 ileft = 0,
 iright = 0
 while(ileft < left.length && iright < right.length) {
 if(left[ileft] < right[iright]){
 result.push(left[ileft ++])
 } else {
 result.push(right[iright ++])
 }
 }
 while(ileft < left.length) {
 result.push(left[ileft ++])
 }
 while(iright < right.length) {
 result.push(right[iright ++])
 }
 return result
}

// 测试
let arr = [1, 3, 2, 5, 4]
console.log(mergeSort(arr)) // [1, 2, 3, 4, 5]

复杂度分析

**时间复杂度：**O(nlog2n)

**空间复杂度：**O(n)

14.4 快速排序

原理

和归并排序一致，它也使用了分治策略的思想，它也将数组分成一个个小数组，但与归并不同的是，它实际上并没有将它们分隔开。

快排使用了分治策略的思想，所谓分治，顾名思义，就是分而治之，将一个复杂的问题，分成两个或多个相似的子问题，在把子问题分成更小的子问题，直到更小的子问题可以简单求解，求解子问题，则原问题的解则为子问题解的合并。

快排的过程简单的说只有三步：

• 首先从序列中选取一个数作为基准数
• 将比这个数大的数全部放到它的右边，把小于或者等于它的数全部放到它的左边 （一次快排 partition）
• 然后分别对基准的左右两边重复以上的操作，直到数组完全排序

具体按以下步骤实现：

• 1，创建两个指针分别指向数组的最左端以及最右端
• 2，在数组中任意取出一个元素作为基准
• 3，左指针开始向右移动，遇到比基准大的停止
• 4，右指针开始向左移动，遇到比基准小的元素停止，交换左右指针所指向的元素
• 5，重复3，4，直到左指针超过右指针，此时，比基准小的值就都会放在基准的左边，比基准大的值会出现在基准的右边
• 6，然后分别对基准的左右两边重复以上的操作，直到数组完全排序

注意这里的基准该如何选择喃？最简单的一种做法是每次都是选择最左边的元素作为基准：

但这对几乎已经有序的序列来说，并不是最好的选择，它将会导致算法的最坏表现。还有一种做法，就是选择中间的数或通过 Math.random() 来随机选取一个数作为基准，下面的代码实现就是以随机数作为基准。

代码实现

let quickSort = (arr) => {
 quick(arr, 0 , arr.length - 1)
}

let quick = (arr, left, right) => {
 let index
 if(left < right) {
 // 划分数组
 index = partition(arr, left, right)
 if(left < index - 1) {
 quick(arr, left, index - 1)
 }
 if(index < right) {
 quick(arr, index, right)
 }
 }
}

// 一次快排
let partition = (arr, left, right) => {
 // 取中间项为基准
 var datum = arr[Math.floor(Math.random() * (right - left + 1)) + left],
 i = left,
 j = right
 // 开始调整
 while(i <= j) {
 
 // 左指针右移
 while(arr[i] < datum) {
 i++
 }
 
 // 右指针左移
 while(arr[j] > datum) {
 j--
 }
 
 // 交换
 if(i <= j) {
 swap(arr, i, j)
 i += 1
 j -= 1
 }
 }
 return i
}

// 交换
let swap = (arr, i , j) => {
 let temp = arr[i]
 arr[i] = arr[j]
 arr[j] = temp
}

// 测试
let arr = [1, 3, 2, 5, 4]
quickSort(arr)
console.log(arr) // [1, 2, 3, 4, 5]
// 第 2 个最大值
console.log(arr[arr.length - 2]) // 4

快排是从小到大排序，所以第 k 个最大值在 n-k 位置上

复杂度分析

• 时间复杂度：O(nlog2n)
• 空间复杂度：O(nlog2n)

14.5 希尔排序

1959年Shell发明，第一个突破 O(n^2^) 的排序算法，是简单插入排序的改进版。它与插入排序的不同之处在于，它会优先比较距离较远的元素。

插入排序

插入排序的工作原理是通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入

代码实现：

function insertionSort(arr) {
 let n = arr.length;
 let preIndex, current;
 for (let i = 1; i < n; i++) {
 preIndex = i - 1;
 current = arr[i];
 while (preIndex >= 0 && arr[preIndex] > current) {
 arr[preIndex + 1] = arr[preIndex];
 preIndex--;
 }
 arr[preIndex + 1] = current;
 }
 return arr;
}

插入算法的核心思想是取未排序区间中的元素，在已排序区间中找到合适的插入位置将其插入，并保证已排序区间数据一直有序。重复这个过程，直到未排序区间中元素为空，算法结束。

复杂度分析：

• 时间复杂度：O(n^2^)
• 空间复杂度：O(1)

希尔排序

回顾一下上面的插入排序：

• 第一趟插入排序后，我们得到的有效序列长度为 2
• 第二趟插入排序后，我们得到的有效序列长度为 3
• ...
• 直到这个序列有序

所以，如果序列足够乱的话，时间复杂度为 O(n^2^)

希尔排序又是如何优化的喃？

希尔排序又叫缩小增量排序，就是把数列进行分组(组内不停使用插入排序)，直至从宏观上看起来有序，最后插入排序起来就容易了(无须多次移位或交换)。

其中组的数量称为 增量 ，显然的是，增量是不断递减的(直到增量为1)

那我们有是如何进行分组喃？

**往往的：**如果一个数列有 8 个元素，我们第一趟的增量是 4 ，第二趟的增量是 2 ，第三趟的增量是 1 。如果一个数列有 18 个元素，我们第一趟的增量是 9 ，第二趟的增量是 4 ，第三趟的增量是2 ，第四趟的增量是 1

很明显我们可以用一个序列来表示增量：n/2、(n/2)/2、...、1，每次增量都/2

例如：

let arr = [4, 1, 5, 8, 7, 3]

排序前：

• 将该数组看成三组（ Math.floor(arr.length/2) )，分别是： [4, 1] ， [5, 8] ， [7, 3]

第一趟排序：

• 对三组数据分别进行插入排序，因此我们三个数组得到的结果为： [1, 4] ， [5, 8] ， [3, 7]

此时数组是这样子的：[1, 4, 5, 8, 3, 7]

第二趟排序：

• 增量减少了，上面增量是 3 ，此时增量应该为 1 了，因此把 [1, 4, 5, 8, 3, 7] 看成一个数组(从宏观上是有序的了)，对其进行插入排序，直至有序

代码实现：

function shellSort(arr) {
 let n = arr.length;
 for (let gap = Math.floor(n / 2); gap > 0; gap = Math.floor(gap / 2)) {
 for (let i = gap; i < n; i++) {
 let j = i;
 let current = arr[i];
 while (j - gap >= 0 && current < arr[j - gap]) {
 arr[j] = arr[j - gap];
 j = j - gap;
 }
 arr[j] = current;
 }
 }
 return arr;
}

复杂度分析：

• 时间复杂度：O(nlogn)
• 空间复杂度：O(1)

14.6 计数排序

原理

计数排序不是基于比较的排序算法，其核心在于将输入的数据值转化为键存储在额外开辟的数组空间中。

作为一种线性时间复杂度的排序，计数排序要求输入的数据必须是有确定范围的整数。它是一种典型的拿空间换时间的排序算法

代码实现

function countingSort(arr, maxValue) => {
 // 开辟的新的数组，用于将输入的数据值转化为键存储
 var bucket = new Array(maxValue + 1),
 sortedIndex = 0,
 arrLen = arr.length,
 bucketLen = maxValue + 1

 // 存储
 for (var i = 0; i < arrLen; i++) {
 if (!bucket[arr[i]]) {
 bucket[arr[i]] = 0
 }
 bucket[arr[i]]++
 }

 // 将数据从bucket按顺序写入arr中
 for (var j = 0; j < bucketLen; j++) {
 while(bucket[j]-- > 0) {
 arr[sortedIndex++] = j
 }
 }
 return arr
}

复杂度分析

• 时间复杂度：O(n+k)
• 空间复杂度：O(n+k)

14.7 桶排序

原理

桶排序是计数排序的升级版。它也是利用函数的映射关系。

桶排序 (Bucket sort)的工作的原理：假设输入数据服从均匀分布，将数据分到有限数量的桶里，每个桶再分别排序（有可能再使用别的排序算法或是以递归方式继续使用桶排序进行排）。

完整步骤：

• 首先使用 arr 来存储频率
• 然后创建一个数组（有数量的桶），将频率作为数组下标，对于出现频率不同的数字集合，存入对应的数组下标（桶内）即可。

// 桶排序
let bucketSort = (arr) => {
 let bucket = [], res = []
 arr.forEach((value, key) => {
 // 利用映射关系（出现频率作为下标）将数据分配到各个桶中
 if(!bucket[value]) {
 bucket[value] = [key]
 } else {
 bucket[value].push(key)
 }
 })
 // 遍历获取出现频率
 for(let i = 0;i <= bucket.length - 1;i++){
 if(bucket[i]) {
 res.push(...bucket[i])
 }
	}
	return res
}

复杂度分析：

• 时间复杂度：O(n)
• 空间复杂度：O(n)

14.8 基数排序

原理

基数排序是一种非比较型整数排序算法，其原理是将整数按位数切割成不同的数字，然后按每个位数分别比较。由于整数也可以表达字符串（比如名字或日期）和特定格式的浮点数，所以基数排序也不是只能使用于整数。

完整步骤：

• 取得数组中的最大数，并取得位数；
• arr为原始数组，从最低位开始取每个位组成radix数组；
• 对radix进行计数排序（利用计数排序适用于小范围数的特点）；

动图演示

代码实现

//LSD Radix Sort
var counter = [];
function radixSort(arr, maxDigit) {
 var mod = 10;
 var dev = 1;
 for (var i = 0; i < maxDigit; i++, dev *= 10, mod *= 10) {
 for(var j = 0; j < arr.length; j++) {
 var bucket = parseInt((arr[j] % mod) / dev);
 if(counter[bucket]==null) {
 counter[bucket] = [];
 }
 counter[bucket].push(arr[j]);
 }
 var pos = 0;
 for(var j = 0; j < counter.length; j++) {
 var value = null;
 if(counter[j]!=null) {
 while ((value = counter[j].shift()) != null) {
 arr[pos++] = value;
 }
 }
 }
 }
 return arr;
}

复杂度分析

• 时间复杂度：基数排序基于分别排序，分别收集，所以是稳定的。但基数排序的性能比桶排序要略差，每一次关键字的桶分配都需要O(n)的时间复杂度，而且分配之后得到新的关键字序列又需要O(n)的时间复杂度。假如待排数据可以分为d个关键字，则基数排序的时间复杂度将是O(d*2n) ，当然d要远远小于n，因此基本上还是线性级别的
• 空间复杂度：O(n+k)，其中k为桶的数量。一般来说n>>k，因此额外空间需要大概n个左右

基数排序 vs 计数排序 vs 桶排序

这三种排序算法都利用了桶的概念，但对桶的使用方法上有明显差异：

• 基数排序：根据键值的每位数字来分配桶；
• 计数排序：每个桶只存储单一键值；
• 桶排序：每个桶存储一定范围的数值；

14.9 堆排序

原理

堆是一棵完全二叉树，它可以使用数组存储，并且大顶堆的最大值存储在根节点（i=1），所以我们可以每次取大顶堆的根结点与堆的最后一个节点交换，此时最大值放入了有效序列的最后一位，并且有效序列减1，有效堆依然保持完全二叉树的结构，然后堆化，成为新的大顶堆，重复此操作，知道有效堆的长度为 0，排序完成。

完整步骤为：

• 将原序列（n个）转化成一个大顶堆
• 设置堆的有效序列长度为 n
• 将堆顶元素（第一个有效序列）与最后一个子元素（最后一个有效序列）交换，并有效序列长度减1
• 堆化有效序列，使有效序列重新称为一个大顶堆
• 重复以上2步，直到有效序列的长度为 1，排序完成

动图演示

代码实现

function heapSort(items) {
 // 构建大顶堆
 buildHeap(items, items.length-1)
 // 设置堆的初始有效序列长度为 items.length - 1
 let heapSize = items.length - 1
 for (var i = items.length - 1; i > 1; i--) {
 // 交换堆顶元素与最后一个有效子元素
 swap(items, 1, i);
 // 有效序列长度减 1
 heapSize --;
 // 堆化有效序列(有效序列长度为 currentHeapSize，抛除了最后一个元素)
 heapify(items, heapSize, 1);
 }
 return items;
}

// 原地建堆
// items: 原始序列
// heapSize: 有效序列长度
function buildHeap(items, heapSize) {
 // 从最后一个非叶子节点开始，自上而下式堆化
 for (let i = Math.floor(heapSize/2); i >= 1; --i) { 
 heapify(items, heapSize, i); 
 }
}
function heapify(items, heapSize, i) {
 // 自上而下式堆化
 while (true) {
 var maxIndex = i;
 if(2*i <= heapSize && items[i] < items[i*2] ) {
 maxIndex = i*2;
 }
 if(2*i+1 <= heapSize && items[maxIndex] < items[i*2+1] ) {
 maxIndex = i*2+1;
 }
 if (maxIndex === i) break;
 swap(items, i, maxIndex); // 交换 
 i = maxIndex; 
 }
} 
function swap(items, i, j) {
 let temp = items[i]
 items[i] = items[j]
 items[j] = temp
}

// 测试
var items = [,1, 9, 2, 8, 3, 7, 4, 6, 5]
heapSort(items)
// [empty, 1, 2, 3, 4, 5, 6, 7, 8, 9]

测试成功

复杂度分析

• **时间复杂度：**建堆过程的时间复杂度是 O(n) ，排序过程的时间复杂度是 O(nlogn) ，整体时间复杂度是 O(nlogn)
• 空间复杂度： O(1)

[hua03]

桶排序的第二个循环里，判断bucket[i]是否有值后，要将bucket[i]的数组里面的值填充为i

 for (let i = 0; i < bucket.length; i++) {
 if (bucket[i]) {
 bucket[i].fill(i);
 res.push(...bucket[i]);
 }
 }