亚里士多德把知识分为三类:
第一类是经验,会做但不知道为什么这么做是对的;
第二类是知其然又知其所以然的技术,它来源于经验,是通过对经验的总结和归纳所形成的一般化理论;
第三类是没有用的、自己为自己而存在的知识就是科学
前言
大家好,我是柒八九
。因为,最近在看Vue3
源码分析,发现无论React
还是Vue
,在框架层面,为了实现特定的场景,它们为我们封装了很多比较复杂的逻辑。
比如,
- 针对
Virtual Dom
的Diff
算法中树的遍历(DSF
); - 还有针对
Vue3
的双端Diff
中在查看可复用节点时,用到的最小递增子序列算法; - 针对指定DSL(领域特定语言)的编译、转换处理中用到
stack
数据结构进行token
的匹配 - 针对
Vue
中内置组件KeepAlive
中用到的缓存中用到的LRU(最近最久未使用) - 等等
透过现象看本质,无论是如何高深的算法或者思路,其实都是利用合适的数据结构对其遍历和筛选处理。而今天我们就来利用一篇文章的时间,来讲讲在平时工作中或者面试中比较常见的排序算法。
排序算法有很多,而我们只总结和处理我们平时接触到,并用到的,也算是一个针对排序算法的初级的汇总和总结。(大神勿喷)
时间不早了,干点正事哇。(郭德纲语言包) 针对居中我们有一个打油诗
- 排序算法种类多,常规算法要记牢
- 交换排序找主元(pivot),
Bubble
/Quick
齐上阵Bubble
双层循环O(n²)
,主元藏于内层循环arr[j]Quick
分治递归O(nlogn)
,partition
中值效率高
- 插入排序找哨兵(sential),
Insertion/Shell
双胞弟,Insertion
区间分两段
外层未排i∈ [1,len)
内层已排j ∈ [0,i-1]
,sential
初始为arr[1]
Shell
while
(增量>=1),
内核照抄Insertion
只将i=1/j=i-1
改为i=t/j=i-t
- 选择排序找极值的序号(
minIndex
),Selection/Heap
一路数Selection
区间分两段
外层已排i∈ [0,len-1)
内层未排j∈ [1,len)
minIndex
初始为i
且为0
- 归并排序
D&C
思想好- 先分后治
- 分用递归来处理
- 找退出条件
lo>=hi
- 找中值
mid = lo + ((hi-lo)>>1)
- 递归双区间
- 找退出条件
- 治阶段
- 找前后区间起始位置
i= lo/j=mid+1
- 找修改原数组的位置
k = lo
- 复制原数组
copy
- 数据移动
- 找前后区间起始位置
文章概要
- {交换排序|Swap Sort}
- {冒泡排序|Bubble Sort}
- {快排序|Quick Sort}
- {插入排序|Insertion Sort}
- {插入排序|Insertion Sort}
- {希尔排序|Shell Sort}
- {选择排序|Selection Sort}
- {归并排序|Merge Sort}
知识点简讲
复杂度
复杂度是衡量代码运行效率的重要度量因素
复杂度是一个关于输入数据量 n
的函数,它有两个特点:
- 复杂度与具体的常系数无关
- 多项式级的复杂度相加的时候,选择高者作为结果
O(1)
也是表示一个特殊复杂度: 其含义为某个任务通过有限可数的资源即可完成。
而复杂度又可以分为
- 时间复杂度:与代码结构有着非常紧密的关系
- 空间复杂度:与数据结构的设计有关
针对时间复杂度,有几个经验性的结论:
代码结构 | 时间复杂度 |
---|---|
顺序结构的代码 | O(1) |
二分查找/采用分而治之的二分策略 | O(nlogn) |
简单的 for 循环 | O(n) |
两个顺序执行的 for 循环 | O(n)+O(n)=O(2n) ,即 O(n) |
两个嵌套的 for 循环 | O(n²) |
针对在平时算法学习和工作中,我们需要有一个意识:时间昂贵、空间廉价。所以,如果遇到复杂度比较高的情况,需要对其进行降阶处理。常规步骤如下:
- 先暴力解法: 在没有任何时间、空间约束下,完成代码任务的开发
- 无效操作处理: 将代码中的无效计算、无效存储剔除,降低时间或空间复杂度
- 时空转换:设计合理数据结构,完成时间复杂度向空间复杂度的转移
针对算法复杂度,其实有一个大O 表示法,而上面的介绍只是简单的把一些概念给罗列了一下,如果对如何计算和各种复杂度的分类可以参考一些专业的书。
原地排序和稳定性
原地排序:指在排序过程中不申请多余的存储空间,只利用原来存储待排数据的存储空间进行比较和交换的数据排序
稳定性:能保证两个相等的数,经过排序之后,其在序列的前后位置顺序不变
(A1=A2,排序前A1在A2前面,排序后A1还在A2前面)
两个变量值互换
现在,存在变量a=1
/b=2
,想要将它们的值互换。
一个信手拈来的代码。
let a =1,b=2;
let temp;
temp =a;
a = b;
b = temp;
有问题,没有问题,但是不够优雅。其实,我们可以不借用第三个零时变量就可以将两个变量的值,直接替换了。
我们可以利用位运算的异或运算符(^
),连续对两个数a和b进行三次异或运算,a^=b; b^=a; a^=b
;,可以互换它们的值。
let a =1,b=2;
a ^ =b;
b ^ =a;
a ^ =b;
利用^
处理变量互换,倒是省去了,temp
变量了,但是针对位运算的操作,让代码看起来很晦涩难懂。
我们可以ES6的一些特性做点事。而这次轮到了解构
。
let a =1,b=2;
[a,b] = [b,a];
就是这么神奇。
util工具函数
为了篇幅能够紧凑,我们将本文中用到的一些比较常规的函数,汇集到这里。
用于数组 数据交换
function swap(arr,i,j) {
return [arr[i],arr[j]]=[arr[j],arr[i]];
}
用于数据对比
const Compare = {
LESS_THAN: -1,
BIGGER_THAN: 1
};
function defaultCompare(a, b) {
if (a === b) return 0;
return a < b ?
Compare.LESS_THAN : Compare.BIGGER_THAN;
}
1. {交换排序|Swap Sort}
交换排序最主要的特点就是找{主元| pivot }
{冒泡排序|Bubble Sort}
function Bubble(arr){
let len = arr.length;
if(len<2) return arr; // 处理边界值
for(let i=0;i<len-1;i++){
// 注意j的范围[0,len-i-1) =>左关右开
for(let j=0;j<len-i-1;j++){
if(arr[j]>arr[j+1])
swap(arr,j,j+1);
}
}
return arr;
}
上面我们只是构建了一个最简单的BubbleSort
,其实还有各种优化的空间。
案例分析
假设,我们现在有arr = [5,4,3,2,1]
的数组,要求对该数组,进行排序,使其数据升序排列。
通过,一个简单的例子,我们再继续分析,上面的的一些关键点。BubbleSort
本质上就是一种SwapSort
,而交换排序最关键的点,就是需要在每次遍历过程中寻找主元(pivot)。 而冒泡排序中,外层循环只是控制,需要最多循环的次数,数据对比和交换是在内层循环中处理。
也就是说
冒泡排序中内层循环
arr[j]
是主元
优化处理
在上面的例子中,我们只是构建了一个最简单的例子,其实,针对上面的例子,还有很多需要改进的地方。 比如,
- 在比对的时候,只有在主元满足交换条件的时候,才进行后续处理。按升序来举例,只有满足
arr[j]>arr[j+1]
,才进行数据交换。而对于一些,天生升序的序列,没必要每个数据都进行条件判断。此时,我们需要在外层循环定义一个变量isSorted
(默认值为true)来标识。 - 通过配置,能满足升序/降序排序
直接上代码了。
function Bubble(arr,compareFn = defaultCompare){
let len = arr.length;
if(len<2) return arr; // 处理边界值
for(let i=0;i<len-1;i++){
let isSorted = true;
for(let j=0;j<len-i-1;j++){
if(compareFn(arr[j],arr[j+1]=== Compare.BIGGER_THAN)){
swap(arr,j,j+1);
isSorted = false;
}
}
// 如果在经历过一次内层循环,发现没有需要交换的数据
// 说明,该序列天生有序,直接返回即可
if(isSorted) break;
}
return arr;
}
复杂度 & 稳定性
既然聊到了算法,有时候,顺带会问,该算法对应的复杂度。我们就不做具体分析了,直接说结论。
BubbleSort
- 时间复杂度 最好为
O(n)
(天生有序), 平均为O(n²)
, 最坏为O(n²)
(天生反序) - 空间复杂度为
O(1)
(不需要额外的空间,就可以完成排序操作) - 稳定排序
{快排|Quick Sort}
QuickSort
是对BubbleSort
的一种改进,采用了分而治之的思路
快排也是交换排序的一种。
处理Quicksort
主要包含以下3步
- 从数组中取出一个元素,叫做主元(
pivot
) - 重排序数组
- 使得所有小于
pivot
的元素在它前面, - 所有大于
pivot
的元素在它后面, - 等于pivot的元素放在哪面都行
这样的划分以后,pivot的位置已经排好了,这个过程叫做partition
操作
- 使得所有小于
- 递归地应用步骤2到小于pivot的子数组和大于pivot的子数组
而快排的主要难点就是如何寻找主元位置。一般有两种算法:
- Hoare partition scheme:该模式选择数组中的中间元素作为 pivot
- Lomuto partition scheme:该模式选择数组中的最后一个元素作为 pivot
通过一些计算,发现Hoare partition
比 Lomuto partition
高效。 所以,我们就直接按照Hoare partition
模式(挑选数组中间元素作为pivot
)进行算法的书写。
因为,涉及到递归,所以,我们用一个helper
来承接递归的相关代码。
const quickSort = arr => helper(arr,0,arr.length-1);
const helper = (arr,lo,hi) => {
if(lo>=hi) return ; // 递归出口,防止出现死循环
// 针对当前lo/hi的值,找出对应的pivot的位置
const pivot = partition(arr,lo,hi);
// 递归处理,pivot位置之前的数据
helper(arr,lo,pivot-1);
// 递归处理,pivot位置之后的数据
helper(arr,pivot,hi);
}
partition
:找出主元的位置。
const partition = (arr,lo,hi) => {
// 利用 >>运算来计算,lo/hi的中间位置
const pivot = lo + ((hi-lo)>>1);
let i = lo,j =hi;
while(i<=j){
// 过滤掉,不需要处理的值
while(arr[i]<arr[pivot]) i++;
while(arr[j]>arr[pivot]) j--;
// 找到,前后各自需要掉包的位置,并且将其swap处理。
if(i<=j) swap(arr,i++,j--);
}
// 这里是关键点
return i;
}
我们将主要的步骤的注释都标注在代码中了,后面也是这种处理风格。但是,针对一些需要特别注意的点,有会单拎出来。
针对partition
中,while
中调用swap
的地方需要特别指出。 swap(arr,i++,j--)
,在经过一系列比对后,发现在pivot
前后i/j
位置,是需要掉包的数据。然后,过段启动swap
进行数据替换,而此时,一个很小的细节,需要注意,在数据替换完成后,需要将对应的游标(指针)进行更新处理。 也就是i++/j--
案例分析
现在有arr=[3,5,1,6,4,7,2]
的数组。对其进行快排处理,使数据升序排列。
继续对数组进行处理,此时(7/6已经被处理完了),下面展示了有较小值的子数组执行的划分操作。
复杂度 & 稳定性
QuickSort
- 时间复杂度 最好为
O(nlogn)
, 平均为O(nlogn)
, 最坏为O(n²)
- 空间复杂度为
O(logn)
- 不稳定排序
2. {插入排序|Insertion Sort}
插入排序最主要的特点就是找{哨兵| Sentienl}
{插入排序|Insertion Sort}
主要的特点就是:找到已存数据列表中插入位置,将数据插入对应位置。
具体思路分析,将数组中的数据分为两个区间
- 未排序区间:
- 正向遍历 (从左向右)
- 外层循环
i∈ [1,len)
- 已排序区间:
-
初始已排序区间只有一个元素,就是数组的第一个元素,
-
反向遍历 (从右向左)
-
内层循环
j ∈ [0,i-1]
-
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
function insertionSort(arr){
let len = arr.length;
if(len<2) return arr; // 处理边界值
let i,j,sential;
// 外层循环:处理未排数据
for(i=1;i<len;i++){
sential = arr[i]; //初始化哨兵
// 内层循环: 在已排数据中,找到合适的位置
for(j=i-1;j>=0&&arr[j]>sential;j--){
arr[j+1] = arr[j]; // 数据移动
}
arr[j+1] = sential;
}
return arr;
}
上面的代码很简单,但是有些比较重要的点,需要重点提醒一下:
- 外层循环: 从未排数据中取最左侧的节点,作为哨兵(
sential
) - 内层循环: 当
arr[j]>sential
时,需要将已排区间的值,整体后移(arr[j+1]=arr[j]
) - 在退出内层循环后,最终的位置被确定,同时,j--的处理,也让最终位置向前偏移,此时
j
的值,位于sential
插入位置的前一位 so,arr[j+1]= sential
案例分析
现在有arr=[3,4,2,1]
的数组。对其进行快排处理,使数据升序排列。
复杂度 & 稳定性
InsertionSort
- 时间复杂度 最好为
O(n)
, 平均为O(n²)
, 最坏为O(n²)
- 空间复杂度为
O(1)
- 稳定排序
{希尔排序|Shell Sort}
希尔排序,也称递减增量排序算法,是插入排序的一种更高效的改进版本。该算法实质上是一种分组插入方法。
希尔排序的基本思想是:
- 先将整个待排序的记录序列分割成为若干子序列,然后对其进行插入排序
- 待整个序列中的记录基本有序时,再对全体记录进行插入排序
算法步骤:
- 选择一个增量序列
t1,t2,……,tk
,其中ti > tj
,tk = 1
; - 按增量序列个数 k,对序列进行 k 趟排序
- 每趟排序,根据对应的增量
ti
,将待排序列分割成若干长度为m
的子序列,分别对各子表进行直接插入排序
针对于 ShellSort
最关键的是增量的选取标准。有很多标准,对应其复杂度也不尽相同。比较出名的增量公式如下。
- Hibbard增量 : 通项公式
2^k-1
,即1,3,7,15......
- Sedgewick增量: 通项公式
4^k - 3*2^k + 1
,即1, 5, 19, 41, 109.....
这篇文章只是为了,罗列常规的排序算法,而不是针对某一个算法进行详细分析。所以,我们选取一种比较通俗易懂的方式来讲解: 希尔增量-逐步折半的增量方法
希尔增量-逐步折半的增量方法
function ShellSort(arr){
let len = arr.length;
if(len<2) return arr; // 边界值处理
//确定希尔增量的初始值(假设为序列长度的一半)
let t = len>>1;
let i,j,sential;
while(t>=1){// 当增量大于等于1时,执行排序
// 把距离为 t的元素编为一个组,扫描所有组
// 外循环: 处理未排序数据
for(i=t;i<len;i++){
sential = arr[j]; //初始化哨兵
//内层循环: 在已排数据中,找到合适的位置
for(j=i-t;j>=0&&arr[j]>sential;j=j-t){
arr[j+1] = arr[j]; // 数据移动
}
arr[j+1] = sential;
}
t = t>>1; //采用折半的方式,减小增量
}
return arr;
}
没有对比,就不会发现好玩的东西。 很明显,ShellSort
核心处理逻辑就是InsertionSort
。
<,>
InsertionSort
,认为是ShellSort
增量t =1
处理
案例分析
现在有arr=[5,8,6,3,9,2,1,7]
的数组。对其进行shell排序处理,使数据升序排列。
复杂度 & 稳定性
ShellSort
- 时间复杂度 最好为
O(nlog(n))
, 平均为O(n(log(n))²)
, 最坏为O(n(log(n))²)
- 空间复杂度为
O(1)
- 非稳定排序
{选择排序|Selection Sort}
选择排序最主要的特点就是找极值的序号(
minIndex/largestIndex
)
实现思路有点类似插入排序,将数组中的数据分为两个区间
- 已排序区间:
- 初始已排序区间只有一个元素,就是数组的第一个元素即
minIndex=i=0
- 正向遍历 (从左向右)
- 外层循环
i∈ [0,len-1)
- 初始已排序区间只有一个元素,就是数组的第一个元素即
- 未排序区间:
- 正向遍历 (从左向右)
- 内层循环
j ∈ [i+1,len)
每次会从未排序区间中找到最小的元素,将其放到已排序区间的末尾
function selectionSort(arr){
let len = arr.length;
if(len<2) return arr; // 处理边界值
let i,j,minIndex;
// 外层循环: 控制迭代轮次
for(i=0;i<len-1;i++){
minIndex = i;
// 内层循环:从内层循环中找到最小值的位置
for(j=i+1;j<len;j++){
// 在未排区域寻找最小的数,并记录其位置j
if(arr[j]<arr[minIndex]) minIndex = j;
}
// 内层循环完毕,最小值确定,和已排区间最后一位交互位置
swap(arr,i,minIndex);
}
return arr;
}
案例分析
现在有arr=[5,4,3,2,1]
的数组。对其进行选择排序处理,使数据升序排列。
复杂度 & 稳定性
SelectionSort
- 时间复杂度 最好为
O(n²)
, 平均为O(n²)
, 最坏为O(n²)
- 空间复杂度为
O(1)
- 非稳定排序
其实,针对利用选择排序的思路实现的排序算法,还有一个堆排序(HeapSort
),但是由于篇幅和涉及到的点,有点多,所以以后可以单独出一个关于HeapSort
相关的文章。在React -Fiber
中用到的调度算中,涉及到优先队列(PriorityQueue
)其实就可以用二叉堆
实现。
4. {归并排序|Merge Sort}
归并排序是一种分而治之算法。其思想是将原始数组切分成较小的数组,直到每个小数组只有一个位置,接着将小数组归并成较大的数组,直到最后只有一个排序完毕的大数组。
由于是分治法,归并排序也是递归的。所以,需要一个helper函数
,这点和快排很像。
分而治之
该算法采用经典的分治(divide-and-conquer
D&C)策略
分阶段(divide): 就是递归拆分子序列的过程。递归深度为。
治阶段(conquer):将两个已经有序的子序列合并成一个有序序列。
const mergeSort =(arr) => helper(arr,0,arr.length-1);
function helper(arr,lo,hi)=>{
if(lo>=hi) return;
// 从中间将数组分成两个部分
const mid = lo + ((hi - lo)>>1);
// 分阶段:分别递归地将左右两半排好序
helper(arr,lo,mid);
helper(arr,mid +1,hi);
// 治阶段:将排好序的左右两半合并
merge(arr,lo,mid,hi);
}
function merge(arr,lo,mid,hi){
// i 指针表示左半边的起始位置
let i = lo;
// j 表示右半边的起始位置
let j = mid + 1;
// k 指针表示从什么位置开始修改原来的数组
let k = lo;
// 复制一份原来的数组
const copy = arr.slice();
while(i<=mid && j<=hi){
if(copy[i]<copy[j]){
arr[k++] = copy[i++];
}else{
arr[k++] = copy[j++];
}
}
while(i<=mid) arr[k++] = copy[i++];
while(j<=hi) arr[k++] = copy[j++];
}
while
语句一共出现四种情况:
- 左边的数小于右边的数,将左边的数拷贝到合适的位置,
i
指针往前移动一位 - 右边的数小于左边的数,将右边的数拷贝到合适的位置,
j
指针往前移动一位 - 左半边的数都处理完毕,只剩下右半边的数,只需要将右半边的数逐个拷贝过去
- 右半边的数都处理完毕,只剩下左半边的数,只需要将左半边的数逐个拷贝过去
然后,我们看到了,copy
用于数据比较,arr
用于数据迁移。
k
指针表示从什么位置开始修改原来的数组。
案例分析
现在有arr=[8,4,5,7,1,3,6,2]
的数组。对其进行选择排序处理,使数据升序排列。
复杂度 & 稳定性
MergeSort
- 时间复杂度 最好为
O(nlog(n))
, 平均为O(nlog(n))
, 最坏为O(nlog(n))
- 空间复杂度为
O(n)
(用到copy
数组) - 稳定排序
前后呼应
防止,经过长时间的细节处理,文章刚开始的打油诗估计忘了。然后,再来一遍。
- 排序算法种类多,常规算法要记牢
- 交换排序找主元(pivot),
Bubble
/Quick
齐上阵Bubble
双层循环O(n²)
,主元藏于内层循环arr[j]Quick
分治递归O(nlogn)
,partition
中值效率高
- 插入排序找哨兵(sential),
Insertion/Shell
双胞弟,Insertion
区间分两段
外层未排i∈ [1,len)
内层已排j ∈ [0,i-1]
,sential
初始为arr[1]
Shell
while
(增量>=1),
内核照抄Insertion
只将i=1/j=i-1
改为i=t/j=i-t
- 选择排序找极值的序号(
minIndex
),Selection/Heap
一路数Selection
区间分两段
外层已排i∈ [0,len-1)
内层未排j∈ [1,len)
minIndex
初始为i
且为0
- 归并排序
D&C
思想好- 先分后治
- 分用递归来处理
- 找退出条件
lo>=hi
- 找中值
mid = lo + ((hi-lo)>>1)
- 递归双区间
- 找退出条件
- 治阶段
- 找前后区间起始位置
i= lo/j=mid+1
- 找修改原数组的位置
k = lo
- 复制原数组
copy
- 数据移动
- 找前后区间起始位置
后记
分享是一种态度。
看都看到这里了,那就劳烦,动动小手手,一键三连哇