即使是同样的算法，不同的人写的代码，不同的应用场景下执行时间也可能差别很大。下面是一个测试数据：
测试的平均排序时间：数据是随机整数，时间单位是s 数据规模 快速排序 归并排序 希尔排序 堆排序 1000万 0.75 1.22 1.77 3.57 5000万 3.78 6.29 9.48 26.54 1亿 7.65 13.06 18.79 61.31
大数据量下，快速排序优于归并排序优于堆排序。
原因如下：
快速排序 vs 归并排序
当数据量越来越大时，
归并排序：比较次数少，速度慢。
快速排序：比较次数多，速度快。
快速排序的优势越来越明显。
原因分析：个人认为是当数据量越来越大时，尽管归并排序的比较次数较少，但是归并排序后期的合并操作所花费的时间便越来越大，合并操作对整体的效率影响越来越明显，包括后面大量数据的赋值操作等。所以当数据量变大时，不需要专门合并的快速排序的优势就变得越发明显。
快速排序 vs 堆排序
堆排序每次取一个最大值和堆底部的数据交换，重新筛选堆，把堆顶的X调整到位，有很大可能是依旧调整到堆的底部（堆的底部X显然是比较小的数，才会在底部），然后再次和堆顶最大值交换，再调整下来，可以说堆排序做了许多无用功。
总结起来就是，快排的最坏时间虽然复杂度高，但是在统计意义上，这种数据出现的概率极小，而堆排序过程里的交换跟快排过程里的交换虽然都是常量时间，但是常量时间差很多。