Evernote Export
算法的思想是能省则省，内存能少则少，时间运行能少尽量少
堆排序的时间复杂度O(nlogn)
堆排序的内置模块heapq
常用函数 heapify(x)
heappush(heap, item)
heappop(heap)
topkey问题
现在有n个数，设计算法得到前k大的数(k>n)
解决思路：
排序后切片 O(nlogn)
排序lowB三人组 O(kn)
堆排序 O(nlogk)
堆排序解决思路
取列表前k个元素建立一个小根堆，堆顶就是目前第k大的数
一次向后遍历原列表，对于列表中的元素，如果小于堆顶，则忽略该元素，如果大于堆顶，则将堆顶更换为该元素，并且对堆进行一次调整
归并排序
假设现在的列表分两段有序，如何将其合成为一个有序列表
归并排序
分解：将列表越分越小，直至分成一个元素
终止条件：一个元素是有序的
合并：将两个有序列表归并，列表越来越大
三种排序算法小结
时间复杂度都是O(logn)
一般情况下，就运行时间而言：快速排序<归并排序<堆排序
三种排序算法的缺点：
快速排序：极端情况下排序效率低
归并排序：需要额外的内存开销
堆排序：在快的排序算法中相对较慢
|
排序方法
|
时间复杂度
|
空间复杂度
|
稳定性
|
代码复杂度
|
||
|
最坏情况
|
平均情况
|
最好情况
|
||||
|
冒泡排序
|
O(n^2)
|
O(n^2)
|
O(n)
|
O(1)
|
稳定
|
简单
|
|
直接选择排序
|
O(n^2)
|
O(n^2)
|
O(n^2)
|
O(1)
|
不稳定
|
简单
|
|
直接插入排序
|
O(n^2)
|
O(n^2)
|
O(nlogn)
|
O(1)
|
稳定
|
简单
|
|
快速排序
|
O(n^2)
|
O(nlogn)
|
O(nlogn)
|
平均情况O(logn);
最坏情况O(n)
|
不稳定
|
较复杂
|
|
堆排序
|
O(nlogn)
|
O(nlogn)
|
O(nlogn)
|
O(1)
|
不稳定
|
复杂
|
|
归并排序
|
O(nlogn)
|
O(nlogn)
|
O(nlogn)
|
O(n)
|
稳定
|
较复杂
|