基本排序

什么是递归

　　简但来说递归的特点就是，能够自己调用自己，就像两块镜子相对而放，一个合格的递归应当拥有：一个入口，一个出口，即限制自己在自己的程序体中调用自己。

评价算法好坏的标准

　　两个概念：时间复杂度和空间复杂度（代码是否容易实现）

　　时间复杂度：用于体现算法执行时间的快慢，用O表示。一般常用的有：几次循环就为O(n几次方)  循环减半的O(logn)

　　空间复杂度：用来评估算法内存占用大小的一个式子，通常情况下会选择使用空间换时间

 查找算法　　

　　列表查找：从列表中查找指定元素

　　　　输入：列表、待查找元素

　　　　输出：元素下标或未查找到元素　

　　　　 顺序查找：从列表中的第一个元素开始，顺序进行搜索，直到找到为止，复杂度为O(n)

　　 　    二分查找：从有序列表中，通过待查值与中间值比较，以减半的方式进行查找，复杂度为O(logn)

　　　　代码如下：

list = [1,2,3,4,5,6,7,8,9]
element = 7
def ord_sear(list,element):
    for i in range(0,len(list)):
        if list[i] == element:
            print('list[{0}]={1}'.format(i,element))
            return i
    else:
        print('not found')

def bin_sear(list,element):
    low = 0
    high = len(list)-1
    while low<=high:
        mid = (low+high)//2
        if element == list[mid]:
            print('list[{0}]={1}'.format(mid,element))
            return mid
        elif element > list[mid]:
            low =mid +1
        else:
            high =mid -1
    return None


i = bin_sear(list,element)
j = ord_sear(list,element)

　　二分查找虽然在时间复杂度上优于顺序查找，但是有比较苛刻的条件，即列表必须为有序的。

　　在二分查找的基础上进一步扩展的插值查找法其实是一样的思想：

　　插值算法的总体时间复杂度仍然属于O(log(n))级别的。其优点是，对于表内数据量较大，且关键字分布比较均匀的查找表，使用插值算法的平均性能比二分查找要好得多。反之，对于分布极端不均匀的数据，则不适合使用插值算法。

# 插值查找算法
# 时间复杂度O(log(n))

def binary_search(lis, key):
    low = 0
    high = len(lis) - 1
    time = 0
    while low < high:
        time += 1
        # 计算mid值是插值算法的核心代码
        mid = low + int((high - low) * (key - lis[low])/(lis[high] - lis[low]))
        print("mid=%s, low=%s, high=%s" % (mid, low, high))
        if key < lis[mid]:
            high = mid - 1
        elif key > lis[mid]:
            low = mid + 1
        else:
            # 打印查找的次数
            print("times: %s" % time)
            return mid
    print("times: %s" % time)
    return False

 斐波那契查找

由插值算法带来的启发，发明了斐波那契算法。其核心也是如何优化那个缩减速率，使得查找次数尽量降低。
使用这种算法，前提是已经有一个包含斐波那契数据的列表
F = [1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144,…]

 

# 斐波那契查找算法
# 时间复杂度O(log(n))

def fibonacci_search(lis, key):
    # 需要一个现成的斐波那契列表。其最大元素的值必须超过查找表中元素个数的数值。
    F = [1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144,
         233, 377, 610, 987, 1597, 2584, 4181, 6765,
         10946, 17711, 28657, 46368]
    low = 0
    high = len(lis) - 1
    
    # 为了使得查找表满足斐波那契特性，在表的最后添加几个同样的值
    # 这个值是原查找表的最后那个元素的值
    # 添加的个数由F[k]-1-high决定
    k = 0
    while high > F[k]-1:
        k += 1
    print(k)
    i = high
    while F[k]-1 > i:
        lis.append(lis[high])
        i += 1
    print(lis)
    
    # 算法主逻辑。time用于展示循环的次数。
    time = 0
    while low <= high:
        time += 1
        # 为了防止F列表下标溢出，设置if和else
        if k < 2:
            mid = low
        else:
            mid = low + F[k-1]-1
        
        print("low=%s, mid=%s, high=%s" % (low, mid, high))
        if key < lis[mid]:
            high = mid - 1
            k -= 1
        elif key > lis[mid]:
            low = mid + 1
            k -= 2
        else:
            if mid <= high:
                # 打印查找的次数
                print("times: %s" % time)
                return mid
            else:
                print("times: %s" % time)
                return high
    print("times: %s" % time)
    return False

if __name__ == '__main__':
    LIST = [1, 5, 7, 8, 22, 54, 99, 123, 200, 222, 444]
    result = fibonacci_search(LIST, 444)
    print(result)

算法分析：斐波那契查找的整体时间复杂度也为O(log(n))。但就平均性能，要优于二分查找。但是在最坏情况下，比如这里如果key为1，则始终处于左侧半区查找，此时其效率要低于二分查找。

总结：二分查找的mid运算是加法与除法，插值查找则是复杂的四则运算，而斐波那契查找只是最简单的加减运算。在海量数据的查找中，这种细微的差别可能会影响最终的查找效率。因此，三种有序表的查找方法本质上是分割点的选择不同，各有优劣，应根据实际情况进行选择。

排序算法

　　列表排序是编程中一个最基本的方法，应用场景非常广泛，比如各大音乐、阅读、电影、应用榜单等，虽然python为我们提供了许多排序的函数，但我们那排序来作为算法的练习再好不过。

　　首先介绍的是最简单的三种排序方式：1 冒泡排序 2 选择排序 3 插入排序

　　冒泡排序：列表中每相邻两个如果顺序不是我们预期的大小排列，则交换。时间复杂度O(n^2)

def bubble(list):
    high = len(list)-1      #指定一个最高位
    while high>0:
        for i in range(0,high):
                if list[i]>list[i+1]:   #如果比下一位大
                    list[i],list[i+1] = list[i+1],list[i]   #交换位置
        high -=1            #最高位减1
    return list #返回列表

print(bubble(list))

　　优化一下：

list = [3,1,5,7,8,6,2,0,4,9]
def bubble(list):
    high = len(list)-1      #定一个最高位

    for j in range(high,0,-1):
        exchange = False    #交换的标志，如果提前排好序可在完整遍历前结束
        for i in range(0,j):
            if list[i]>list[i+1]:   #如果比下一位大
                list[i],list[i+1] = list[i+1],list[i]   #交换位置
                exchange = True #设置交换标志
        if exchange == False:
            return list     # return list #返回列表
print(bubble(list))

　　选择排序：一趟遍历选择最小的数放在第一位，再进行下一次遍历直到最后一个元素。复杂度依然为O(n^2)

list = [3, 1, 5, 7, 8, 6, 2, 0, 4, 9]
def choice(list):
    for i in range(0,len(list)-1):
        min_loc = i
        for j in range(i+1,len(list)-1):
            if list[min_loc]>list[j]:   #最小值遍历比较
                min_loc = j
        list[i],list[min_loc] = list[min_loc],list[i]
    return list
print(choice(list))

　　插入排序：将列表分为有序区和无序区，最开始的有序区只有一个元素，每次从无序区选择一个元素按大小插到有序区中

list = [3,1,5,7,8,6,2,0,4,9]
def cut(list):
    for i in range(1,len(list)-1):
        temp = list[i]
        for j in range(i-1,-1,-1):  #从有序区最大值开始遍历
            if list[j]>temp:    #如果待插入值小于有序区的值
                list[j+1] = list[j] #向后挪一位
                list[j] = temp  #将temp放进去
    return list
print(cut(list))

　　这三种排序方式时间复杂度都是O(n^2)，不太高效，所以下面介绍几种更高效的排序方式

　　1 快速排序：好写的排序里最快的，快的排序里最好写的。步骤为1 提取 2 左右分开 3 递归调用

list = [3,1,5,7,8,6,2,0,4,9]
def partition(left=0,right=len(list)-1,list):
    temp = list[left]
    while left < right:
        while left<right and list[right]>temp:      #当右边值较大时，值不动
            right -=1
        list[left]=list[right]          #否则移动到左边
        while left<right and list[left]<temp:
            left +=1
        list[right]=list[left]
    list[left]=temp
    return left     #返回leftright都可以，值是一样的
def quick_sort(left,right,list):
    while left<right:      #迭代中断
        mid = partition(left,right,list)        #获取中间位置
        quick_sort(left,mid-1,list)     #小序列进一步迭代
        quick_sort(mid+1,right,list)    #大序列进一步迭代
    return list         #返回列表
print(quick_sort(left,right,list))

'''
快速排序，取一个元素将它左边放比他小，右边比它大
递归
http://idea.ibdyr.com 

'''
import random


def partition(li, left, right):
    ###########解决办法###########
    si = random.randint(left, right)
    li[left], li[si] = li[si], li[left] #随机交换最左位置的元素，以免出现极端情况
    ############################
    tmp = li[left] #记录下最左位置的元素
    while left < right: #必须左边有元素才成立
        while li[right] >= tmp and left < right:
            # 从右边寻找一个小于tmp的值
            right -= 1
        li[left] = li[right]#将右边那个值赋予左边这个位置上
        while li[left] <= tmp and left < right:
            left += 1#从左边找一个大于tmp的值
        li[right] = li[left]#将左边那个值放在右边的位置上
    li[left] = tmp#将最开始左边位置的值放在左边位置上
    return left


def quick_sort(li, left, right):
    if left < right:  # z至少两个元素
        mid = partition(li, left, right)
        quick_sort(li, left, mid - 1)
        quick_sort(li, mid + 1, right)


li = list(range(10))
random.shuffle(li)
quick_sort(li,0,len(li)-1)

'''
# 快拍是最快的时间复杂度大概是O(nlogn)
问题：
    递归效率低，递归深度问题
    最坏情况
        9 8 7 6 5 4 3 2 1
        每层递归都只有一遍有数据
        时间复杂度是n**2
        这种情况在根本上无法避免
    解决方法：随机找一个元素将它与第一个元素进行交换,无法完全避免
'''

　　

　　快排的时间复杂度最佳情况是O(nlogn)，最差情况是O(n^2)

　　下面要介绍堆排序了。在介绍堆排序之前先简单提一下树的概念：

　　树是一种数据结构（比如目录），树是一种可以递归的数据结构，相关的概念有根节点、叶子节点，树的深度（高度），树的度（最多的节点），孩子节点/父节点，子树等。

　　在树中最特殊的就是二叉树（度不超过2的树），二叉树又分为满二叉树和完全二叉树，见下图：

　　二叉树的储存方式有：1 链式储存 2 顺序储存（列表）

　　父节点和左孩子节点的编号下表的关系为 i  -->  2i+1,右孩子则是i  --> 2i+2  最后一个父节点为(len(list)//2-1)  由此可以通过父亲找到孩子或相反。

　　知道了树就可以说说堆了，堆分为大根堆和小根堆，分别的定义为：一棵完全二叉树，满足任一节点都比其孩子节点大或者小。

　　堆排序的过程：

1. 1. 建立堆
   2. 得到堆顶元素，为最值
   3. 去掉堆顶，将最后一个元素放到堆顶，进行再一次堆排序（迭代）
   4. 第二次的堆顶为第二最值
   5. 重复3，4直到堆为空

　　代码为：

list = [3, 1, 5, 7, 8, 6, 2, 0, 4, 9]
def sift(low, high, list):#low为父节点，high为最后的节点编号
    i = low
    j = 2 * i + 1       #子节点位置
    temp = list[i]      #存放临时变量
    while j <= high:    #遍历子节点到最后一个
        if j < high and list[j] < list[j + 1]:#如果第二子节点大于第一子节点
            j += 1      
        if temp < list[j]:      #如果父节点小于子节点的值
            list[i] = list[j]   #父子交换位置
            i = j               #进行下一次编号
            j = 2 * i + 1
        else:
            break       #遍历完毕退出
    list[i] = temp      #归还临时变量
def heap_sort(list):
    n = len(list)
    for i in range(n // 2 - 1, -1, -1): #从最后一个父节点开始
        sift(i, n-1, list)#完成堆排序
    for i in range(n - 1, -1, -1):#开始排出数据
        list[0], list[i] = list[i], list[0]#首尾交换
        sift(0, i - 1, list)    #进行新一轮堆排序
    return list
print(heap_sort(list))

 　　归并排序：假设列表中可以被分成两个有序的子列表，如何将这两个子列表合成为一个有序的列表成为归并。

　　原理如下图：

　　代码如下：

def merg(low,high,mid,list):
    i = low
    j = mid +1
    list_temp = []      #定义临时列表
    while i <=mid and j <=high:
        if list[i]<=list[j]:        #分别比较有序子列表元素的大小
            list_temp.append(list[i])   #添加进临时列表中
            i +=1
        else:
            list_temp.append(list[j])
            j +=1
    while i <= mid:
        list_temp.append(list[i])
        i +=1
    while j <= high:
        list_temp.append(list[j])
        j +=1
    list[low:high+1]=list_temp  #将已完成排序的列表赋值给原列表相应位置
def merge_sort(low,high,list):
    if low < high:
        mid = (low+high)//2 #二分法
        merge_sort(low,mid,list)
        merge_sort(mid+1,high,list)#递归调用，
        merg(low,high,mid,list)
    return list
list = [3,1,5,7,8,6,2,0,4,9]
print(merge_sort(0,len(list)-1,list))

 version2 代码量更少：

def MergeSort(lists):
    if len(lists) <= 1:
        return lists
    num = int(len(lists) / 2)
    left = MergeSort(lists[:num])
    right = MergeSort(lists[num:])
    return Merge(left, right)
def Merge(left, right):
    r, l = 0, 0
    result = []
    while l < len(left) and r < len(right):
        if left[l] < right[r]:
            result.append(left[l])
            l += 1
        else:
            result.append(right[r])
            r += 1
    result += right[r:]
    result += left[l:]
    return result
print(MergeSort(list))

快排，堆排，归并的总结：

• 时间复杂度都是O(nlogn)
• 快排<归并<堆排（一般情况）
• 快排的缺点：极端情况效率较低，可到O(n^2),归并则是需要额外的开销，堆排则在排序算法中相对较慢