---

一、如何分析一个排序算法

1.1 排序算法的执行效率

1.1.1 最好情况、最坏情况、平均情况时间复杂度

1.1.1.1 最好、最坏情况分析

  我们在分析排序算法的时间复杂度时，要分别给出最好情况、最坏情况、平均情况下的时间复杂度。除此之外，你还要说出最好、最坏时间复杂度对应的要排序的原始数据是什么样的。

  为什么要区分这三种时间复杂度呢？第一，有些排序算法会区分，为了好对比，所以我们最好都做一下区分。第二，对于要排序的数据，有的接近有序，有的完全无序。有序度不同的数据，对于排序的执行时间肯定是有影响的，我们要知道排序算法在不同数据下的性能表现。

1.1.1.2 平均情况分析

  最好、最坏情况下的时间复杂度很容易分析，那平均情况下的时间复杂是多少呢？我们前面讲过，平均时间复杂度就是加权平均期望时间复杂度，分析的时候要结合概率论的知识。

  对于包含 n 个数据的数组，这 n 个数据就有 n! 种排列方式。不同的排列方式，冒泡排序执行的时间肯定是不同的。比如我们前面举的那两个例子，其中一个要进行 6 次冒泡，而另一个只需要 4 次。如果用概率论方法定量分析平均时间复杂度，涉及的数学推理和计算就会很复杂。我这里还有一种思路，通过“有序度”和“逆序度”这两个概念来进行分析。

  同理，对于一个倒序排列的数组，比如 6，5，4，3，2，1，有序度是 0；对于一个完全有序的数组，比如 1，2，3，4，5，6，有序度就是 n(n-1)/2*，也就是 15。我们把这种完全有序的数组的有序度叫作满有序度。

  逆序度的定义正好跟有序度相反（默认从小到大为有序）。所以我们可以推导出一个公式：

逆序度 = 满有序度 - 有序度

我们排序的过程就是一种增加有序度，减少逆序度的过程，最后达到满有序度，就说明排序完成了。

1.1.2 时间复杂度的系数、常数 、低阶

  我们知道，时间复杂度反映的是数据规模 n 很大的时候的一个增长趋势，所以它表示的时候会忽略系数、常数、低阶。但是实际的软件开发中，我们排序的可能是 10 个、100 个、1000 个这样规模很小的数据，所以，在对同一阶时间复杂度的排序算法性能对比的时候，我们就要把系数、常数、低阶也考虑进来。

1.1.3 比较次数和交换（或移动）次数

  基于比较的排序算法的执行过程，会涉及两种操作，一种是元素比较大小，另一种是元素交换或移动。所以，如果我们在分析排序算法的执行效率的时候，应该把比较次数和交换（或移动）次数也考虑进去。

1.2 排序算法的内存消耗

  算法的内存消耗可以通过空间复杂度来衡量，排序算法也不例外。不过，针对排序算法的空间复杂度，我们还引入了一个新的概念，原地排序（Sorted in place）。原地排序算法，就是特指空间复杂度是 O(1) 的排序算法。我们今天讲的三种排序算法，都是原地排序算法。

1.3 排序算法的稳定性

  针对排序算法，我们还有一个重要的度量指标，稳定性。这个概念是说，如果待排序的序列中存在值相等的元素，经过排序之后，相等元素之间原有的先后顺序不变。举个例子，如果我们有个电商系统，先将订单按照ID排序，再使用相同的算法按照订单金额排序。经过两次排序后，如果金额相同的订单ID顺序保持不变则认为该算法稳定，否则认为该算法不稳定。

二、排序算法分析

2.1 冒泡排序

2.1.1 算法代码

    public static void bubbleSort(int[] arr) {int size = arr.length;for (int i = 0; i < size; i++) {boolean changeFlag = false;for (int j = 0; j < size - i - 1; j++) {if (arr[j] > arr[j + 1]) {int tmp = arr[j];arr[j] = arr[j + 1];arr[j + 1] = tmp;changeFlag = true;}}if (!changeFlag) {break;}}}

2.1.2 算法分析

• 第一，冒泡排序是原地排序算法吗？
    冒泡的过程只涉及相邻数据的交换操作，只需要常量级的临时空间，所以它的空间复杂度为 O(1)，是一个原地排序算法。

• 第二，冒泡排序是稳定的排序算法吗？
    在冒泡排序中，只有交换才可以改变两个元素的前后顺序。为了保证冒泡排序算法的稳定性，当有相邻的两个元素大小相等的时候，我们不做交换，相同大小的数据在排序前后不会改变顺序，所以冒泡排序是稳定的排序算法。

• 第三，冒泡排序的时间复杂度是多少？
    最好情况下，要排序的数据已经是有序的了，我们只需要进行一次冒泡操作，就可以结束了，所以最好情况时间复杂度是 O(n)。而最坏的情况是，要排序的数据刚好是倒序排列的，我们需要进行 n 次冒泡操作，所以最坏情况时间复杂度为 O(n²)。
  
    最坏情况下，初始状态的有序度是 0，所以要进行 n*(n-1)/2 次交换。最好情况下，初始状态的有序度是 n*(n-1)/2，就不需要进行交换。我们可以取个中间值 n*(n-1)/4，来表示初始有序度既不是很高也不是很低的平均情况。 换句话说，平均情况下，需要 n*(n-1)/4 次交换操作，比较操作肯定要比交换操作多，而复杂度的上限是 O(n²)，所以平均情况下的时间复杂度就是 O(n²)。

2.2 插入排序

2.2.1 算法代码

    public static void insertSort(int[] arr) {int size = arr.length;for (int i = 1; i < size; i++) {int tmp = arr[i];int j = i - 1;for (; j >= 0; j--) {if (tmp < arr[j]) {arr[j + 1] = arr[j];} else {break;}}arr[j + 1] = tmp;}}

2.2.2 算法分析

• 第一，插入排序是原地排序算法吗？
    从实现过程可以很明显地看出，插入排序算法的运行并不需要额外的存储空间，所以空间复杂度是 O(1)，也就是说，这是一个原地排序算法。

• 第二，插入排序是稳定的排序算法吗？
    在插入排序中，对于值相同的元素，我们可以选择将后面出现的元素，插入到前面出现元素的后面，这样就可以保持原有的前后顺序不变，所以插入排序是稳定的排序算法。

• 第三，插入排序的时间复杂度是多少？
    如果要排序的数据已经是有序的，我们并不需要搬移任何数据。如果我们从尾到头在有序数据组里面查找插入位置，每次只需要比较一个数据就能确定插入的位置。所以这种情况下，最好是时间复杂度为 O(n)。注意，这里是从尾到头遍历已经有序的数据。
    如果数组是倒序的，每次插入都相当于在数组的第一个位置插入新的数据，所以需要移动大量的数据，所以最坏情况时间复杂度为 O(n²)。
    还记得我们在数组中插入一个数据的平均时间复杂度是多少吗？没错，是 O(n)。所以，对于插入排序来说，每次插入操作都相当于在数组中插入一个数据，循环执行 n 次插入操作，所以平均时间复杂度为 O(n²)。

2.3 选择排序

2.3.1 算法代码

    public static void selectSort(int[] arr) {int size = arr.length;for (int i = 0; i < size - 1; i++) {int minIndex = i;for (int j = i + 1; j < size; j++) {if (arr[j] < arr[minIndex]) {minIndex = j;}}int tmp = arr[i];arr[i] = arr[minIndex];arr[minIndex] = tmp;}}

2.3.2 算法分析

• 第一，选择排序是原地排序算法吗？
    选择排序空间复杂度为 O(1)，是一种原地排序算法。

• 第二，选择排序是稳定的排序算法吗？
    选择排序是一种不稳定的排序算法，选择排序每次都要找剩余未排序元素中的最小值，并和前面的元素交换位置，这样破坏了稳定性。

• 第三，选择排序的时间复杂度是多少？
    选择排序的最好情况时间复杂度、最坏情况和平均情况时间复杂度都为 O(n²)。

2.4 归并排序

2.4.1 算法代码

    public static void mergeSort(int[] arr, int startIndex, int endIndex) {if (startIndex >= endIndex) {return;}int middle = (startIndex + endIndex) / 2;mergeSort(arr, startIndex, middle);mergeSort(arr, middle + 1, endIndex);merge(arr, startIndex, endIndex);}public static void merge(int[] arr, int startIndex, int endIndex) {int[] arrNew = new int[endIndex - startIndex + 1];int middle = (startIndex + endIndex) / 2;int k = 0;int i = startIndex;int j = middle + 1;while (i <= middle && j <= endIndex) {if (arr[i] < arr[j]) {arrNew[k++] = arr[i++];} else {arrNew[k++] = arr[j++];}}int start = i;int end = middle;if (j <= endIndex) {start = j;end = endIndex;}while (start <= end) {arrNew[k++] = arr[start++];}for (int m = 0; m < arrNew.length; m++) {arr[startIndex++] = arrNew[m];}}

2.4.2 算法分析

• 第一，归并排序是原地排序算法吗？
    通过代码可以看到，在合并数组时，需要开辟额外的数组空间来保证顺序，所以归并排序不是原地排序算法。

• 第二，归并排序是稳定的排序算法吗？
    归并排序稳不稳定关键要看 merge() 函数，也就是两个有序子数组合并成一个有序数组的那部分代码。 在合并的过程中，如果 A[p…q]和 A[q+1…r]之间有值相同的元素，那我们可以像伪代码中那样，先把 A[p…q]中的元素放入 tmp 数组。这样就保证了值相同的元素，在合并前后的先后顺序不变。所以，归并排序是一个稳定的排序算法。

• 第三，归并排序的时间复杂度是多少？
    可以看到，归并排序主要就是通过递归的方式，即那求解问题 a 就可以分解为求解问题 b、c。问题 b、c 解决之后，我们再把 b、c 的结果合并成 a 的结果。
    
    如果我们定义求解问题 a 的时间是 T(a)，求解问题 b、c 的时间分别是 T(b) 和 T( c)，那我们就可以得到这样的递推关系式：T( a ) = T( b ) + T( c ) + K。其中 K 等于将两个子问题 b、c 的结果合并成问题 a 的结果所消耗的时间。
    
    我们假设对 n 个元素进行归并排序需要的时间是 T(n)，那分解成两个子数组排序的时间都是 T(n/2)。我们知道，merge() 函数合并两个有序子数组的时间复杂度是 O(n)。所以，套用前面的公式，归并排序的时间复杂度的计算公式就是：T(n) = 2*T(n/2) + n（当n=1时，T(1) = C）。
    
    通过这个公式，如何来求解 T(n) 呢？还不够直观？那我们再进一步分解一下计算过程。
    T(n) = 2*T(n/2) + n
       = 2(2T(n/4) + n/2) + n = 4T(n/4) + 2n
       = 4(2T(n/8) + n/4) + 2*n = 8T(n/8) + 3n
       = 8(2T(n/16) + n/8) + 3*n = 16T(n/16) + 4n
       …
       = 2^k * T(n/2^k) + k * n
      
    通过这样一步一步分解推导，我们可以得到 T(n) = 2kT(n/2k)+kn。当 T(n/2k)=T(1) 时，也就是 n/2^k=1，我们得到 k=log2n 。我们将 k 值代入上面的公式，得到 T(n)=Cn+nlog2n 。如果我们用大 O 标记法来表示的话，T(n) 就等于 O(nlogn)。所以归并排序的时间复杂度是 O(nlogn)。
    
    从我们的原理分析和代码可以看出，归并排序的执行效率与要排序的原始数组的有序程度无关，所以其时间复杂度是非常稳定的，不管是最好情况、最坏情况，还是平均情况，时间复杂度都是 O(nlogn)。

2.5 快速排序

2.5.1 算法代码

    public static void quickSort(int[] arr, int startIndex, int endIndex) {if (startIndex >= endIndex) {return;}int part = part(arr, startIndex, endIndex);quickSort(arr, startIndex, part - 1);quickSort(arr, part + 1, endIndex);}public static int part(int[] arr, int startIndex, int endIndex) {int midValue = arr[endIndex];int i = startIndex;int j = startIndex;for (; i < endIndex; i++) {if (arr[i] < midValue) {if (j == i) {j++;} else {int tmp = arr[i];arr[i] = arr[j];arr[j] = tmp;j++;}}}arr[endIndex] = arr[j];arr[j] = midValue;return j;}

2.5.2 算法分析

• 第一，快速排序是原地排序算法吗？
    通过代码可以看到，快速排序不需要开辟单独的空间，所以快速排序是原地排序算法。

• 第二，快速排序是稳定的排序算法吗？
    通过代码可以看出来，快速排序是基于“分而治之”思想的数据交换，所以快速排序不是稳定的排序算法。

• 第三，快速排序的时间复杂度是多少？
    快排也是用递归来实现的。对于递归代码的时间复杂度，我前面总结的公式，这里也还是适用的。如果每次分区操作，都能正好把数组分成大小接近相等的两个小区间，那快排的时间复杂度递推求解公式跟归并是相同的。所以，快排的时间复杂度也是 O(nlogn)。
    
    但是，公式成立的前提是每次分区操作，我们选择的 pivot 都很合适，正好能将大区间对等地一分为二。但实际上这种情况是很难实现的。
    
    我举一个比较极端的例子。如果数组中的数据原来已经是有序的了，比如 1，3，5，6，8。如果我们每次选择最后一个元素作为 pivot，那每次分区得到的两个区间都是不均等的。我们需要进行大约 n 次分区操作，才能完成快排的整个过程。每次分区我们平均要扫描大约 n/2 个元素，这种情况下，快排的时间复杂度就从 O(nlogn) 退化成了 O(n²)。
    
    但是我们可以通过首中尾三点取中法来尽量避免取到极限值的情况。首中尾三点取中法的意思就是取第一个节点、中间的节点、最后一个节点三者进行比较，取中间值作为分界点。

2.6 桶排序

2.6.1 算法代码

    public static void bucketSort(int[] arr, int bucketSize) {// 取最大最小值int minValue = arr[0];int maxValue = arr[0];int size = arr.length;for (int i = 0; i < size; i++) {if (arr[i] < minValue) {minValue = arr[i];}if (arr[i] > maxValue) {maxValue = arr[i];}}// 计算桶的个数int bucketCount = (maxValue - minValue) / bucketSize + 1;// 定义桶int[][] bucketArr = new int[bucketCount][bucketSize];// 记录每个桶里数据量int[] bucketIndexArr = new int[bucketCount];// 循环将放入桶中for (int i = 0; i < size; i++) {int bucketIndex = (arr[i] - minValue) / bucketSize;bucketArr[bucketIndex][bucketIndexArr[bucketIndex]] = arr[i];bucketIndexArr[bucketIndex]++;}// 为每个桶排序，并将排序好的桶数据重设到数组里int k = 0;for (int i = 0; i < bucketCount; i++) {if (bucketIndexArr[i] == 0) {continue;}// 这里使用的是快速排序，代码省略QuickSort.quickSort(bucketArr[i], 0, bucketIndexArr[i] - 1);for (int j = 0; j < bucketIndexArr[i]; j++) {arr[k++] = bucketArr[i][j];}}}

2.6.2 算法分析

• 第一，桶排序是原地排序算法吗？
    通过代码我们可以看到，桶排序需要新的桶（数组）来存储数据，那么桶排序算法不是原地排序算法。

• 第二，桶排序是稳定的排序算法吗？
    桶排序需要借助其他排序算法，由于我们这里借助的是快速排序（不稳定），所以这里的桶排序算法是不稳定的排序算法。

• 第三，桶排序的时间复杂度是多少？
    如果要排序的数据有 n 个，我们把它们均匀地划分到 m 个桶内，每个桶里就有 k=n/m 个元素。每个桶内部使用快速排序，时间复杂度为 O(k * logk)。m 个桶排序的时间复杂度就是 O(m * k * logk)，因为 k=n/m，所以整个桶排序的时间复杂度就是 O(n*log(n/m))。当桶的个数 m 接近数据个数 n 时，log(n/m) 就是一个非常小的常量，这个时候桶排序的时间复杂度接近 O(n)。
    
    桶排序比较适合用在外部排序中。所谓的外部排序就是数据存储在外部磁盘中，数据量比较大，内存有限，无法将数据全部加载到内存中。

2.7 计数排序

2.7.1 算法代码

// 计数排序，a是数组，n是数组大小。假设数组中存储的都是非负整数。
public void countingSort(int[] a, int n) {if (n <= 1) return;// 查找数组中数据的范围int max = a[0];for (int i = 1; i < n; ++i) {if (max < a[i]) {max = a[i];}}int[] c = new int[max + 1]; // 申请一个计数数组c，下标大小[0,max]for (int i = 0; i <= max; ++i) {c[i] = 0;}// 计算每个元素的个数，放入c中for (int i = 0; i < n; ++i) {c[a[i]]++;}// 依次累加for (int i = 1; i <= max; ++i) {c[i] = c[i-1] + c[i];}// 临时数组r，存储排序之后的结果int[] r = new int[n];// 计算排序的关键步骤，有点难理解for (int i = n - 1; i >= 0; --i) {int index = c[a[i]]-1;r[index] = a[i];c[a[i]]--;}// 将结果拷贝给a数组for (int i = 0; i < n; ++i) {a[i] = r[i];}
}

2.7.2 算法分析

• 第一，计数排序是原地排序算法吗？
    通过代码可以看到，我们需要一个单独的数组存储计数信息，所以计数排序不是原地排序算法。

• 第二，计数排序是稳定的排序算法吗？
    通过代码可以看到，在计数排序中，如果两个元素的计数结果不同，它们的相对顺序就会改变，因此计数排序是不稳定的排序算法。

• 第三，计数排序的时间复杂度是多少？
    通过代码我们可以看到，计数排序的时间复杂度是O(n)。
    但是计数排序只能用在数据范围不大的场景中，如果数据范围 k 比要排序的数据 n 大很多，就不适合用计数排序了。而且，计数排序只能给非负整数排序，如果要排序的数据是其他类型的，要将其在不改变相对大小的情况下，转化为非负整数。