探索数据结构：堆，计数，桶，基数排序的分析与模拟实现

本篇文章分享探索数据结构：堆，计数，桶，基数排序的分析与模拟实现，对你有帮助的话记得收藏一下，看Java资料网收获更多编程知识

✨✨ 欢迎大家来到贝蒂大讲堂✨✨

🎈🎈养成好习惯，先赞后看哦~🎈🎈

所属专栏：数据结构与算法
贝蒂的主页：Betty’s blog

1. 堆排序

1.1. 算法思想

堆排序(Heap Sort)是一种基于堆数据结构的排序算法。其核心思想是将待排序的元素构建成一个最大堆或最小堆，然后依次将堆顶元素与堆中最后一个元素交换，并重新调整堆，使得剩余元素重新满足堆的性质。重复这个过程直到所有元素都被取出，就得到了一个有序的序列。

1.2. 算法步骤

1. 建立一个大根堆(升序)。
2. 将堆顶元素与堆底末尾元素交换，这时待排序中最大元素成功放到正确的位置，并且将堆中待排序的元素个数size--。
3. 然后对堆顶元素进行向下调整，使剩余待排序元素重新形成一个大根堆。
4. 重复步骤2，3直至待排序元素个数size = 1，排序完成。

为什么升序要建大堆，降序要建小堆？

因为如果升序一旦建小堆的话，每一个取堆顶的元素之后都可能会破坏原本的堆的结构，都需要重新建堆，而建堆的时间复杂度为O(N)，这样N个元素的排序，时间复杂度就会劣化为O(N2 )。

1.3. 动图演示

1.4. 代码实现

void AdjustDown(int* arr, int n, int parent)
{
	int child = 2 * parent + 1;
	while (child < n)
	{
		if (child + 1 < n && arr[child] < arr[child + 1])
		{
			child++;
		}
		if (arr[child] > arr[parent])
		{
			swap(&arr[child], &arr[parent]);
			parent = child;
			child = 2 * parent + 1;
		}
		else
		{
			break;
		}
	}
}
void HeapSort(int* arr, int n)
{
	//向下调整建堆
	for (int i = (n - 1 - 1) / 2; i >= 0; i--)
	{
		AdjustDown(arr, n, i);
	}
	int end = n - 1;
	while (end > 0)
	{
		swap(&arr[0], &arr[end]);
		AdjustDown(arr, end, 0);
		end--;
	}
}

1.5. 复杂度分析

• 时间复杂度：向下调整建堆的时间复杂度为O(N)，向下调整的时间复杂度为O(logN)，一共N次。所以总时间为O(N+NlogN)，复杂度为O(NlogN)。
• 空间复杂度：没有开辟额外的空间，所以空间复杂度为O(1)。

2. 计数排序

2.1. 算法思想

**计数排序(Counting Sort)**是一种非比较性的排序算法，适用于一定范围内的整数排序。其核心思想是统计每个元素出现的次数，然后根据这个统计信息，将元素放置到正确的位置上。

2.2. 算法步骤

1. 找出待排序数组中的最大值max和最小值min。
2. 创建一个长度为max - min + 1的计数数组count，用于存储每个元素出现的次数。
3. 遍历待排序数组，统计每个元素出现的次数，将其存储在计数数组中相应的位置上。
4. 根据计数数组中的统计信息，将待排序数组重新排列。
5. 将排好序的元素从计数数组中放回待排序数组中。

2.3. 动图演示

2.4. 代码实现

void CountSort(int* arr, int n)
{
	//找出最大与最小元素
	int max = arr[0];
	int min = arr[0];
	for (int i = 0; i < n; i++)
	{
		if (arr[i] > max)
		{
			max = arr[i];
		}
		if (arr[i] < min)
		{
			min = arr[i];
		}
	}
	int range = max - min + 1;
	int* countArray = (int*)malloc(sizeof(int) * range);
	if (countArray == NULL)
	{
		perror("malloc fail：");
		return;
	}
	//初始化
	memset(countArray, 0, sizeof(int)*range);
	//统计各元素出现次数
	for (int i = 0; i < n; i++)
	{
		countArray[arr[i] - min]++;
	}
	int j = 0;
	for (int i = 0; i < range; i++)
	{
		while (countArray[i]--)
		{
			arr[j++] = i + min;
		}
	}
}

2.5. 复杂度分析

• 时间复杂度：遍历了原数组与range数组，所以时间复杂度为O(N+range)。
• 空间复杂度：开辟了大小为range的数组，所以空间复杂度为O(range)。

3. 桶排序

3.1. 算法思想

桶排序(Bucket Sort) 是一种适用于一定范围内的元素排序的算法。其核心思想是将待排序的元素分配到有限数量的桶中，然后分别对每个桶中的元素进行排序，最后按照顺序将各个桶中的元素依次取出，得到有序序列。

3.2. 算法步骤

1. 确定桶的每个桶的元素个数和桶的数量，将待排序数组中的元素分配到对应的桶中。

• 每个桶的元素个数：bucketsize=(max-min)/n+1，max，min，n分别为数组最大元素，最小元素，以及元素个数。每个桶的范围就是：[min,bucketsize)，[min+bucketsize,min+2*bucketsize)…
• 桶的数量：bucketnum=(max-min)/bucketsize+1，bucketsize为每个桶的元素个数。

1. 对每个桶中的元素进行排序，可以选择其他排序算法。
2. 将各个桶中的元素按照顺序取出，组成最终的有序序列。

为什么bucketnum与bucketsize 的计算最后要加1？

1. 首先是因为除法运算的结果是可以等于0的，而桶的数量与桶最大容纳个数是不可能为0，所以需要加1。
2. 其次我们默认每个桶的范围是左闭右开区间，如果不加1最大的元素可能无法进入桶内。

3.3. 动图演示

3.4. 代码实现

void BucketSort(int* arr, int n)
{
	//找出最大与最小元素
	int max = arr[0];
	int min = arr[0];
	for (int i = 0; i < n; i++)
	{
		if (arr[i] > max)
		{
			max = arr[i];
		}
		if (arr[i] < min)
		{
			min = arr[i];
		}
	}
	//每个桶的元素最大个数
	int bucketsize = (max - min) / n + 1;
	//桶的个数
	int bucketnum = (max - min) / bucketsize + 1;
	int bucket[bucketnum][bucketsize];
	int bucketcount[bucketnum];//每个桶当前元素个数计数器
	memset(bucket, 0, sizeof(bucket));
	memset(bucketcount, 0, sizeof(bucketcount));
	//将元素放入桶中
	for (int i = 0; i < n; i++)
	{
		int index = (arr[i] - min) / bucketsize;//第几个桶
		bucket[index][bucketcount[index]] = arr[i];
		bucketcount[index]++;//第几个桶的个数++
	}
	for (int i = 0; i < bucketnum; i++)
	{
		QuickSort(bucket[i], 0, bucketcount[i] - 1);
	}
	for (int i = 0; i < bucketnum; i++)
	{
		int t = 0;
		for (int j = 0; j < bucketcount[i]; j++)
		{
			arr[t++] = bucket[i][j];
		}
	}
}

3.5. 复杂度分析

• 时间复杂度：假设有N个元素，K个桶。假设元素在各个桶内平均分布，那么每个桶内的元素数量为N/K 。假设排序单个桶使用(N/K)log(N/K)时间，则排序所有桶使用Nlog(N/K)时间。 当桶数量K比较大时，时间复杂度则趋向于O(N) 。合并结果时需要遍历所有桶和元素，时间复杂度为O(N+K)。
• 空间复杂度：需要借助N个元素以及K个桶的辅助空间，所以空间复杂度为O(N+K)。

4. 基数排序

4.1. 算法思想

基数排序(Radix Sort)是一种非比较性的排序算法，适用于对整数或字符串等元素进行排序。其核心思想是将待排序的元素按照位数进行分组，然后依次对每个位数进行稳定的排序，最终得到有序序列。

4.2. 算法步骤

1. 确定待排序元素的最大位数，通常通过计算最大元素的位数或者最高位数来确定。
2. 从最低位开始，依次对元素按照当前位上的数值进行分组，并且统计每个数组出现次数记录在counter数组中。(十进制的位范围为 0~9 ，因此需要长度为 10 的统计数组)
3. 利用前缀和counter[i] = counter[i - 1] + counter[i]求出每个对应数值的最后一个元素的下标索引。
4. 倒序遍历，通过每个元素arr[i]的当前位上的值求出下标索引j=counter[i]-1，并将该元素存入新的数组ret[j]=arr[i]中，最后以ret数组覆盖原数组达到排序该位数的目的。
5. 重复步骤2,3,4直至达到最大元素的位数，排序完毕。

1. 按个位排序
   

2. 按十位排序
   

为什么一定要从从最低位开始排序？

在连续的排序轮次中，后一轮排序会覆盖前一轮排序的结果。举例来说，如果第一轮排序结果a<b ，而第二轮排序结果 a>b，那么第二轮的结果将取代第一轮的结果。由于数字的高位优先级高于低位，我们应该先排序低位再排序高位。

4.3. 动图演示

4.4. 代码实现

//获取当前位数的值
int digit(int num, int exp) 
{
	return (num / exp) % 10;
}
//对当前位数进行排序
void CountSortDigit(int arr[], int n, int exp) {
	// 十进制的位范围为 0~9 ，因此需要长度为 10 的统计数组
	int* counter = (int*)malloc((sizeof(int) * 10)); 
	if (counter == NULL)
	{
		perror("malloc fail:");
		return;
	}
	//初始化
	memset(counter, 0, sizeof(int)*n);
	// 统计 0~9 各数字的出现次数
	for (int i = 0; i < n; i++) 
	{
		int d = digit(arr[i], exp);
		counter[d]++;
	}
	// 求前缀和，将“出现个数”转换为“数组索引”
	for (int i = 1; i < 10; i++) 
	{
		counter[i] += counter[i - 1];
	}
	// 倒序遍历，根据统计数组内统计结果，将各元素填入 ret
	int* ret = (int)malloc(sizeof(int) * n);
	if (ret == NULL)
	{
		perror("malloc fail:");
		return;
	}
	memset(ret, 0, sizeof(int) * n);
	for (int i = n - 1; i >= 0; i--) 
	{
		int d = digit(arr[i], exp);
		int j = counter[d] - 1; // 获取 d 在数组中的索引 j
		ret[j] = arr[i]; // 将当前元素填入索引 j
		counter[d]--; 
	}
	// 覆盖原数组
	for (int i = 0; i < n; i++) 
	{
		arr[i] = ret[i];
	}
}
void RadixSort(int*arr, int n) 
{
	// 获取数组的最大元素，用于判断最大位数
	int max = arr[0];
	for (int  i = 0; i < n ; i++) 
	{
		if (arr[i] > max) 
		{
			max = arr[i];
		}
	}
	// 按照从低位到高位的顺序遍历
	for (int exp = 1; max >= exp; exp *= 10)
	{
		CountSortDigit(arr, n, exp);
	}
}

4.5. 复杂度分析

• 时间复杂度：设数据量为N、数据为D进制、最大位数为K ，则对某一位执行计数排序使用O(N+D) 时间，排序所有K 位使用O((N + D)K) 时间，时间复杂度为O(N*K)。通常情况下，D和K都相对较小，时间复杂度趋向O(N) 。
• 空间复杂度：基数排序需要借助长度为N和D的统计数组，所以基数排序空间复杂度为O(N+D)。

5. 排序算法的稳定性

5.1. 稳定性的定义

假定在待排序的记录序列中，存在多个具有相同的关键字的记录，若经过排序，这些记录的相对次序保持不变，即在原序列中，r[i] = r[j]，且r[i]在r[j]之前，而在排序后的序列中，r[i]仍在r[j]之前，则称这种排序算法是稳定的；否则称为不稳定的。

5.2. 各种排序算法的稳定性

排序算法	平均时间复杂度	最好时间复杂度	最坏时间复杂度	空间复杂度	稳定性
冒泡算法	O(N2 )	O(N )	O(N2 )	O(1 )	稳定
选择算法	O(N2 )	O(N2 )	O(N2 )	O(1 )	不稳定
插入排序	O(N2 )	O(N )	O(N2 )	O(1 )	稳定
希尔排序	O(N1.3 )	O(N )	O(N2 )	O(1 )	不稳定
快速排序	O(NlogN)	O(NlogN)	O(N2 )	O(logN )	不稳定
归并排序	O(NlogN)	O(NlogN)	O(NlogN)	O(N )	稳定
堆排序	O(NlogN)	O(NlogN)	O(NlogN)	O(1)	不稳定
计数排序	O(N+K)	O(N+K)	O(N+K)	O(K)	稳定
桶排序	O(N+K)	O(N+K)	O(N2 )	O(N+K)	稳定
N)	O(N )	稳定
堆排序	O(NlogN)	O(NlogN)	O(NlogN)	O(1)	不稳定
计数排序	O(N+K)	O(N+K)	O(N+K)	O(K)	稳定
桶排序	O(N+K)	O(N+K)	O(N2 )	O(N+K)	稳定
基数排序	O(N*K)	O(N*K)	O(N*K)	O(N+K)	稳定

文章来源:https://blog.csdn.net/Bettysweetyaaa/article/details/139506866
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！