Python数据结构与算法(16)---快速排序

简介: Python数据结构与算法(16)---快速排序

快速排序


快速排序,又称Quick Sort,其本身对冒牌排序进行了相应的改进。


其基本原理:通过一轮排序将要排序的数据分割成独立的2个部分,其中一部分的所有数据都比另外一部分的所有数据小,然后再按照此放法对2部分数据分别进行快速排序,整个排序过程可以递归进行,直到整个数据变成有序序列。


具体算法实施过程如下:


1.首先,选取列表的最后一个元素最为基准数N,小于N的放前边,大于等于N的放后面。

2.然后,接着再取前边的最后一个数为基准,同上放置。

3.一直到每部分的下标相等,即完成快速排序。


其平均时间复杂度为O(n*log2n)


图解快速排序

还是以前文的列表数据为例。假设,我们的列表数据为[8,0,4,3,2,1]。那么,我们排序的过程如下图所示:


读者是否发现,相对于前面的排序,快速排序的过程要简单的多。而且对于通过一个列表,过程也要少的多?这也是其之所以叫快速排序的原因之所在。


实战:快速排序

介绍了前面的原理,这里我们直接上快速排序的代码。详细的代码步骤解析都在代码之中,博主就不在赘述,示例如下:

def move_num(my_list, low, high):
    N = my_list[high]  # 确定基数N
    move = low - 1  # 从左边减1开始
    for i in range(low, high):
        if my_list[i] <= N:
            move += 1  # 记录最近一个交换值的下标
            my_list[move], my_list[i] = my_list[i], my_list[move]  # 大的放后面,小的放move处
    my_list[move + 1], my_list[high] = my_list[high], my_list[move + 1]  # 最后一次,把N值放到move+1处
    return move + 1
def quick_sort(my_list, low, high):
    n = len(my_list)
    if n == 1:
        return my_list
    if low < high:  # low==high停止排序
        N = move_num(my_list, low, high)  # 一次比较排序
        quick_sort(my_list, low, N - 1)  # 递归前一部分排序
        quick_sort(my_list, N + 1, high)  # 递归后一部分排序
    return my_list
if __name__ == "__main__":
    my_list = [8, 0, 4, 3, 2, 1]
    print("排序前的数组:", my_list)
    print("排序后的数组:", quick_sort(my_list, 0, len(my_list) - 1))


运行之后,效果如下:


使用场景

有名字我们就可以直到,快速排序在排序的速度上更快,但需要注意的是,因为其递归需要额外的内存空间存储临时值,当需要排序的元素变得很多的时候。


则需要考虑到内存空间的使用要求,比如有十几万元素左快速排序,则会产生非常大的存储空间开销。所以,我们选择用那种算法应该因数据而异。

相关文章
|
9月前
|
算法 搜索推荐 JavaScript
基于python智能推荐算法的全屋定制系统
本研究聚焦基于智能推荐算法的全屋定制平台网站设计,旨在解决消费者在个性化定制中面临的选择难题。通过整合Django、Vue、Python与MySQL等技术,构建集家装设计、材料推荐、家具搭配于一体的一站式智能服务平台,提升用户体验与行业数字化水平。
|
10月前
|
存储 算法 调度
【复现】【遗传算法】考虑储能和可再生能源消纳责任制的售电公司购售电策略(Python代码实现)
【复现】【遗传算法】考虑储能和可再生能源消纳责任制的售电公司购售电策略(Python代码实现)
456 26
|
9月前
|
存储 监控 算法
监控电脑屏幕的帧数据检索 Python 语言算法
针对监控电脑屏幕场景,本文提出基于哈希表的帧数据高效检索方案。利用时间戳作键,实现O(1)级查询与去重,结合链式地址法支持多条件检索,并通过Python实现插入、查询、删除操作。测试表明,相较传统列表,检索速度提升80%以上,存储减少15%,具备高实时性与可扩展性,适用于大规模屏幕监控系统。
249 5
|
9月前
|
Java 数据挖掘 数据处理
(Pandas)Python做数据处理必选框架之一!(一):介绍Pandas中的两个数据结构;刨析Series:如何访问数据;数据去重、取众数、总和、标准差、方差、平均值等;判断缺失值、获取索引...
Pandas 是一个开源的数据分析和数据处理库,它是基于 Python 编程语言的。 Pandas 提供了易于使用的数据结构和数据分析工具,特别适用于处理结构化数据,如表格型数据(类似于Excel表格)。 Pandas 是数据科学和分析领域中常用的工具之一,它使得用户能够轻松地从各种数据源中导入数据,并对数据进行高效的操作和分析。 Pandas 主要引入了两种新的数据结构:Series 和 DataFrame。
743 0
|
10月前
|
机器学习/深度学习 编解码 算法
【机器人路径规划】基于迪杰斯特拉算法(Dijkstra)的机器人路径规划(Python代码实现)
【机器人路径规划】基于迪杰斯特拉算法(Dijkstra)的机器人路径规划(Python代码实现)
737 4
|
10月前
|
机器学习/深度学习 算法 机器人
【机器人路径规划】基于A*算法的机器人路径规划研究(Python代码实现)
【机器人路径规划】基于A*算法的机器人路径规划研究(Python代码实现)
1158 4
|
10月前
|
机器学习/深度学习 算法 机器人
【机器人路径规划】基于深度优先搜索(Depth-First-Search,DFS)算法的机器人路径规划(Python代码实现)
【机器人路径规划】基于深度优先搜索(Depth-First-Search,DFS)算法的机器人路径规划(Python代码实现)
443 3
|
10月前
|
机器学习/深度学习 算法 机器人
【机器人路径规划】基于D*算法的机器人路径规划(Python代码实现)
【机器人路径规划】基于D*算法的机器人路径规划(Python代码实现)
415 0
|
10月前
|
机器学习/深度学习 算法 机器人
【机器人路径规划】基于改进型A*算法的机器人路径规划(Python代码实现)
【机器人路径规划】基于改进型A*算法的机器人路径规划(Python代码实现)
633 0

推荐镜像

更多