排序算法

简介:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
# -*- coding:utf-8 -*-
 
__author__  =  'Abel Xu'
 
import  random
import  time
from  copy  import  deepcopy
 
def  insert_sort(list_an):
     """插入排序
     """
     len_list  =  len (list_an)
     for  in  xrange ( 1 , len_list):
         key  =  list_an[j]
         =  j - 1
         while  i> = 0  and  list_an[i] > key:
             list_an[i + 1 =  list_an[i]
             =  i - 1
         list_an[i + 1 =  key
 
     return  list_an
 
 
def  merge_sort(list_an):
     """
     归并排序
     """
     if  len (list_an) < =  1 :
         return  list_an
     mid  =  len (list_an) / 2
     left  =  merge_sort(list_an[:mid])
     right  =  merge_sort(list_an[mid:])
     return  merge(left, right)
 
def  merge(left, right):
     result  =  []
     i, j  =  0 0
     len_left  =  len (left)
     len_right  =  len (right)
     while  i<len_left  and  j<len_right:
         if  left[i] < =  right[j]:
             result.append(left[i])
             + =  1
         else :
             result.append(right[j])
             + =  1
     result  + =  left[i:]
     result  + =  right[j:]
     return  result
 
 
 
if  __name__  = =  '__main__' :
     list_an  =  [random.randint( 0 10000 for  in  xrange ( 10000 )]
     list_bn  =  deepcopy(list_an)
     list_cn  =  deepcopy(list_an)
 
     print ( '插入排序的耗时:' )
     insert_time  =  time.time()
     list_an  =  insert_sort(list_an)
     print (time.time() - insert_time)
 
     print ( 'list内置排序的耗时:' )
     list_time  =  time.time()
     list_bn.sort()
     print (time.time() - list_time)
 
     print ( '归并排序的耗时:' )
     merge_time  =  time.time()
     list_cn  =  merge_sort(list_cn)
     print (time.time() - merge_time)


运行结果:

插入排序的耗时:
3.22006893158
list内置排序的耗时:
0.00256586074829
归并排序的耗时:
0.0303440093994


结论:

Python的list自带sort函数性能优于插入排序和归并排序.



本文转自 许大树 51CTO博客,原文链接:http://blog.51cto.com/abelxu/1898606,如需转载请自行联系原作者

相关文章
|
13天前
|
存储 关系型数据库 分布式数据库
PostgreSQL 18 发布,快来 PolarDB 尝鲜!
PostgreSQL 18 发布,PolarDB for PostgreSQL 全面兼容。新版本支持异步I/O、UUIDv7、虚拟生成列、逻辑复制增强及OAuth认证,显著提升性能与安全。PolarDB-PG 18 支持存算分离架构,融合海量弹性存储与极致计算性能,搭配丰富插件生态,为企业提供高效、稳定、灵活的云数据库解决方案,助力企业数字化转型如虎添翼!
|
12天前
|
存储 人工智能 搜索推荐
终身学习型智能体
当前人工智能前沿研究的一个重要方向:构建能够自主学习、调用工具、积累经验的小型智能体(Agent)。 我们可以称这种系统为“终身学习型智能体”或“自适应认知代理”。它的设计理念就是: 不靠庞大的内置知识取胜,而是依靠高效的推理能力 + 动态获取知识的能力 + 经验积累机制。
393 134
|
11天前
|
存储 人工智能 Java
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
本文讲解 Prompt 基本概念与 10 个优化技巧,结合学术分析 AI 应用的需求分析、设计方案,介绍 Spring AI 中 ChatClient 及 Advisors 的使用。
492 132
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
|
2天前
|
人工智能 移动开发 自然语言处理
阿里云百炼产品月刊【2025年9月】
本月通义千问模型大升级,新增多模态、语音、视频生成等高性能模型,支持图文理解、端到端视频生成。官网改版上线全新体验中心,推出高代码应用与智能体多模态知识融合,RAG能力增强,助力企业高效部署AI应用。
205 0
|
12天前
|
人工智能 Java API
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
本文介绍AI大模型的核心概念、分类及开发者学习路径,重点讲解如何选择与接入大模型。项目基于Spring Boot,使用阿里云灵积模型(Qwen-Plus),对比SDK、HTTP、Spring AI和LangChain4j四种接入方式,助力开发者高效构建AI应用。
490 122
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
|
6天前
|
存储 JSON 安全
加密和解密函数的具体实现代码
加密和解密函数的具体实现代码
234 136
|
23天前
|
机器学习/深度学习 人工智能 前端开发
通义DeepResearch全面开源!同步分享可落地的高阶Agent构建方法论
通义研究团队开源发布通义 DeepResearch —— 首个在性能上可与 OpenAI DeepResearch 相媲美、并在多项权威基准测试中取得领先表现的全开源 Web Agent。
1577 87