归并排序详解及应用后端

读完本文，你不仅学会了算法套路，还可以顺便去 LeetCode 上拿下如下题目：
912. 排序数组（中等）
315. 计算右侧小于当前元素的个数（困难）
-----------
一直都有很多读者说，想让我用框架思维讲一讲基本的排序算法，我觉得确实得讲讲，毕竟学习任何东西都讲求一个融会贯通，只有对其本质进行比较深刻的理解，才能运用自如。
本文就先讲归并排序，给一套代码模板，然后讲讲它在算法问题中的应用。阅读本文前我希望你读过前文手把手刷二叉树（纲领篇）。
我在手把手刷二叉树（第一期）讲二叉树的时候，提了一嘴归并排序，说归并排序就是二叉树的后序遍历，当时就有很多读者留言说醍醐灌顶。
知道为什么很多读者遇到递归相关的算法就觉得烧脑吗？因为还处在「看山是山，看水是水」的阶段。
就说归并排序吧，如果给你看代码，让你脑补一下归并排序的过程，你脑子里会出现什么场景？
这是一个数组排序算法，所以你脑补一个数组的 GIF，在那一个个交换元素？如果是这样的话，那格局就低了。
但如果你脑海中浮现出的是一棵二叉树，甚至浮现出二叉树后序遍历的场景，那格局就高了，大概率掌握了我经常强调的框架思维，用这种抽象能力学习算法就省劲多了。
那么，归并排序明明就是一个数组算法，和二叉树有什么关系？接下来我就具体讲讲。
算法思路
就这么说吧，所有递归的算法，你甭管它是干什么的，本质上都是在遍历一棵（递归）树，然后在节点（前中后序位置）上执行代码，你要写递归算法，本质上就是要告诉每个节点需要做什么。
你看归并排序的代码框架：

// 定义：排序 nums[lo..hi] void sort(int[] nums, int lo, int hi) { if (lo == hi) { return; } int mid = (lo + hi) / 2; // 利用定义，排序 nums[lo..mid] sort(nums, lo, mid); // 利用定义，排序 nums[mid+1..hi] sort(nums, mid + 1, hi); /****** 后序位置 ******/ // 此时两部分子数组已经被排好序 // 合并两个有序数组，使 nums[lo..hi] 有序 merge(nums, lo, mid, hi); /*********************/ }// 将有序数组 nums[lo..mid] 和有序数组 nums[mid+1..hi] // 合并为有序数组 nums[lo..hi] void merge(int[] nums, int lo, int mid, int hi);

看这个框架，也就明白那句经典的总结：归并排序就是先把左半边数组排好序，再把右半边数组排好序，然后把两半数组合并。
上述代码和二叉树的后序遍历很像：

/* 二叉树遍历框架 */ void traverse(TreeNode root) { if (root == null) { return; } traverse(root.left); traverse(root.right); /****** 后序位置 ******/ print(root.val); /*********************/ }

再进一步，你联想一下求二叉树的最大深度的算法代码：

// 定义：输入根节点，返回这棵二叉树的最大深度 int maxDepth(TreeNode root) { if (root == null) { return 0; } // 利用定义，计算左右子树的最大深度 int leftMax = maxDepth(root.left); int rightMax = maxDepth(root.right); // 整棵树的最大深度等于左右子树的最大深度取最大值， // 然后再加上根节点自己 int res = Math.max(leftMax, rightMax) + 1; return res; }

是不是更像了？
前文手把手刷二叉树（纲领篇）说二叉树问题可以分为两类思路，一类是遍历一遍二叉树的思路，另一类是分解问题的思路，根据上述类比，显然归并排序利用的是分解问题的思路（分治算法）。
归并排序的过程可以在逻辑上抽象成一棵二叉树，树上的每个节点的值可以认为是 nums[lo..hi]，叶子节点的值就是数组中的单个元素：

文章图片

然后，在每个节点的后序位置（左右子节点已经被排好序）的时候执行 merge 函数，合并两个子节点上的子数组：

文章图片

这个 merge 操作会在二叉树的每个节点上都执行一遍，执行顺序是二叉树后序遍历的顺序。
后序遍历二叉树大家应该已经烂熟于心了，就是下图这个遍历顺序：

文章图片

结合上述基本分析，我们把 nums[lo..hi] 理解成二叉树的节点，srot 函数理解成二叉树的遍历函数，整个归并排序的执行过程就是以下 GIF 描述的这样：

文章图片

这样，归并排序的核心思路就分析完了，接下来只要把思路翻译成代码就行。
代码实现及分析
只要拥有了正确的思维方式，理解算法思路是不困难的，但把思路实现成代码，也很考验一个人的编程能力。
毕竟算法的时间复杂度只是一个理论上的衡量标准，而算法的实际运行效率要考虑的因素更多，比如应该避免内存的频繁分配释放，代码逻辑应尽可能简洁等等。
经过对比，《算法 4》中给出的归并排序代码兼具了简洁和高效的特点，所以我们可以参考书中给出的代码作为归并算法模板：

class Merge {// 用于辅助合并有序数组 private static int[] temp; public static void sort(int[] nums) { // 先给辅助数组开辟内存空间 temp = new int[nums.length]; // 排序整个数组（原地修改） sort(nums, 0, nums.length - 1); }// 定义：将子数组 nums[lo..hi] 进行排序 private static void sort(int[] nums, int lo, int hi) { if (lo == hi) { // 单个元素不用排序 return; } // 这样写是为了防止溢出，效果等同于 (hi + lo) / 2 int mid = lo + (hi - lo) / 2; // 先对左半部分数组 nums[lo..mid] 排序 sort(nums, lo, mid); // 再对右半部分数组 nums[mid+1..hi] 排序 sort(nums, mid + 1, hi); // 将两部分有序数组合并成一个有序数组 merge(nums, lo, mid, hi); }// 将 nums[lo..mid] 和 nums[mid+1..hi] 这两个有序数组合并成一个有序数组 private static void merge(int[] nums, int lo, int mid, int hi) { // 先把 nums[lo..hi] 复制到辅助数组中 // 以便合并后的结果能够直接存入 nums for (int i = lo; i <= hi; i++) { temp[i] = nums[i]; }// 数组双指针技巧，合并两个有序数组 int i = lo, j = mid + 1; for (int p = lo; p <= hi; p++) { if (i == mid + 1) { // 左半边数组已全部被合并 nums[p] = temp[j++]; } else if (j == hi + 1) { // 右半边数组已全部被合并 nums[p] = temp[i++]; } else if (temp[i] > temp[j]) { nums[p] = temp[j++]; } else { nums[p] = temp[i++]; } } } }

有了之前的铺垫，这里只需要着重讲一下这个 merge 函数。
sort 函数对 nums[lo..mid] 和 nums[mid+1..hi] 递归排序完成之后，我们没有办法原地把它俩合并，所以需要 copy 到 temp 数组里面，然后通过类似于前文单链表的六大技巧中合并有序链表的双指针技巧将 nums[lo..hi] 合并成一个有序数组：

文章图片

注意我们不是在 merge 函数执行的时候 new 辅助数组，而是提前把 temp 辅助数组 new 出来了，这样就避免了在递归中频繁分配和释放内存可能产生的性能问题。
再说一下归并排序的时间复杂度，虽然大伙儿应该都知道是 O(NlogN)，但不见得所有人都知道这个复杂度怎么算出来的。
前文动态规划详解说过递归算法的复杂度计算，就是子问题个数 x 解决一个子问题的复杂度。对于归并排序来说，时间复杂度显然集中在 merge 函数遍历 nums[lo..hi] 的过程，但每次 merge 输入的 lo 和 hi 都不同，所以不容易直观地看出时间复杂度。
merge 函数到底执行了多少次？每次执行的时间复杂度是多少？总的时间复杂度是多少？这就要结合之前画的这幅图来看：

文章图片

执行的次数是二叉树节点的个数，每次执行的复杂度就是每个节点代表的子数组的长度，所以总的时间复杂度就是整棵树中「数组元素」的个数。
所以从整体上看，这个二叉树的高度是 logN，其中每一层的元素个数就是原数组的长度 N，所以总的时间复杂度就是 O(NlogN)。
力扣第 912 题「排序数组」就是让你对数组进行排序，我们可以直接套用归并排序代码模板：

class Solution { public int[] sortArray(int[] nums) { // 归并排序对数组进行原地排序 Merge.sort(nums); return nums; } }class Merge { // 见上文 }

其他应用
除了最基本的排序问题，归并排序还可以用来解决力扣第 315 题「计算右侧小于当前元素的个数」：

文章图片

拍脑袋的暴力解法就不说了，嵌套 for 循环，平方级别的复杂度。
这题和归并排序什么关系呢，主要在 merge 函数，我们在合并两个有序数组的时候，其实是可以知道一个数字 x 后边有多少个数字比 x 小的。
具体来说，比如这个场景：

文章图片

这时候我们应该把 temp[i] 放到 nums[p] 上，因为 temp[i] < temp[j]。
但就在这个场景下，我们还可以知道一个信息：5 后面比 5 小的元素个数就是 j 和 mid + 1 之间的元素个数，即 2 个。

文章图片

换句话说，在对 nuns[lo..hi] 合并的过程中，每当执行 nums[p] = temp[i] 时，就可以确定 temp[i] 这个元素后面比它小的元素个数为 j - mid - 1。
当然，nums[lo..hi] 本身也只是一个子数组，这个子数组之后还会被执行 merge，其中元素的位置还是会改变。但这是其他递归节点需要考虑的问题，我们只要在 merge 函数中做一些手脚，叠加每次 merge 时记录的结果即可。
发现了这个规律后，我们只要在 merge 中添加两行代码即可解决这个问题，看解法代码：

class Solution { private class Pair { int val, id; Pair(int val, int id) { // 记录数组的元素值 this.val = val; // 记录元素在数组中的原始索引 this.id = id; } }// 归并排序所用的辅助数组 private Pair[] temp; // 记录每个元素后面比自己小的元素个数 private int[] count; // 主函数 public List countSmaller(int[] nums) { int n = nums.length; count = new int[n]; temp = new Pair[n]; Pair[] arr = new Pair[n]; // 记录元素原始的索引位置，以便在 count 数组中更新结果 for (int i = 0; i < n; i++) arr[i] = new Pair(nums[i], i); // 执行归并排序，本题结果被记录在 count 数组中 sort(arr, 0, n - 1); List res = new LinkedList<>(); for (int c : count) res.add(c); return res; }// 归并排序 private void sort(Pair[] arr, int lo, int hi) { if (lo == hi) return; int mid = lo + (hi - lo) / 2; sort(arr, lo, mid); sort(arr, mid + 1, hi); merge(arr, lo, mid, hi); }// 合并两个有序数组 private void merge(Pair[] arr, int lo, int mid, int hi) { for (int i = lo; i <= hi; i++) { temp[i] = arr[i]; }int i = lo, j = mid + 1; for (int p = lo; p <= hi; p++) { if (i == mid + 1) { arr[p] = temp[j++]; } else if (j == hi + 1) { arr[p] = temp[i++]; // 更新 count 数组 count[arr[p].id] += j - mid - 1; } else if (temp[i].val > temp[j].val) { arr[p] = temp[j++]; } else { arr[p] = temp[i++]; // 更新 count 数组 count[arr[p].id] += j - mid - 1; } } } }

因为在排序过程中，每个元素的索引位置会不断改变，所以我们用一个 Pair 类封装每个元素及其在原始数组 nums 中的索引，以便 count 数组记录每个元素之后小于它的元素个数。
你现在回头体会下我在本文开头说那句话：
所有递归的算法，本质上都是在遍历一棵（递归）树，然后在节点（前中后序位置）上执行代码。你要写递归算法，本质上就是要告诉每个节点需要做什么。
有没有品出点味道？
【归并排序详解及应用】最后总结一下吧，本文从二叉树的角度讲了归并排序的核心思路和代码实现，同时讲了一道归并排序相关的算法题。这道算法题其实就是归并排序算法逻辑中夹杂一点私货，但仍然属于比较难的，你可能需要亲自做一遍才能理解。
那我最后留一个思考题吧，下一篇文章我会讲快速排序，你是否能够尝试着从二叉树的角度去理解快速排序？如果让你用一句话总结快速排序的逻辑，你怎么描述？
好了，答案下篇文章揭晓。