观感度:
口味:小炒黄牛肉
烹饪时间:10min
本文已收录在前端食堂同名仓库 Github github.com/Geekhyt,欢迎光临食堂,如果觉得酒菜还算可口,赏个 Star 对食堂老板来说是莫大的鼓励。排序算法是面试中的高频考察点,我们需要熟练掌握。本文整理了最经典、最常用的排序算法并且搭配了动图和视频,希望能够帮助你更加轻松的拿下它们。
首先,根据排序算法的特性可以分成如下两类:
文章图片
- 比较类排序
- 非比较类排序
比较类排序是通过元素间的比较进行排序的,非比较类则不涉及元素之间的比较操作。
比较类排序的时间复杂度不能突破 O(nlogn),也被称为
非线性排序。
非比较类排序的时间复杂度可以突破 O(nlogn),能够以线性的时间运行,也被称为
线性排序。
文章图片
如果你还不了解时间复杂度的话,可以移步我的这篇专栏JavaScript算法时间、空间复杂度分析。
01 冒泡排序 Bubble Sort 冒泡排序可视化视频
冒泡排序,简单粗暴,一句话解释:
冒泡排序在
每次冒泡操作时会比较相邻的两个元素
,看是否满足大小关系要求,不满足就将它俩互换。一直迭代到不再需要交换,也就是排序完成。const bubbleSort = function(arr) {
const len = arr.length
if (len < 2) return arr
for (let i = 0;
i < len;
i++) {
for (let j = 0;
j < len - i - 1;
j++) {
if (arr[j] > arr[j + 1]) {
const temp = arr[j]
arr[j] = arr[j + 1]
arr[j + 1] = temp
}
}
}
return arr
}
- 时间复杂度: O(n^2)
- 空间复杂度: O(1)
- 稳定
注意:这里的稳定是指,冒泡排序是稳定的排序算法。
什么是稳定的排序算法呢?
排序算法的稳定性
仅仅用
执行效率
和内存消耗
来判断排序算法的优劣是不够的,针对排序算法,还有一个重要的度量指标,稳定性
。意思是说,
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:
比如我们有一组数据:1,9,2,5,8,9。按照大小排序之后就是 1,2,5,8,9,9。这组数据中有两个 9,经过某种排序算法排序后,如果两个 9 的前后顺序没有改变,我们就把这种排序算法称为
稳定的排序算法
。否则,就是
不稳定的排序算法
。冒泡排序优化
上面的代码还可以进行优化,当某次冒泡操作已经
没有数据交换时
,说明已经达到完全有序,不需要再继续执行后续的冒泡操作了。const bubbleSort = function(arr) {
const len = arr.length
let flag = false
if (len < 2) return arr
for (let i = 0;
i < len;
i++) {
flag = false // 提前退出冒泡循环的标志
for (let j = 0;
j < len - i - 1;
j++) {
if (arr[j] > arr[j + 1]) {
const temp = arr[j]
arr[j] = arr[j + 1]
arr[j + 1] = temp
flag = true // 表示有数据交换
}
}
if (!flag) break // 没有数据交换,提前退出
}
return arr
}
02 插入排序 Insertion Sort
文章图片
插入排序顾名思义,对于未排序的数据,在已排序的序列中从后往前扫描,找到相应的位置进行插入,保持已排序序列中元素一直有序。
从 i 等于 1 开始遍历,拿到当前元素 curr,与前面的元素进行比较。
如果前面的元素大于当前元素,就把前面的元素和当前元素进行交换,不断循环直到未排序序列中元素为空,排序完成。
const insertSort = function(arr) {
const len = arr.length
let curr, prev
for (let i = 1;
i < len;
i++) {
curr = arr[i]
prev = i - 1
while (prev >= 0 && arr[prev] > curr) {
arr[prev + 1] = arr[prev]
prev--
}
arr[prev + 1] = curr
}
return arr
}
- 时间复杂度: O(n^2)
- 空间复杂度: O(1)
- 稳定
选择排序和插入排序有些类似,也分已排序序列和未排序序列。
但是选择排序是
将最小的元素存放在数组起始位置,再从剩下的未排序的序列中寻找最小的元素,然后将其放到已排序的序列后面
。以此类推,直到排序完成。const selectSort = function(arr) {
const len = arr.length
let temp, minIndex
for (let i = 0;
i < len - 1;
i++) {
minIndex = i
for (let j = i + 1;
j < len;
j++) {
if (arr[j] <= arr[minIndex]) {
minIndex = j
}
}
temp = arr[i]
arr[i] = arr[minIndex]
arr[minIndex] = temp
}
return arr
}
- 时间复杂度: O(n^2)
- 空间复杂度: O(1)
- 不稳定
文章图片
分治法典型应用,分治算法思想很大程度上是基于递归的,也比较适合用递归来实现。
处理过程是由下到上的,先处理子问题,然后再合并。
如果感觉自己对递归掌握的还不是很透彻的同学,可以移步我的这篇专栏聊聊递归的本质。
顾名思义,分而治之。一般分为以下三个过程:
- 分解:将原问题分解成一系列子问题。
- 解决:递归求解各个子问题,若子问题足够小,则直接求解。
- 合并:将子问题的结果合并成原问题。
const mergeSort = function(arr) {
const merge = (right, left) => {
const result = []
let i = 0, j = 0
while (i < left.length && j < right.length) {
if (left[i] < right[j]) {
result.push(left[i++])
} else {
result.push(right[j++])
}
}
while (i < left.length) {
result.push(left[i++])
}
while (j < right.length) {
result.push(right[j++])
}
return result
}
const sort = (arr) => {
if (arr.length === 1) { return arr }
const mid = Math.floor(arr.length / 2)
const left = arr.slice(0, mid)
const right = arr.slice(mid, arr.length)
return merge(mergeSort(left), mergeSort(right))
}
return sort(arr)
}
- 时间复杂度: O(nlogn)
- 空间复杂度: O(n)
- 稳定
快速排序也是分治法的应用,
处理过程是由上到下的,先分区,然后再处理子问题。
快速排序通过遍历数组,将待排序元素分隔成独立的两部分,一部分记录的元素均比另一部分的元素小,则可以分别对这两部分记录的元素继续进行排序,直到排序完成。
这就需要从数组中挑选出一个元素作为
基准(pivot)
,然后重新排序数列,将元素比基准值小的放到基准前面,比基准值大的放到基准后面。然后将小于基准值的子数组(left)和大于基准值的子数组(right)递归地调用 quick 方法,直到排序完成。
const quickSort = function(arr) {
const quick = function(arr) {
if (arr.length <= 1) return arr
const len = arr.length
const index = Math.floor(len >> 1)
const pivot = arr.splice(index, 1)[0]
const left = []
const right = []
for (let i = 0;
i < len;
i++) {
if (arr[i] > pivot) {
right.push(arr[i])
} else if (arr[i] <= pivot) {
left.push(arr[i])
}
}
return quick(left).concat([pivot], quick(right))
}
const result = quick(arr)
return result
}
- 时间复杂度: O(nlogn)
- 空间复杂度: O(nlogn)
- 不稳定
堆排序相比其他几种排序代码会有些复杂,不过没关系,我们先来看一些前置知识,可以帮助我们更好的理解堆排序。
堆排序顾名思义就是要利用堆这种数据结构进行排序。
堆是一种特殊的树,满足以下两点就是堆:
- 堆是一个完全二叉树
- 堆中每一个节点的值都必须大于等于(或小于等于)其子树中的每个节点的值
大顶堆
,每个节点的值都小于等于子树中每个节点值的堆,叫做小顶堆
。也就是说,
大顶堆中,根节点是堆中最大的元素。小顶堆中,根节点是堆中最小的元素
。如果你对树这种数据结构还不是很了解,可以移步我的这篇专栏“树”业有专攻
堆如果用一个数组表示的话,给定一个节点的下标 i (i从1开始),那么它的父节点一定为 A[i / 2],左子节点为 A[2i],右子节点为 A[2i + 1]。
堆排序包含两个过程,建堆和排序。首先构建一个大顶堆,也就是将最大值存储在根节点(i = 1),每次取大顶堆的根节点与堆的最后一个节点进行交换,此时最大值放入了有效序列的最后一位,并且有效序列减 1,有效堆依然保持完全二叉树的结构,然后进行堆化成为新的大顶堆。重复此操作,直到有效堆的长度为 0,排序完成。
const heapSort = function(arr) {
buildHeap(arr, arr.length - 1)
let heapSize = arr.length - 1 // 初始化堆的有效序列长度
for (let i = arr.length - 1;
i > 1;
i--) {
swap(arr, 1, i) // 交换堆顶元素与最后一个有效子元素
heapSize-- // 有效序列长度减 1
heapify(arr, heapSize, 1) // 堆化有效序列
}
return arr
}// 构建大顶堆
const buildHeap = function(items, heapSize) {
// 从后往前并不是从序列的最后一个元素开始,而是从最后一个非叶子节点开始,这是因为,叶子节点没有子节点,不需要自上而下式堆化。
// 最后一个子节点的父节点为 n/2 ,所以从 n/2 位置节点开始堆化
for (let i = Math.floor(heapSize / 2);
i >= 1;
i--) {
heapify(items, heapSize, i)
}
}
// 堆化
const heapify = function(arr, heapSize, i) {
while (true) {
let maxIndex = i
if (2 * i <= heapSize && arr[i] < arr[i * 2]) {
maxIndex = i * 2
}
if (2 * i + 1 <= heapSize && arr[maxIndex] < arr[i * 2 + 1]) {
maxIndex = i * 2 + 1
}
if (maxIndex === i) break
swap(arr, i, maxIndex)
i = maxIndex
}
}// 交换工具函数
const swap = function(arr, i, j) {
let temp = arr[i]
arr[i] = arr[j]
arr[j] = temp
}
- 时间复杂度: O(nlogn)
- 空间复杂度: O(1)
- 不稳定
文章图片
本文讲解了十大经典排序算法中的 6 种排序算法,这 6 种排序算法是平时开发中比较常见的,大家务必要熟练掌握。
剩下的希尔排序、计数排序、桶排序、基数排序,如果你感兴趣的话可以戳下面链接进行学习。
站在巨人的肩膀上
- 十大经典排序算法
- 前端进阶算法9:看完这篇,再也不怕堆排序、Top K、中位数问题面试了
- 《JavaScript核心原理精讲》 若离
- 《数据结构与算法之美》王争
- 前端食堂的 LeetCode 题解仓库
如果你也准备刷或者正在刷 LeetCode,不妨加入前端食堂,一起并肩作战,刷个痛快。
文章图片
??爱心三连击 1.如果你觉得食堂酒菜还合胃口,就点个赞支持下吧,你的赞是我最大的动力。
2.关注公众号前端食堂,吃好每一顿饭!
3.点赞、评论、转发 === 催更!
【数据结构与算法|手撕前端面试之经典排序算法 (动图+视频)】
文章图片
推荐阅读
- 算法|排序算法详解(Java实现 + 动画演示)
- 数据结构|手撕八大排序
- 烧脑算法|手撕六大经典排序算法(Java代码实现)
- 大神之路---数据结构|万字手撕七大排序(代码+动图演示)
- 前端|微信小程序(二)-- 项目实战
- 算法|010 python数据结构与算法(算法概论;时间复杂度)
- 自然语言处理nlp|fasttext工具的使用
- Linux 内核 内存管理分区伙伴分配器 ⑤ ( 区域水线 | 区域水线数据结构 zone_watermarks 枚举 | 内存区域 zone 中的区域水线 watermark 成员 )
- [ 数据结构--C语言 ]不收藏必后悔系列--二叉树初阶