一直在猶豫要不要寫排序的文章，因為真的爛大街了。可是一旦細看，還真是很多值的思考的地方，所以還是選擇記錄一下

以下完整代碼，均可從這里獲取

https://github.com/Rain-Life/data-struct-by-go/tree/master/sort

排序算法效率分析

了解如何分析一個排序算法，可以幫助我們在實際工作場景中選擇合適的排序算法，比如，如果排序的數據比較少，可以選擇冒泡或插入排序，如果排序的數據量較大，選擇歸并或快速排序，雖然它們兩兩的時間復雜度是相同的，但是還是有很大的區別的，下邊會對它們做對比

排序算法執行效率

一般分析一個排序算法的復雜度，我們都是去分析它的時間復雜度，時間復雜度反應的是數據規模n很大的時候的一個增長趨勢。所以，通常在分析時間復雜度的時候會忽略到「系數、常數、低階」。但是，在實際開發場景中，可能我們排序的數據并不多，因此，在對排序算法進行分析的時候，還是需要將系數、常數、低階也考慮進來

分析一個排序算法的時間復雜度的時候，通常會分析它的「最好情況、最壞情況以及平均情況下的時間復雜度」。因為對于要排序的數據，它的有序度，對排序算法的執行時間是有影響的，所以，要想選擇最合適的排序算法，這些情況的時間復雜度都應該考慮到（其實不光是排序，在實現任何一個算法的時候，當有多種方式可供選擇的時候，都應該分析多重情況下的時間復雜度）

下邊要分享的三個排序算法都是基于比較的排序算法，基于比較的排序算法的在執行過程中，一般涉及兩種操作，一個是比較大小，一個是數據交換。因此，在對比這幾種排序算法的時候，「比較次數和移動次數」也應該考慮進去。這也是為什么基于比較排序的算法，我們通常不會選擇冒泡排序，而選擇插入排序

排序算法內存消耗

「算法的內存消耗可以通過空間復雜度來衡量」。針對排序算法的空間復雜度，有一個新的概念是「原地排序」。原地排序算法，就是特指空間復雜度是O(1)的排序算法。下邊要分享的三種排序算法，都是原地排序算法

排序算法穩定性

只靠執行效率和內存消耗來衡量排序算法的好壞是不夠的。針對排序算法，還有一個重要的度量指標，「穩定性」。意思是，「如果待排序的序列中存在值相等的元素，經過排序之后，相等元素之間原有的先后順序不變」

如：1、8、6、5、5、7、2、3，按照大小排序之后是：1、2、3、5、5、6、7、8

這組數據里有兩個5。經過某種排序算法排序之后，如果兩個5的前后順序沒有改變，那我們就把這種排序算法叫作「穩定的排序算法」；如果前后順序發生變化，那對應的排序算法就叫作「不穩定的排序算法」

冒泡排序

冒泡排序優化

冒泡排序的實現思想，相信大家都非常的熟悉了

每次冒泡操作都會對相鄰的兩個元素進行比較，看是否滿足大小關系要求。如果不滿足就讓它倆互換。「一次冒泡會讓至少一個元素移動到它應該在的位置」，重復n次，就完成了n個數據的排序工作

實際上，冒泡過程還可以優化。當某次冒泡操作已經沒有數據交換時，說明已經達到完全有序，不用再繼續執行后續的冒泡操作。如圖

下邊是優化后的代碼：

func BubbleSort(arr []int) {flag := falsen := len(arr)for i := 0; i < n; i++ {flag = false//如果某一次冒泡，沒有出現數據交換，說明已經有序，不用再繼續冒泡了for j := 0; j < n-i-1; j++ {if arr[j] > arr[j+1] {tmp := arr[j]arr[j] = arr[j+1]arr[j+1] = tmpflag = true}}if !flag {break}}for _, v := range arr {fmt.Printf("%vt", v)} }

冒泡排序算法分析

首先「冒泡排序是一個原地排序算法」，因為冒泡排序只涉及相鄰數據的交換，需要常量級的臨時空間，所以空間復雜度是O(1)

在冒泡排序中，只有交換才可以改變兩個元素的前后順序。為了保證冒泡排序算法的穩定性，當有相鄰的兩個元素大小相等的時候，我們不做交換，相同大小的數據在排序前后不會改變順序，所以「冒泡排序是穩定的排序算法」

在最好的情況下，也就是待排數據是完全有序的，那只需要進行一次冒泡操作即可，所以「最好情況下的時間復雜度是O(n)」

最壞情況下是待排數據是完全無序的，這個時候就需要n次冒泡，所以「最壞情況下的時間復雜度是O(n^2)」

平均情況下的時間復雜度的分析涉及比較復雜的推導，不是這里的重點（我也不會，手動狗頭。如果你想了解，可以看這里），冒泡排序算法的平均時間復雜度是O(n^2)

插入排序

插入排序思想

插入排序是如何來的？假設現在有一個有序的數組，讓你往里邊插入一個數據之后，保持數組是有序的。我們都會想到通過遍歷來找到待插入數據的位置，然后進行數據的移動。通過這種方式就可以保證這個數組有序。借鑒上邊這種插入方法，于是就有了插入排序

插入排序的思想是：「將待排序的數組分成兩個區間，有序區和無序區。剛開始的時候，有序區只有第一個元素。插入排序的過程就是每次從無序區中取出一個元素，放入到有序區中對應的位置，保證插入到有序區中之后，有序區依然是有序的。不斷的重復這個過程，直到無序區為空」

文字描述比較抽象，見下圖（從小到大排序）

插入排序也是包含兩種操作，一種是比較，一種是移動。下邊是代碼實現

func InsertSort(arr []int) {if len(arr) <= 0 {fmt.Println("待排數據不合法")}n := len(arr)for i := 1; i < n; i++ {//i是待排區的元素value := arr[i]j := i-1for ; j >= 0; j-- { //j遍歷的是已排區的每一個元素if arr[j] > value {arr[j+1] = arr[j] //如果滿足條件，將前一個值賦給后邊這個} else {break}}arr[j+1] = value}for _, v := range arr {fmt.Printf("%vt", v)} }

插入排序算法分析

插入排序也不需要額外的存儲空間，空間復雜度是O(1)，所以它是「原地排序算法」

在插入排序中，對于值相同的元素，我們可以選擇將后面出現的元素，插入到前面出現元素的后面，這樣就可以保持原有的前后順序不變，所以插入排序是「穩定的排序算法」

如果待排序的數據是完全有序的，并不需要搬移任何數據。如果從尾到頭在有序數據組里面查找插入位置，每次只需要比較一個數據就能確定插入的位置。所以這種情況下，最好是時間復雜度為O(n)。注意，「這里是從尾到頭遍歷已經有序的數據」

如果數組是倒序的，每次插入都相當于在數組的第一個位置插入新的數據，所以需要移動大量的數據，所以「最壞情況時間復雜度為O(n^2)」。「平均時間復雜度也是O(n^2)」

選擇排序

選擇排序思想

選擇排序的思想和插入排序的思想有些類似，選擇排序是每次從無序區中選擇一個最小的元素放入到有序區中，具體如圖：

代碼實現如下

func SelectionSort(arr []int) {n := len(arr)if n <= 0 {fmt.Println("待排數據不合法")}for i := 0; i < n - 1; i++ {for j := i+1; j < n ; j++ {if arr[i] > arr[j] {arr[i],arr[j] = arr[j], arr[i]}}}for _, v := range arr {fmt.Printf("%vt", v)} }

選擇排序算法分析

選擇排序的空間復雜度也是O(1)，是原地排序算法。選擇排序的最好情況和最壞情況的時間復雜度都是O(n^2)，這個很簡單，看一下它的執行過程就知道了

「選擇排序不是一個穩定排序」，選擇排序每次都要找剩余未排序元素中的最小值，并和前面的元素交換位置，這樣破壞了穩定性

比如7，3，5，7，1，9 這樣一組數據，使用選擇排序算法來排序的話，第一次找到最小元素1，與第一個7交換位置，那第一個7和中間的7順序就變了，所以就不穩定了

這樣一看，選擇排序和前邊兩個排序算法相比就差一些了

三種排序算法對比

這里就先不提選擇排序了，因為和前兩種相比，它明顯遜色一些

冒泡排序不管怎么優化，元素交換的次數是一個固定值。插入排序是同樣的，不管怎么優化，元素移動的次數也是一個固定值。但是，從冒泡和插入排序的代碼上看，冒泡排序的數據交換次數比插入排序要復雜，冒泡排序需要3個賦值操作，而插入排序只需要1個

冒泡排序的交換操作 if arr[j] > arr[j+1] {tmp := arr[j]arr[j] = arr[j+1]arr[j+1] = tmpflag = true }選擇排序的交換操作 if arr[j] > value {arr[j+1] = arr[j] }

假設把一次賦值操作的時間算作一個單位時間，那冒泡排序的交換操作需要3個單位時間，而插入排序只需要1個單位時間

如果需要排序的數據比較少，可能這樣的差別可以忽略不計，但是數據多起來之后，插入排序節省的時間還是比較明顯的

這三種時間復雜度為 O(n2) 的排序算法中，冒泡排序、選擇排序，可能就純粹停留在理論的層面了，學習的目的也只是為了開拓思維，實際開發中應用并不多，但是插入排序還是挺有用的。有些編程語言中的排序函數的實現原理會用到插入排序算法

總結

以上是生活随笔為你收集整理的冒泡排序和选择排序区别_你以为只是简单的排序？（一）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。