(1)直接插入排序
插入排序的基本思想是将数据插入合适的位置。如下所示序列[6,8,1,4,3,9,5,0]，以升序排列为例。
a.6<8，符合升序
b. 8>1，不符合要求，改变1的位置。首先比较1和8，1更小，交换1和8的位置，序列成为[6,1,8,4,3,9,5,0]，然后继续比较1和6，1更小，交换1和6的位置，序列成为[1,6,8,4,3,9,5,0],注意此时前三个值已经符合升序的要求。
c. 8>4，不符合要求，改变4的位置，按照上面的方法，依次与前面的值比较，分别与8和6交换位置，当比较到1时，1<4，不用交换位置。此时序列成为[1,4,6,8,3,9,5,0]
d.重复上满的操作，直到整个序列遍历完成。
因此，插入排序实际上是保证遍历过的序列是有序的，然后将下一个访问到的值，通过比较和交换位置，插入到这个有序序列中，当所有的值都被访问过后，整个序列就是有序的了。所以这种方法是稳定，空间复杂度为O(1)，最好的时间复杂度为O(n)，代码如下
def insert_sort(arr):
for i in range(len(arr)-1):
if arr[i+1]
(2) 二分插入排序
二分插入排序的思想与直接插入排序相同，只是在将数据插入有序序列时，采用了二分查找的思想，即先于中间位置的值进行比较，以缩短查找的时间。代码如下
def BinaryInsert_sort(arr):
for i in range(1,len(arr)):
if arr[i]
(3) 希尔排序
希尔排序建立在直接插入排序的基础上，假设序列长度为n，先取一个小于n的整数d1，序列中所有距离为d1的数据为一组，如下图中，以2为i增量，1，4，5为一组，8，3，0为一组，1，9为1组，然后在组内进行直接插入排序，然后取整数d2,d2
def Hill_sort(arr):
d=len(arr)//2
while(d>=1):
for i in range(len(arr)//d):
for j in range(i,len(arr)-d,d):
if arr[j+d]
因为希尔排序跨距离访问元素，因此不稳定。空间复杂度为O(1)，最好的时间复杂度为O(n)。
(4) 直接选择排序
选择排序的思想是每次从无序的序列中选择最大或最小的值，并与第一个位置的值交换。如序列l，如果是升序排列，第一次找出l的最小值与l[0]交换，第二次找出l[1:]最小的值，与l[2]交换，以此类推，代码如下。
def select_sort(arr):
for i in range(len(arr)-1):
minnum=arr[i]
m=i
for j in range(i+1,len(arr)):
if arr[j]
直接选择排序是稳定的，空间复杂度为O(1)，时间复杂度恒定为O(n2),因为原序列是否有序不会影响选择排序的步骤。
(5) 堆排序
堆排序用到了大顶堆和小顶堆的概念。大顶堆是父节点最大的二叉树，即arr[i]>=arr[2i+1]&&arr[i]>=arr[2i-1]；小顶堆是父节点的值最小的二叉树，即arr[i]<=arr[2i+1]&&arr[i]<=arr[2i-1]。
以升序排序为例，首先建立初始最大堆，以某个节点为入口，向下调整其子节点，使其符合大顶堆的特点。建立初始大顶堆的过程会重复调整一些节点，是因为父节点和子节点的交换，会影响以子节点为根节点的子树，如图中，[9,1,7]子树原符合要求，6和9交换后，[6,1,7]不符合要求，就要再次调整该子树。
初始大顶堆建立之后，将根节点的值置换到序列末尾，然后重新调整前面的序列，这时只从根节点向下调整即可，因为初始大顶堆已经形成，如图中，即便交换了0和4的位置，父节点8也仍旧是最大的。
def heap_sort(arr):
def adjust(arr,node,maxid):
root=node
while True:
child=2*root+1
if child>maxid:
return
child=child+1 if arr[child+1]>arr[child] and child+1
堆排序不稳定，空间复杂度为O(1)，但时间复杂度恒定为O(nlogn)。
(6) 冒泡排序
交换排序即通过交换元素位置，使序列有序。冒泡排序是最简单的交换排序，每次将最大值/最小值依次交换到序列末尾。冒泡排序是稳定的，空间复杂度为O(1)，时间复杂度最好为O(n)。
def bubble_sort(arr):
for i in range(len(arr)-1): # 这个循环负责设置冒泡排序进行的次数
for j in range(len(arr)-i-1): # ｊ为列表下标
if arr[j] > arr[j+1]:
arr[j], arr[j+1] = arr[j+1], arr[j]
return arr
(7) 快速排序
快速排序可以说是使用频率和考察频率最高的排序方法。快速排序的基本思想是以序列中的某个值为标准，大于该值的被放在右边，小于该值放在左边，然后再继续对该值左右两两边的序列重复此步骤，思想很简单，代码如下。
import random
def quick_sort(arr,start,end):
if end-start<=0: return
index=random.randrange(start,end+1)
print(index)
arr[end],arr[index]=arr[index],arr[end]
small=start-1
for i in range(start,end):
if arr[i]
对于python，有一种更加简单明了的实现方式
def qsort(arr):
if len(arr) <= 1: return arr
return qsort([lt for lt in arr[1:] if lt < arr[0]]) + arr[0:1]+ qsort([ge for ge in arr[1:] if ge >= arr[0]])
快速排序并没有创建新的数组，但由于实现过程中利用了函数的递归调用，需要堆栈空间，所以空间复杂度为O(nlogn)，时间复杂度最好为O(nlogn)。
(8) 归并排序
归并排序采用分而治之的思想，将序列分为多个小的序列，对小的序列排序之后，将小序列合并为大的序列，过程如下图所示。
代码如下
def merge_sort(arr,start,end):
def merging(l1,l2,lnew=[]):
i,j=0,0
while(i1:#分
mid=start+(end-start)//2
merge_sort(arr,start,mid)
merge_sort(arr,mid,end)
arr[start:end]=merging(arr[start:mid],arr[mid:end],[])#治
return arr
归并排序需要新的数组存放合并后的序列，空间复杂度为O(n)，时间复杂度恒定为O(nlogn)，是稳定的。
(9) 计数排序
桶排序实际上是一类排序方法的总称。桶排序的思想是将所有数据按照一定的映射关系放到一定数量的桶中，将每个桶里的数据排序，再将所有的桶组合起来，所以不同的映射关系下可以产生不同的桶排序，并且桶排序是基于其他排序算法的，桶内数据的排序需要使用其他排序算法。计数排序和基数排序是桶排序的两种代表。
计数排序是采用的映射关系是最直接的f[i]=i，即一个桶里的数字都是相同的，因此没有桶内排序的步骤。具体过程为，
1.找出待排序的数组中最大和最小的元素
2.统计数组中每个值为i的元素出现的次数，存入数组C的第i项，这时映射的过程
3.对所有的计数累加，C[i]的含义即是在数组中小于i的元素个数，即为排序后i应放的位置
4.反向填充目标数组：将每个元素i放在新数组的第C(i)项，每放一个 元素就将C(i)减去1。
代码如下
def count_sort(arr):
crr=[]
m=max(arr)+1
ll=len(arr)
ans=[]
for i in range(ll):#用于存放排序后的数组
ans.append(None)
for i in range(m):#桶
crr.append(0)
for num in arr:#映射的过程，计数
crr[num]+=1
for i in range(1,m):#计数累加
crr[i]=crr[i-1]+crr[i]
for num in arr:#反向填充数组
ans[crr[num]-1]=num
crr[num]-=1
return ans
(10) 基数排序
基数排序的映射方法是按照数据特定位上数字放入不同的桶中， 将序列中的数组按照个位放到不同的桶中，然后按照个位0~9的顺序依次取出，再按照十位放到不同的桶中，…….直到达到数据的最高位，最后一次将数据取出时，排序完成，例如：
实现代码
def radix_sort(arr):
def compare(basis,arr):#以数组basis为依据的插入排序
for i in range(1,len(basis)):
if basis[i]basis[j]:
basis[j],basis[j-1]=basis[j-1],basis[j]
arr[j],arr[j-1]=arr[j-1],arr[j]
else:
break
upnum=max(arr)
tmp=1
while(tmp
注意基数排序在桶内排序时，一定要采用稳定的排序方法，这样才可以利用之前的排序结果，否则之前的排序是无意义的。
网站栏目：Python中经典排序方法
文章位置：http://cdkjz.cn/article/dsojddd.html
