【10】 线性排序：如何根据年龄给100万用户数据排序？

1. 线性排序算法介绍

1. 线性排序算法包括桶排序、计数排序、基数排序。
2. 线性排序算法的时间复杂度为O(n)。
3. 此3种排序算法都不涉及元素之间的比较操作，是非基于比较的排序算法。
4. 对排序数据的要求很苛刻，重点掌握此3种排序算法的适用场景。

2. 桶排序（Bucket sort）

1. 算法原理：
   1）将要排序的数据分到几个有序的桶里，每个桶里的数据再单独进行快速排序或者归并。
   2）桶内排完序之后，再把每个桶里的数据按照顺序依次取出，组成的序列就是有序的了。
2. 使用条件
   1）要排序的数据需要很容易就能划分成m个桶，并且桶与桶之间有着天然的大小顺序。
   2）数据在各个桶之间分布是均匀的。
3. 适用场景
   1）桶排序比较适合用在外部排序中。(即数据存储在硬盘中）
   2）外部排序就是数据存储在外部磁盘且数据量大，但内存有限无法将整个数据全部加载到内存中。
4. 性能分析
   1）时间复杂度: 最好o(n), 最坏o(nlogn), 平均o(n)，一般桶分的越细越多复杂度就会最好。
   2） 内存消耗: o(n)
   3） 稳定性: 取决于每个桶的排序方式，快排就不稳定，归并就稳定。
5. 应用案例
   数据范围分布均匀，内存吃紧的，如磁盘的读写可以分成多个小文件并对每个小文件排序，然后直接写到大文件里，这个时候内存消耗不再是o(n)了。
   1）需求描述：
   有10GB的订单数据，需按订单金额（假设金额都是正整数）进行排序
   但内存有限，仅几百MB
   2）解决思路：
   扫描一遍文件，看订单金额所处数据范围，比如1元-10万元，那么就分100个桶。
   第一个桶存储金额1-1000元之内的订单，第二个桶存1001-2000元之内的订单，依次类推。
   每个桶对应一个文件，并按照金额范围的大小顺序编号命名（00，01，02，…，99）。
   将100个小文件依次放入内存并用快排排序。
   所有文件排好序后，只需按照文件编号从小到大依次读取每个小文件并写到大文件中即可。
   3）注意点：若单个文件无法全部载入内存，则针对该文件继续按照前面的思路进行处理即可。

3. 计数排序（Counting sort）

特殊的桶排序，即每个下标代表一个数据范围，其值就是这个数据的个数。

1. 算法原理
   1）计数其实就是桶排序的一种特殊情况。（即粒度更小的）
   2）当要排序的n个数据所处范围并不大时，比如最大值为k，则分成k个桶
   3）每个桶内的数据值都是相同的，就省掉了桶内排序的时间。
2. 使用条件
   1）只能用在数据范围不大的场景中，若数据范围k比要排序的数据n大很多，就不适合用计数排序；
   2）计数排序只能给非负整数排序，其他类型需要在不改变相对大小情况下，转换为非负整数；
   3）比如如果考试成绩精确到小数后一位，就需要将所有分数乘以10，转换为整数。
3. 适用场景
   数据范围不大的，如年龄排序。
4. 性能分析
   时间复杂度: 都是o(n)。
   内存消耗: o(n)。
   稳定性: 稳定，只要整理最后结果时从后开始遍历即可。
5. 案例分析：
   假设只有8个考生分数在0-5分之间，成绩存于数组A[8] = [2，5，3，0，2，3，0，3]。
   使用大小为6的数组C[6]表示桶，下标对应分数，即0，1，2，3，4，5。
   C[6]存储的是考生人数，只需遍历一边考生分数，就可以得到C[6] = [2，0，2，3，0，1]。
   对C[6]数组顺序求和则C[6]=[2，2，4，7，7，8]，c[k]存储的是小于等于分数k的考生个数。
   数组R[8] = [0，0，2，2，3，3，3，5]存储考生名次。那么如何得到R[8]的呢？
   从后到前依次扫描数组A，比如扫描到3时，可以从数组C中取出下标为3的值7，也就是说，到目前为止，包括自己在内，分数小于等于3的考生有7个，也就是说3是数组R的第7个元素（也就是数组R中下标为6的位置）。当3放入数组R后，小于等于3的元素就剩下6个了，相应的C[3]要减1变成6。
   以此类推，当扫描到第二个分数为3的考生时，就会把它放入数组R中第6个元素的位置（也就是下标为5的位置）。当扫描完数组A后，数组R内的数据就是按照分数从小到大排列的了。
6. 代码实现

def counting_sort(collection):
    """计数排序"""
    # 如果为空，则返回空列表
    if collection == []:
        return []

    # 获取数组的基本信息：最大值、最小值、个数
    coll_len = len(collection)
    coll_max = max(collection)
    coll_min = min(collection)

    # 创建一个计数数组
    counting_arr_length = coll_max + 1 - coll_min
    counting_arr = [0] * counting_arr_length

    # 统计数组中每个数出现个次数
    for number in collection:
        counting_arr[number - coll_min] += 1

    # 统计每个位置里面的排名，可以求得在数组中有多少个元素 <= i
    for i in range(1, counting_arr_length):
        counting_arr[i] = counting_arr[i] + counting_arr[i-1]

    # 创建一个储存排好序的数组
    ordered = [0] * coll_len

    # 为了保证排序的稳定性，从数组的末尾开始遍历数组collection，依次把数组的元组放入ordered中
    for i in reversed(range(0, coll_len)):
        # 注意-1，这是因为，比如排名第6大，那么应该保存在下标为5的位置
        ordered[counting_arr[collection[i] - coll_min] - 1] = collection[i] 
        counting_arr[collection[i] - coll_min] -= 1 # 取出一个数，要记得-1

    return ordered

def counting_sort_string(string):
    return ''.join([chr(i) for i in counting_sort([ord(c) for c in string])])

4. 基数排序（Radix sort）

对数据的每一位进行桶排序或计数排序，对每位排序后结果就是有序的。

1. 算法原理（以排序10万个手机号为例来说明）
   1）比较两个手机号码a，b的大小，如果在前面几位中a已经比b大了，那后面几位就不用看了。
   2）借助稳定排序算法的思想，可以先按照最后一位来排序手机号码，然后再按照倒数第二位来重新排序，以此类推，最后按照第一个位重新排序。
   3）经过11次排序后，手机号码就变为有序的了。
   4）每次排序有序数据范围较小，可以使用桶排序或计数排序来完成。
2. 使用条件
   1）要求数据可以分割独立的“位”来比较；
   2）位之间由递进关系，如果a数据的高位比b数据大，那么剩下的地位就不用比较了；
   3）每一位的数据范围不能太大，要可以用线性排序，否则基数排序的时间复杂度无法做到O(n)。
3. 适用场景
   在桶排序和计数排序基础上进行的，保证每位数据范围不大，并且位数也不是很多。
4. 性能分析
   1）时间复杂度: 最好o(n), 最坏o(nlogn), 平均o(n)
   2）内存消耗: o(n)
   3）稳定性: 稳定。否则就排不成的。

5. 思考

1. 如何根据年龄给100万用户数据排序？
   根据年龄给 100 万用户排序，就类似按照成绩给 50 万考生排序。我们假设年龄的范围最小 1 岁，最大不超过 120 岁。我们可以遍历这 100 万用户，根据年龄将其划分到这 120 个桶里，然后依次顺序遍历这 120 个桶中的元素。这样就得到了按照年龄排序的 100 万用户数据。
2. 对D，a，F，B，c，A，z这几个字符串进行排序，要求将其中所有小写字母都排在大写字母前面，但是小写字母内部和大写字母内部不要求有序。比如经过排序后为a，c，z，D，F，B，A，这个如何实现呢？如果字符串中处理大小写，还有数字，将数字放在最前面，又该如何解决呢？
   利用桶排序思想，弄小写，大写，数字三个桶，遍历一遍，都放进去，然后再从桶中取出来就行了。相当于遍历了两遍，复杂度O(n)

6. 参考资料

1. 王争老师在极客时间的专栏《数据结构与算法之美》
2. 专栏下的所有评论

7. 声明

本文章是学习王争老师在极客时间专栏——《数据结构与算法之美》的学习总结，文章很多内容直接引用了专栏下的回复，推荐大家购买王争老师的专栏进行更加详细的学习。本文仅供学习使用，勿作他用，如侵犯权益，请联系我，立即删除。