常见的线型排序时间复杂度是O(n),有桶排序、计数排序、基数排序。
1.桶排序（Bucket sort）
其实桶排序就是spark全局排序的思想，先把要排序的内容取样，然后数据去分段hash，不就是hash到一个分段有序的桶中了吗！
mr的默认实现并没有利用桶排序思想，所以只能在一个reduce进行排序，排序过程虽然用了归并排序不会内存溢出，但是也要串行遍历n次数据，并且每次从迭代器遍历出数据都要在小顶堆进行排序，因此并不高效。
那是不是就是说桶排序无敌了呢，其实不然，桶排序的关键点在于这个取样算法是否准确，如果不够准确，最坏的情况就是所有数据分到一个桶中了。这样就退步到O(nlogn)了(桶中的排序使用快排)。
桶排序比较适合用在外部排序中。所谓的外部排序就是数据存储在外部磁盘中，数据量比较大，内存有限，无法将数据全部加载到内存中。是大数据中常用的算法思想。
2.计数排序（Counting sort）
计数排序其实是桶排序的一种特殊情况。当要排序的 n 个数据，所处的范围并不大的时候，比如最大值是 k，我们就可以把数据划分成 k 个桶。每个桶内的数据值都是相同的，省掉了桶内排序的时间。
适用于k不太大的情况。
3.基数排序（Radix sort）
将所有待比较数值统一为同样的数位长度，数位较短的数前面补零。
从低位开始将待排序的数按照这一位的值放到相应的编号为0~9的桶中。
等到低位排完得到一个子序列，再将这个序列按照次低位的大小进入相应的桶中，一直排到最高位为止，数组排序完成。
假设三个字母排序，排序思路是先按照个位排序，然后按照百位排序，然后按照千位排序，完成。主要借助稳定排序思想。
不过基数排序对要排序的数据也是有要求的，需要可以分割出独立的“位”来比较，而且位之间有递进的关系，位数也要相同。如果 a 数据的高位比 b 数据大，那剩下的低位就不用比较了。
除此之外，每一位的数据范围不能太大，要可以用线性排序算法来排序，否则，基数排序的时间复杂度就无法做到 O(n) 了
问题来了，如何根据年龄给 100 万用户排序？哪种最快。