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.线性排序的算法的时间复杂度为：O(n)
3.此三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.对要排序的数据要求很苛刻，只能适用在某些特殊场景，所以重点掌握此3钟算法的适用场景。
桶排序
算法原理:
将要排序的数据分到几个有序的桶里，每个桶里再单独进行快速排序。桶内排完序后，再把桶内的数据按照顺序依次取出组成一个新的序列，这个新的序列就是有序的了。
使用条件：
1.要排序的数据可以很容易的就能划分到m个桶里，并且桶与桶之间有着天然的大小顺序。
2.数据在各个桶之间的分布是比较均匀的。因为如果有些桶里的数据非常多，有些非常少，很不平均，那桶内数据排序的时间复杂度就不是常量级了。在极端情况下，如果数据都被划分到一个桶里，那就退化为O(nlogn)的排序算法了。
适用场景：
桶排序比较适合在外部排序中，这里的外部排序是指数据储存在外部磁盘中，数据量比较大，内存有限，无法将数据一次性全部加载到内存中。
应用案例：
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
解决思路：
首先，我们先扫描一遍文件，查看订单金额所处的数据范围。假设我们扫描后得到订单的数据范围是1元到10万元，那么我们将所有的订单数据划分到100个桶里，第一个桶我们储存1-1000元之间的数据，第二桶我们储存1001-2000之间的数据，依次类推，每一个桶对应一个文件，并按照金额范围的大小顺序命名（00，01，02…99）。然后将100个文件依次放到内存中用快排进行排序。所有文件排好序后，只需要按照文件命名序号从小到大依次读取每个小文件，并写到大文件中即可。
注意： 如果分成的单个小文件还是大于内存使用大小，无法加载到内存中，则针对此文件继续按照前面的思路进行划分处理即可。
桶排序的时间复杂度为什么是O(n)呢？
如果要排序的数据有n个，我们把它们均匀地划分到m个桶内，每个桶里就有k=n/m个元素。每个桶内部使用快速排序，时间复杂度为O(klogk)。m个桶排序的时间复杂度就是O(mklogk)，因为k=n/m，所以整个桶排序的时间复杂度就是O(nlog(n/m))。当桶的个数m接近数据个数n时，log(n/m)就是一个非常小的常量，这个时候桶排序的时间复杂度接近O(n)。
计算排序
算法原理:
1.计数其实就是桶排序的一种特殊情况。
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。
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。
应用案例：
如果你所在的省有50万考生，如何通过成绩快速排序得出名次呢？
考生的满分是900分，最小是0分，这个数据的范围很小，所以我们可以分成901个桶，对应分数从0分到900分。根据考生的成绩，我们将这50万考生划分到这901个桶里。桶内的数据都是分数相同的考生，所以并不需要再进行排序。我们只需要依次扫描每个桶，将桶内的考生依次输出到一个数组中，就实现了50万考生的排序。因为只涉及扫描遍历操作，所以时间复杂度是O(n)。
基数排序
算法原理：（这里以排序10万个手机号为例子来说明）
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，最后按照第一位重新排序。
3.这样经过11次排序之后，手机号码就变为有序了。
4.在按位排序时，因为整个数据范围非常小（即0~9之间的数据），我们可以使用前面的桶排序或者基数排序进行排序，因为他们的时间复杂度是O(n)，因为这里需要11次排序，所以总的时间复杂度是O(11*n)，忽略常数值，所以最终的时间复杂度是O(n)。
使用条件：
1.要求数据可以分割成独立的位来比较。
2.位之间有递进关系，如果a数据的高位比b数据大，那么低位就不用比较。
3.每一位的数据范围不要太大，要可以用线性排序进行排序，否则基数排序的时间复杂度就无法做到O(n)。