当数据符合线性排序对数据的要求
当数据符合线性排序的要求时，优先使用线性排序。时间复杂度为O(n)。
但是对于大多数情况下，数据并不一定符合线性排序的数据要求。
小规模数据
如果对于小规模的数据排序，我们可以选择时间复杂度是 O(n²) 的算法。
因为在小规模数据面前，O(n²) 时间复杂度的算法并不一定比 O(nlogn) 的算法执行时间长。
我们通常进行的复杂度分析是偏理论的，大部分使用大O渐进复杂度表示。实际上时间复杂度并不等于代码实际的运行时间。
时间复杂度代表的是一个增长趋势，如果画成增长曲线图，会发现 O(n²) 比 O(nlogn) 要陡峭，也就是说增长趋势要更猛一些。
在大 O 复杂度表示法中，我们会省略低阶、系数和常数。
也就是说，O(nlogn) 在没有省略低阶、系数、常数之前可能是 O(knlogn + c)，而且 k 和 c 有可能还是一个比较大的数。
假设 k=1000，c=200，当我们对小规模数据（比如 n=100）排序时，n2的值实际上比 knlogn+c 还要小。
knlogn+c = 1000 * 100 * log100 + 200 远大于10000
n^2 = 100*100 = 10000大规模数据
如果对大规模数据进行排序，时间复杂度是 O(nlogn) 的算法更加高效。对于大规模数据，使用O(n²)的算法效率并不高。
所以，为了兼顾任意规模数据的排序，一般都会首选时间复杂度是 O(nlogn) 的排序算法来实现排序函数。
时间复杂度是 O(nlogn) 的排序算法有快速排序和归并排序，还有一个堆排序，快速排序和堆排序都有很多的应用。
但是，同为O(nlogn) 的排序算法的归并排序使用的并不多。那为什么呢？
快速排序当分区点选择极其不合理的时候，快速排序的最坏情况下时间复杂度为O(n²)。
而归并排序能做到最好、最坏平均情况下复杂度都为O(nlogn)。
主要原因是归并排序是一个非原地排序算法，空间复杂度为O(n)。
如果要排序 100MB 的数据，除了数据本身占用的内存之外，排序算法还要额外再占用 100MB 的内存空间，空间耗费就翻倍了。这就是归并排序相对于快速排序来讲最大的缺点。
快速排序的最坏情况下时间复杂度为O(n²)，这种 O(n²) 时间复杂度出现的主要原因还是因为我们分区点选的不够合理。
我们可以通过优化快速排序来规避这种情况，来选择尽可能合理的分区点。如随机法、三/五/十数取中法
举例
C语言中的 qsort()。
从名字上看，很像是基于快速排序算法实现的，实际上它并不仅仅用了快排这一种算法。
在源码中，qsort() 会优先使用归并排序来排序输入数据。
因为归并排序的空间复杂度是 O(n)，所以对于小数据量的排序，比如 1KB、2KB 等，归并排序额外需要 1KB、2KB 的内存空间，这个问题不大。现在计算机的内存都挺大的，我们很多时候追求的是速度。这就是一个典型的用空间换时间的应用。
如果数据量太大，排序 100MB 的数据，这个时候我们再用归并排序就不合适了。
所以，要排序的数据量比较大的时候，qsort() 会改为用快速排序算法来排序。
qsort() 选择分区点的方法就是“三数取中法”。
qsort() 并不仅仅用到了归并排序和快速排序，它还用到了插入排序。
在快速排序的过程中，当要排序的区间中，元素的个数小于等于 4 时，qsort() 就退化为插入排序，不再继续用递归来做快速排序
