常用查找方法
1、递归
- 在函数内调用当前函数本身的函数就是递归函数
- 有结束条件
def fibonacci(n): if n == 0: return 0 elif n == 1: return 1 else: return fibonacci(n-1) + fibonacci(n-2) print([fibonacci(x) for x in range(10)])5
2、二分法查找（折半查找）
1.二分法查找的思路
（1）从有序数组的中间元素开始搜索，如果该元素正好是目标元素，则搜索过程结束，否则执行（2）。
（2）如果目标元素大于中间元素，则在数组大于中间元素的那一半区域查找；如果目标元素小于中间元素，则在数组小于中间元素的那一半区域查找，然后重复步骤（1）的操作。
（3）如果某一步数组为空，则表示找不到目标元素，结束查找。
l = list(range(1,101)) def bin_search(data_set,val): low = 0 high = len(data_set) - 1 while low <= high: mid = (low+high)//2 if data_set[mid] == val: return mid elif data_set[mid] < val: low = mid + 1 else: high = mid - 1 return n = bin_search(l,11) print(n) # 返回结果是： 10
常用排序方法
1、排序方法比较
一、冒泡排序（最好是O(n), 最坏O(n2)）
原理：相邻的两个元素对比，大的数后推，遍历整个列表一遍后，将最大项以冒泡的方式排列i到列表末尾
def bubble_sort(li): for i in range(len(li)-1): for j in range(len(li)-i-1): if li[j] > li[j+1]: li[j],li[j+1]=li[j+1],li[j] li = [1,5,2,6,3,7,4,8,9,0] bubble_sort(li) print(li) # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
二、选择排序
1、先假定第一个是最小的，依次与其他数比，如果其他数中有比第一个数小就假定这个更小的最小
2、再比，第一轮就可以找到最小的那个放到0号位置，然后在假定1号位置数最小与剩下比较，再找到第二小的数放到第1号位置
import random def select_sort(li): for i in range(len(li) - 1): min_loc = i #开始先假设0号位置的值最小 for j in range(i+1, len(li)): #循环无序区，依次比较，小于min_loc就暂定他的下标最小 if li[j] < li[min_loc]: #所以内层for循环每执行一次就选出一个小值 min_loc = j li[i], li[min_loc] = li[min_loc],li[i] li = [1,5,2,6,3,7,4,8,9,0] select_sort(li) print(li) # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
三、插入排序
1、列表被分为有序区和无序区两个部分，最初有序区只有一个元素
2、每次从无序区选择一个元素，插入到有序区的位置，直到无序区变空
import random def insert_sort(li): for i in range(1, len(li)): tmp = li[i] #tmp是无序区取出的一个数 j = i - 1 #li[j]是有序区最大的那个数 while j >= 0 and li[j] > tmp: # li[j]是有序区最大的数，tmp是无序区取出的一个数，tmp从有序区最大的那个数开始比 # 小就调换位置，直到找到有序区中值不大于tmp的结束 li[j+1]=li[j] #将有序区最右边的数向右移一个位置 j = j - 1 li[j + 1] = tmp #将tmp放到以前有序区最大数的位置，再依次与前一个数比较 data = list(range(100)) random.shuffle(data) #将有序列表打乱 insert_sort(data) print(data)
def insert_sort(items): for i in range(1,len(items)): item_insert = items[i] j = i - 1 while j >= 0: if item_insert < items[j]: items[j+1] = items[j] j -= 1 else: break items[j+1] = item_insert return items items = [1,22,0,8,9] print(insert_sort(items))
四、快速排序
注：快排代码实现（类似于二叉树 递归调用）----右手左手一个慢动作，右手左手一个慢动作重播
import random import sys sys.setrecursionlimit(10000000) #设置系统最大递归深度 def quick_sort(data, left, right): if left < right: mid = partition(data, left, right) # mid返回的是上一个用来排序那个数的下标 quick_sort(data, left, mid - 1) quick_sort(data, mid + 1,right) # 每执行一次partition函数都可以实现将某个数左边都比这个数小右边都比这个数大 def partition(data, left, right): tmp = data[left] while left < right: while left < right and data[right] >= tmp: # 从右向左找小于tmp的数放到左边空位置 right -= 1 data[left] = data[right] # 将右边小于tmp值得数放到左边空位置 while left < right and data[left] <= tmp: # 从左向右找到大于tmp的值放到右边空位置 left += 1 data[right] = data[left] # 将右边大于tmp值得数放到右边空位置 data[left] = tmp return left data = list(range(100)) random.shuffle(data) #将有序列表打乱 quick_sort(data, 0, len(data) - 1) print(data)
def quick_sort(arr): ''''' 模拟栈操作实现非递归的快速排序 ''' if len(arr) < 2: return arr stack = [] stack.append(len(arr)-1) stack.append(0) while stack: l = stack.pop() r = stack.pop() index = partition(arr, l, r) if l < index - 1: stack.append(index - 1) stack.append(l) if r > index + 1: stack.append(r) stack.append(index + 1) def partition(arr, start, end): # 分区操作，返回基准线下标 pivot = arr[start] while start < end: while start < end and arr[end] >= pivot: end -= 1 arr[start] = arr[end] while start < end and arr[start] <= pivot: start += 1 arr[end] = arr[start] # 此时start = end arr[start] = pivot return start lst = [1,3,5,7,9,2,4,6,8,10] quick_sort(lst) print lst # [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
def quick(list): if len(list) < 2: return list tmp = list[0] # 临时变量 可以取随机值 left = [x for x in list[1:] if x <= tmp] # 左列表 right = [x for x in list[1:] if x > tmp] # 右列表 return quick(left) + [tmp] + quick(right) li = [4,3,7,5,8,2] print quick(li) # [2, 3, 4, 5, 7, 8] #### 对[4,3,7,5,8,2]排序 ''' [3, 2] + [4] + [7, 5, 8] # tmp = [4] [2] + [3] + [4] + [7, 5, 8] # tmp = [3] 此时对[3, 2]这个列表进行排序 [2] + [3] + [4] + [5] + [7] + [8] # tmp = [7] 此时对[7, 5, 8]这个列表进行排序 '''
2、快排原理
# 从排序前--------> 到P归位 经历过程（前面都比5小后面都比5大） # 1、 首先从右向左比较，取出列表第一个元素5（第一个位置就空出来）与列表最后一个元素8比较，8>5不换位置 # 2、 用5与-2位置的9比，5<9不换位置 # 3、 5与-3位置的2比较，2<5,将-3位置的5放到1号位置，那么-3号位置空出来了，然后从左往右比较 # 4、 5与2号位置的7比，5<7,将7放到-3号位置，2号位置空出来了，在从右往左比 # 5、 -4号位置的1小于5将1放到空出的2号位置，-4位置空出来了，再从右向左比 # 6、 这样第一次循环就实现了5放到列表中间，前面的都比5大，后面的都比5小
3、快排与冒泡时间复杂度对比
|
最好情况 |
一般情况 |
最坏情况 |
|
|
快排 |
O(nlogn) |
O(nlogn) |
O(n^2) |
|
冒泡 |
O(n) |
O(n^2) |
O(n^2) |
4、快排最坏时间复杂度为何为O(n2)
1. 每次划分只能将序列分为一个元素与其他元素两部分，这时的快速排序退化为冒泡排序
2. 如果用数画出来，得到的将会是一棵单斜树，也就是说所有所有的节点只有左（右）节点的树；平均时间复杂度O(n*logn)
五、堆排序
1、堆的定义：
1、堆中某个节点的值总是不大于或不小于其父节点的值；
2、堆总是一棵完全二叉树
3、完全二叉树定义：
1）若设二叉树的深度为h，除第 h 层外，其它各层 (1～h-1) 的结点数都达到最大个数
2）第 h 层所有的结点都连续集中在最左边，这就是完全二叉树。
4、完全二叉树特性
1）一个高度为h的完全二叉树最多有 2n -1 个节点
2）根为 i 号节点，左孩子 为 2i、 右孩子为 2i+1，父亲节点 (i – 1) / 2
3）一个满二叉树 第 m层节点个数 等于 2m-1 个
4）推倒一个h层的满二叉树为何 有 2h -1 个节点
s = 20 + 21 + 22 + 23 + ...... + 2h-1
s = 21 + 21 + 22 + 23 ...... + 2h-1 - 1
s = 2*21 + 22 + 23 ...... + 2h-1 - 1
s = 22 + 22 + 23 ...... + 2h-1 - 1
s = 2*22 + 23 ...... + 2h-1 - 1
s = 2h -1
2、调长定义（节点的左右子树都是堆但自己不是堆）
1. 调长图解
2. 调长原理
1、首先将2拿出来与9和7比，这里面9最大，就用9作为根
2、2放到9以前的位置，与8和5比，8最大放到开始9的位置
3、2放到起始8的位置与6和4比，6最大，就出现了右边那张图了
3、构造堆：从最后一个有孩子的父亲开始
#! /usr/bin/env python # -*- coding: utf-8 -*- def sift(data, low, high): ''' 构造堆 堆定义：堆中某节点的值总是不大于或不小于父节点的值 :param data: 传入的待排序的列表 :param low: 需要进行排序的那个小堆的根对应的号 :param high: 需要进行排序那个小堆最大的那个号 :return: ''' i = low #i最开始创建堆时是最后一个有孩子的父亲对应根的号 j = 2 * i+ 1 #j子堆左孩子对应的号 tmp = data[i] #tmp是子堆中原本根的值（拿出最高领导） while j <= high: #只要没到子堆的最后（每次向下找一层） #孩子在堆里 # if j < high and data[j] < data[j + 1]: if j + 1 <= high and data[j] < data[j + 1]: #如果有右孩纸，且比左孩子大 j += 1 if tmp < data[j]: #如果孩子还比子堆原有根的值tmp大，就将孩子放到子堆的根 data[i] = data[j] #孩子成为子堆的根 i = j #孩子成为新父亲（向下再找一层） j = 2 * i + 1 #新孩子 （此时如果j<=high证明还有孩，继续找） else: break #如果能干就跳出循环就会流出一个空位 data[i] = tmp #最高领导放到父亲位置 def heap_sort(data): '''调整堆''' n = len(data) # n//2-1 就是最后一个有孩子的父亲那个子堆根的位置 for i in range(n // 2 - 1, -1, -1): #开始位置，结束位置， 步长 这个for循环构建堆 # for循环输出的是： （n // 2 - 1 ） ～ 0 之间的数 sift(data, i , n-1) # i是子堆的根，n-1是堆中最后一个元素 data = [20,50,20,60,70,10,80,30,40] heap_sort(data) print data # [80, 70, 20, 60, 50, 10, 20, 30, 40]
1、在构造有序堆时，我们开始只需要扫描一半的元素（n/2-1 ~ 0）即可，为什么?
2、因为(n/2-1)~0的节点才有子节点，如图1，n=8,(n/2-1) = 3 即3 2 1 0这个四个节点才有子节点
3、所以代码4~6行for循环的作用就是将3 2 1 0这四个节点从下到上，从右到左的与它自己的子节点比较并调整最终形成大顶堆，过程如下：
4、第一次for循环将节点3和它的子节点7 8的元素进行比较，最大者作为父节点（即元素60作为父节点）
5、第二次for循环将节点2和它的子节点5 6的元素进行比较，最大者为父节点（元素80作为父节点）
6、第三次for循环将节点1和它的子节点3 4的元素进行比较，最大者为父节点（元素70作为父节点）
7、第四次for循环将节点0和它的子节点1 2的元素进行比较，最大者为父节点（元素80作为父节点）
注：元素20和元素80交换后,20所在的节点还有子节点，所以还要再和它的子节点5 6的元素进行比较，这就是28行代码 i = j 的原因
8、至此有序堆已经构造好了！如上面右图
4、调整堆
1. 调整堆过程
1、建立堆
2、通过调长，得到堆顶元素，为最大元素
3、去掉堆顶，将最后一个元素放到堆顶，此时可通过一次调整重新使堆有序
4、堆顶元素为第二大元素
5、重复步骤3，直到堆变空
2. 调整堆具体步骤
1、 堆顶元素80和尾40交换后-->调整堆
2、堆顶元素70和尾30交换后-->调整堆
3、堆顶元素60尾元素20交换后-->调整堆
4、其他依次类推，最终已排好序的元素如下
5、堆排序代码实现
# !/usr/bin/env python # -*- coding:utf-8 -*- import random def sift(data, low, high): ''' 构造堆 堆定义：堆中某节点的值总是不大于或不小于父节点的值 :param data: 传入的待排序的列表 :param low: 需要进行排序的那个小堆的根对应的号 :param high: 需要进行排序那个小堆最大的那个号 :return: ''' root = low # root最开始创建堆时是最后一个有孩子的父亲对应根的号 child = 2 * root + 1 # child子堆左孩子对应的号 tmp = data[root] # tmp是子堆中原本根的值（拿出最高领导） while child <= high: # 只要没到子堆的最后（每次向下找一层） #孩子在堆里 if child + 1 <= high and data[child] < data[child + 1]: # 如果有右孩纸，且比左孩子大 child += 1 if tmp < data[child]: # 如果孩子还比子堆原有根的值tmp大，就将孩子放到子堆的根 data[root] = data[child] # 孩子成为子堆的根 root = child # 孩子成为新父亲（向下再找一层） child = 2 * root + 1 # 新孩子 （此时如果child<=high证明还有孩，继续找） else: break # 如果能干就跳出循环就会流出一个空位 data[root] = tmp # 最高领导放到父亲位置 def heap_sort(data): '''调整堆''' n = len(data) ''' n//2-1 就是最后一个有孩子的父亲那个子堆根的位置 ''' for i in range(n // 2 - 1, -1, -1): # 开始位置，结束位置， 步长 这个for循环构建堆 # for循环输出的是： （n // 2 - 1 ） ～ 0 之间的数 sift(data, i, n - 1) # i是子堆的根，n-1是堆中最后一个元素 # 堆建好了，后下面就是挨个出数 for i in range(n - 1, -1, -1): # i指向堆的最后 这个for循环出数然后，调长调整堆 # for循环输出的是 ： n-1 ～ 0之间所有的数，n-1就是这个堆最后那个数的位置 data[0], data[i] = data[i], data[0] # 将堆的第一个和最后一个值调换位置(将最大数放到最后) sift(data, 0, i - 1) # 将出数后的部分重新构建堆(调长) data = list(range(100)) random.shuffle(data) # 将有序列表打乱 heap_sort(data) print(data)
6、初始化建堆过程时间：O(n) 公式推倒
参考博客：https://www.cnblogs.com/GHzz/p/9635161.html
说明：建堆时间复杂度指初始化堆需要调整父节点和子节点顺序次数
''' 假设高度为：k ''' #### 1、推倒第i层的总时间：s = 2^( i - 1 ) * ( k - i ) # 说明：如果在最差的条件下，就是比较次数后还要交换；因为这个是常数，所以提出来后可以忽略； ''' 1. 2^( i - 1)：表示该层上有多少个元素 2. ( k - i)：表示子树上要下调比较的次数：第一层节点需要调整(h-1)次，最下层非叶子节点需要调整1次。 3. 推倒 倒数第1层下调次数：s = 2^( i - 1 ) * 0 倒数第2层下调次数：s = 2^( i - 1 ) * 1 倒数第3层下调次数：s = 2^( i - 1 ) * 2 倒数第i层下调次数：s = 2^( i - 1 ) * ( k - i ) ''' #### 2、一次新建堆总时间：S = n - longn -1 # 根据1中公式带人推倒 # S = 2^(k-2) * 1 + 2^(k-3)*2.....+2*(k-2)+2^(0)*(k-1) ===> 因为叶子层不用交换，所以i从 k-1 开始到 1； ''' S = 2^(k-2) * 1 + 2^(k-3)*2.....+2*(k-2)+2^(0)*(k-1) # 等式左右乘上2，然后和原来的等式相减，就变成了： S = 2^(k - 1) + 2^(k - 2) + 2^(k - 3) ..... + 2 - (k-1) S = 2^k -k -1 # 又因为k为完全二叉树的深度，所以 (2^(k-1)) <= n < (2^k - 1 ) # 两边同时对2取对数，简单可得 k = logn # 实际计算得到应该是 log(n+1) < k <= logn 综上所述得到：S = n - longn -1，所以时间复杂度为：O(n) '''
7、堆排序时间：O(nlogn) 公式推倒
1）推导方法1：
循环 n -1 次，每次都是从根节点往下循环查找，所以每一次时间是 logn，总时间：logn(n-1) = nlogn - logn ；
2）推导方法2：
1. 在一个堆中一次调长（调整堆）时间复杂度： log(n)
2. 排序时一次出栈顶元素需要循环 n次，每次时间复杂度为：log(n)
3. 所以总时间复杂度：nlog(n)
1.6 归并排序（递归调用）
1、归并原理图
2、归并排序代码（时间复杂度：O(nlogn)）
#! /usr/bin/env python # -*- coding: utf-8 -*- def merge(li, low, mid, high): ''' :param li: 带排序列表 :param low: 列表中第一个元素下标，一般是：0 :param mid: 列表中间位置下标 :param high: 列表最后位置下标 :return: ''' i = low j = mid + 1 ltmp = [] while i <= mid and j <= high: if li[i] < li[j]: ltmp.append(li[i]) i += 1 else: ltmp.append(li[j]) j += 1 while i <= mid: ltmp.append(li[i]) i += 1 while j <= high: ltmp.append(li[j]) j += 1 li[low:high+1] = ltmp def mergesort(li, low, high): if low < high: mid = (low + high) // 2 #获取列表中间的索引下标 mergesort(li, low, mid) #先分解 mergesort(li, mid+1, high) merge(li, low, mid, high) #然后合并 data = [10,4,6,3,8,2,5,7] mergesort(data, 0 , len(data) -1) print(data) # [2, 4, 6, 8, 10, 12, 14, 16, 18]