python 经典算法,python算法有哪几种算法

　　经典的python算法有：1 .插入排序；2.希尔排序；3.选择排序；4.冒泡排序；5.合并和排序；6.快速排序；7.堆叠和分类；8.基数排序等。

　　相关免费学习推荐：python教程（视频）

　　python经典算法有：

　　排序算法可以分为内部排序和外部排序。内部排序是指数据记录在内存中排序，外部排序是指排序后的数据太大，无法一次性容纳所有排序后的记录，排序过程中需要访问外部存储。常见的内部排序算法有：插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序等。用一张图总结一下：

　　时间复杂度：

　　平方顺序(O(n2))排序各种简单排序：直接插入，直接选择和冒泡排序。

　　线性对数序(O(nlog2n))排序：快速排序、堆排序、归并排序。

　　O (n1))和(是介于0和1之间的常数。希尔排序。

　　线性顺序(O(n))排序基数排序，此外还有桶和箱排序。

　　关于稳定性：

　　稳定排序算法：冒泡排序、插入排序、合并排序和基数排序。

　　不是一个稳定的排序算法：选择排序，快速排序，希尔排序和堆排序。

　　名词解释：

　　n:数据规模

　　k:“桶”的数量

　　就地：占用常量内存，不占用额外内存。

　　错位：占用额外的内存。

　　稳定性：排序后两个相等键值的顺序与排序前相同。

　　冒泡排序

　　冒泡排序也是一种简单直观的排序算法。它反复访问要排序的序列，一次比较两个元素，如果它们的顺序不对，就切换它们。访问序列的工作一直重复到不需要交换为止，也就是说序列已经排序了。这种算法的名字来源于较小的元素会通过交换慢慢“浮”到序列的顶端。

　　冒泡排序作为最简单的排序算法之一，给我的感觉就像单词书里的abuse的出现一样，每次都是第一页第一，所以我最熟悉了。冒泡排序还有一个优化算法，就是设置一个标志。当元素在一个序列遍历中没有交换时，就证明这个序列是有序的。但是这种改进对提高性能并没有太大的作用。

　　1. 算法步骤

　　比较相邻的元素。如果第一个比第二个大，两个都换。

　　对每一对相邻的元素做同样的工作，从开始的第一对到结束的最后一对。在这一步之后，最后一个元素将是最大的数字。

　　对除最后一个元素之外的所有元素重复上述步骤。

　　每次对越来越少的元素重复上述步骤，直到没有要比较的数字对。

　　2. 动图演示

　　3. Python 代码实现

　　def bubble sort(arr): for I in range(1，len(arr)): for j in range(0，len(arr)-I): if arr[j]arr[j 1]: arr[j]，arr[j]=arr[j 1]，arr[j]返回arr选择排序

　　排序是一种简单直观的排序算法。不管什么数据进去，都是O (n)的时间复杂度。所以在使用的时候，数据量越小越好。唯一的好处可能就是不占用额外的内存空间。

　　1. 算法步骤

　　首先，在未排序的序列中找到最小(最大)的元素，并将其存储在已排序序列的开头。

　　然后继续从剩余的未排序元素中寻找最小(最大)的元素，然后放在排序后的序列的末尾。

　　重复第二步，直到所有元素都排序完毕。

　　2. 动图演示

　　3. Python 代码实现

　　范围内I的def选择sort(arr):(len(arr)-

　　1): # 记录最小数的索引 minIndex = i for j in range(i + 1, len(arr)): if arr[j] < arr[minIndex]: minIndex = j # i 不是最小数时，将 i 和最小数进行交换 if i != minIndex: arr[i], arr[minIndex] = arr[minIndex], arr[i] return arr

　　插入排序

　　插入排序的代码实现虽然没有冒泡排序和选择排序那么简单粗暴，但它的原理应该是最容易理解的了，因为只要打过扑克牌的人都应该能够秒懂。插入排序是一种最简单直观的排序算法，它的工作原理是通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入。

　　插入排序和冒泡排序一样，也有一种优化算法，叫做拆半插入。

　　1. 算法步骤

1. 将第一待排序序列第一个元素看做一个有序序列，把第二个元素到最后一个元素当成是未排序序列。

   　　

2. 从头到尾依次扫描未排序序列，将扫描到的每个元素插入有序序列的适当位置。（如果待插入的元素与有序序列中的某个元素相等，则将待插入元素插入到相等元素的后面。）

   　　

　　3. Python 代码实现

def insertionSort(arr): for i in range(len(arr)): preIndex = i-1 current = arr[i] while preIndex >= 0 and arr[preIndex] > current: arr[preIndex+1] = arr[preIndex] preIndex-=1 arr[preIndex+1] = current return arr

　　希尔排序

　　希尔排序，也称递减增量排序算法，是插入排序的一种更高效的改进版本。但希尔排序是非稳定排序算法。

　　希尔排序是基于插入排序的以下两点性质而提出改进方法的：

• 插入排序在对几乎已经排好序的数据操作时，效率高，即可以达到线性排序的效率；

  　　

• 但插入排序一般来说是低效的，因为插入排序每次只能将数据移动一位；

  　　

　　1. 算法步骤

1. 选择一个增量序列 t1，t2，……，tk，其中 ti > tj, tk = 1；

   　　

2. 按增量序列个数 k，对序列进行 k 趟排序；

   　　

3. 每趟排序，根据对应的增量 ti，将待排序列分割成若干长度为 m 的子序列，分别对各子表进行直接插入排序。仅增量因子为 1 时，整个序列作为一个表来处理，表长度即为整个序列的长度。

   　　

def shellSort(arr): import math gap=1 while(gap < len(arr)/3): gap = gap*3+1 while gap > 0: for i in range(gap,len(arr)): temp = arr[i] j = i-gap while j >=0 and arr[j] > temp: arr[j+gap]=arr[j] j-=gap arr[j+gap] = temp gap = math.floor(gap/3) return arr

　　归并排序

　　归并排序（Merge sort）是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（pide and Conquer）的一个非常典型的应用。

　　作为一种典型的分而治之思想的算法应用，归并排序的实现由两种方法：

• 自上而下的递归（所有递归的方法都可以用迭代重写，所以就有了第 2 种方法）；

  　　

• 自下而上的迭代；

  　　

However, it is not possible to do so in JavaScript, as the recursion goes too deep for the language to handle.

　　然而，在 JavaScript 中这种方式不太可行，因为这个算法的递归深度对它来讲太深了。

　　

　　和选择排序一样，归并排序的性能不受输入数据的影响，但表现比选择排序好的多，因为始终都是 O(nlogn) 的时间复杂度。代价是需要额外的内存空间。

　　1. 算法步骤

1. 申请空间，使其大小为两个已经排序序列之和，该空间用来存放合并后的序列；

   　　

2. 设定两个指针，最初位置分别为两个已经排序序列的起始位置；

   　　

3. 比较两个指针所指向的元素，选择相对小的元素放入到合并空间，并移动指针到下一位置；

   　　

4. 重复步骤 3 直到某一指针达到序列尾；

   　　

5. 将另一序列剩下的所有元素直接复制到合并序列尾。

   　　

　　3. Python 代码实现

def mergeSort(arr): import math if(len(arr)<2): return arr middle = math.floor(len(arr)/2) left, right = arr[0:middle], arr[middle:] return merge(mergeSort(left), mergeSort(right))def merge(left,right): result = [] while left and right: if left[0] <= right[0]: result.append(left.pop(0)); else: result.append(right.pop(0)); while left: result.append(left.pop(0)); while right: result.append(right.pop(0)); return result

　　快速排序

　　快速排序是由东尼·霍尔所发展的一种排序算法。在平均状况下，排序 n 个项目要 Ο(nlogn) 次比较。在最坏状况下则需要 Ο(n2) 次比较，但这种状况并不常见。事实上，快速排序通常明显比其他 Ο(nlogn) 算法更快，因为它的内部循环（inner loop）可以在大部分的架构上很有效率地被实现出来。

　　快速排序使用分治法（pide and conquer）策略来把一个串行（list）分为两个子串行（sub-lists）。

　　快速排序又是一种分而治之思想在排序算法上的典型应用。本质上来看，快速排序应该算是在冒泡排序基础上的递归分治法。

　　快速排序的名字起的是简单粗暴，因为一听到这个名字你就知道它存在的意义，就是快，而且效率高！它是处理大数据最快的排序算法之一了。虽然 Worst Case 的时间复杂度达到了 O(n²)，但是人家就是优秀，在大多数情况下都比平均时间复杂度为 O(n logn) 的排序算法表现要更好，可是这是为什么呢，我也不知道。好在我的强迫症又犯了，查了 N 多资料终于在《算法艺术与信息学竞赛》上找到了满意的答案：

快速排序的最坏运行情况是 O(n²)，比如说顺序数列的快排。但它的平摊期望时间是 O(nlogn)，且 O(nlogn) 记号中隐含的常数因子很小，比复杂度稳定等于 O(nlogn) 的归并排序要小很多。所以，对绝大多数顺序性较弱的随机数列而言，快速排序总是优于归并排序。

　　

1. 从数列中挑出一个元素，称为 “基准”（pivot）;

   　　

2. 重新排序数列，所有元素比基准值小的摆放在基准前面，所有元素比基准值大的摆在基准的后面（相同的数可以到任一边）。在这个分区退出之后，该基准就处于数列的中间位置。这个称为分区（partition）操作；

   　　

3. 递归地（recursive）把小于基准值元素的子数列和大于基准值元素的子数列排序；

   　　

　　2. 动图演示

　　3. Python 代码实现

def quickSort(arr, left=None, right=None): left = 0 if not isinstance(left,(int, float)) else left right = len(arr)-1 if not isinstance(right,(int, float)) else right if left < right: partitionIndex = partition(arr, left, right) quickSort(arr, left, partitionIndex-1) quickSort(arr, partitionIndex+1, right) return arrdef partition(arr, left, right): pivot = left index = pivot+1 i = index while i <= right: if arr[i] < arr[pivot]: swap(arr, i, index) index+=1 i+=1 swap(arr,pivot,index-1) return index-1def swap(arr, i, j): arr[i], arr[j] = arr[j], arr[i]

　　堆排序

　　堆排序（Heapsort）是指利用堆这种数据结构所设计的一种排序算法。堆积是一个近似完全二叉树的结构，并同时满足堆积的性质：即子结点的键值或索引总是小于（或者大于）它的父节点。堆排序可以说是一种利用堆的概念来排序的选择排序。分为两种方法：

1. 大顶堆：每个节点的值都大于或等于其子节点的值，在堆排序算法中用于升序排列；

   　　

2. 小顶堆：每个节点的值都小于或等于其子节点的值，在堆排序算法中用于降序排列；

   　　

　　1. 算法步骤

1. 创建一个堆 H[0……n-1]；

   　　

2. 把堆首（最大值）和堆尾互换；

   　　

3. 把堆的尺寸缩小 1，并调用 shift_down(0)，目的是把新的数组顶端数据调整到相应位置；

   　　

4. 重复步骤 2，直到堆的尺寸为 1。

   　　

　　3. Python 代码实现

def buildMaxHeap(arr): import math for i in range(math.floor(len(arr)/2),-1,-1): heapify(arr,i)def heapify(arr, i): left = 2*i+1 right = 2*i+2 largest = i if left < arrLen and arr[left] > arr[largest]: largest = left if right < arrLen and arr[right] > arr[largest]: largest = right if largest != i: swap(arr, i, largest) heapify(arr, largest)def swap(arr, i, j): arr[i], arr[j] = arr[j], arr[i]def heapSort(arr): global arrLen arrLen = len(arr) buildMaxHeap(arr) for i in range(len(arr)-1,0,-1): swap(arr,0,i) arrLen -=1 heapify(arr, 0) return arr

　　计数排序

　　计数排序的核心在于将输入的数据值转化为键存储在额外开辟的数组空间中。作为一种线性时间复杂度的排序，计数排序要求输入的数据必须是有确定范围的整数。

　　1. 动图演示

　　2. Python 代码实现

def countingSort(arr, maxValue): bucketLen = maxValue+1 bucket = [0]*bucketLen sortedIndex =0 arrLen = len(arr) for i in range(arrLen): if not bucket[arr[i]]: bucket[arr[i]]=0 bucket[arr[i]]+=1 for j in range(bucketLen): while bucket[j]>0: arr[sortedIndex] = j sortedIndex+=1 bucket[j]-=1 return arr

　　桶排序

　　桶排序是计数排序的升级版。它利用了函数的映射关系，高效与否的关键就在于这个映射函数的确定。为了使桶排序更加高效，我们需要做到这两点：

1. 在额外空间充足的情况下，尽量增大桶的数量

   　　

2. 使用的映射函数能够将输入的 N 个数据均匀的分配到 K 个桶中

   　　

　　1. 什么时候最快

　　当输入的数据可以均匀的分配到每一个桶中。

　　2. 什么时候最慢

　　当输入的数据被分配到了同一个桶中。

　　基数排序

　　基数排序是一种非比较型整数排序算法，其原理是将整数按位数切割成不同的数字，然后按每个位数分别比较。由于整数也可以表达字符串（比如名字或日期）和特定格式的浮点数，所以基数排序也不是只能使用于整数。

　　1. 基数排序 vs 计数排序 vs 桶排序

　　基数排序有两种方法：

　　这三种排序算法都利用了桶的概念，但对桶的使用方法上有明显差异：

• 基数排序：根据键值的每位数字来分配桶；

  　　

• 计数排序：每个桶只存储单一键值；

  　　

• 桶排序：每个桶存储一定范围的数值；

  　　

　　2. LSD 基数排序动图演示

　　以上就是python经典算法有哪些的详细内容，更多请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。