算法分析--基数排序

算法分析–基数排序

1. 什么是基数排序？一个直观的比喻想象一下，你要整理一堆快递包裹，这些包裹上都有三位数的数字编码（比如 123、456、789）。你想让它们按数字从小到大排列。一个简单的办法是：先看个位数，把个位数相同的包裹放在一起；然后看十位数，再把十位数相同的调整顺序；最后看百位数。这样经过三次“分类”，所有包裹就自动排好序了。这就是基数排序的核心思想——它是一种非比较型整数排序算法，通过按位（个位、十位、百位…）分配和收集来实现排序。与快速排序、归并排序等基于比较的算法不同，基数排序不依赖元素之间的直接比较，而是利用数字的位数特性。## 2. 算法原理与步骤基数排序的原理非常直观，可以分为三个主要步骤：1. 确定最大位数：找到数组中最大数字的位数，这决定了我们需要进行多少轮排序。2. 逐位分配：从最低有效位（个位）开始，根据当前位的数字将元素分配到10个桶（0-9）中。3. 逐位收集：按桶的顺序（0-9）将元素重新收集到数组中，保持桶内的相对顺序。这个过程重复进行，直到处理完所有位数。注意：我们通常从最低位（LSD，Least Significant Digit）开始，也可以从最高位（MSD）开始，但LSD实现更简单。关键特性：- 时间复杂度：O(d * (n + k))，其中d是位数，n是元素个数，k是基数（通常为10）- 空间复杂度：O(n + k)- 稳定性：稳定排序（相同数字的相对顺序保持不变）## 3. 代码示例一：基础版基数排序（整数排序）让我们先看一个简单的Python实现，对非负整数进行升序排序：pythondef counting_sort_by_digit(arr, exp): """根据指定的位（exp=1,10,100...）对数组进行计数排序""" n = len(arr) output = [0] * n # 输出数组 count = [0] * 10 # 计数数组，0-9共10个数字 # 统计当前位上每个数字出现的次数 for i in range(n): index = (arr[i] // exp) % 10 # 提取当前位上的数字 count[index] += 1 # 将计数转换为累积计数（决定每个数字在输出数组中的位置） for i in range(1, 10): count[i] += count[i - 1] # 从后向前遍历，确保稳定性（相同数字不会乱序） for i in range(n - 1, -1, -1): index = (arr[i] // exp) % 10 output[count[index] - 1] = arr[i] count[index] -= 1 # 将排序后的结果复制回原数组 for i in range(n): arr[i] = output[i]def radix_sort_positive(arr): """对非负整数数组进行基数排序""" if len(arr) == 0: return arr # 找到最大数字，确定位数 max_num = max(arr) exp = 1 # 从个位开始（10^0） # 当最大数字还有更高位时继续循环 while max_num // exp > 0: counting_sort_by_digit(arr, exp) exp *= 10 # 前进到下一位 return arr# 测试代码test_arr = [170, 45, 75, 90, 802, 24, 2, 66]print("原始数组:", test_arr)sorted_arr = radix_sort_positive(test_arr)print("排序后数组:", sorted_arr)代码解析：- counting_sort_by_digit 是核心辅助函数，它基于当前位（个位、十位…）进行计数排序- 使用倒序遍历保证了排序的稳定性——相同数字的相对顺序不变- 外层循环 while max_num // exp > 0 控制位数，直到最大数字的最高位处理完毕运行这段代码，你会看到：原始数组: [170, 45, 75, 90, 802, 24, 2, 66]排序后数组: [2, 24, 45, 66, 75, 90, 170, 802]## 4. 代码示例二：支持负数的改进版实际应用中，数组经常包含负数。上面的基础版无法处理负数，因为负数的数字位提取会出问题。下面我们扩展一下，让基数排序支持负数：pythondef radix_sort_with_negative(arr): """ 支持负数的基数排序 思路：将负数单独分离，取绝对值排序后取反，再与正数合并 """ if len(arr) <= 1: return arr # 分离正负数 negatives = [-x for x in arr if x < 0] # 负数取绝对值 positives = [x for x in arr if x >= 0] # 对正数部分进行基数排序 if positives: max_positive = max(positives) exp = 1 while max_positive // exp > 0: counting_sort_by_digit(positives, exp) exp *= 10 # 对负数部分（绝对值）进行基数排序 if negatives: max_negative = max(negatives) exp = 1 while max_negative // exp > 0: counting_sort_by_digit(negatives, exp) exp *= 10 # 负数排序后要反转（因为绝对值越大，原数越小） # 例如：[-5, -3] -> 绝对值[5, 3]排序后->[3, 5] -> 取反->[-3, -5] -> 反转->[-5, -3] negatives_sorted = [-x for x in negatives][::-1] # 合并结果：负数在前，正数在后 return negatives_sorted + positives# 测试包含负数的数组test_arr2 = [3, -1, 0, -5, 8, -3, 2, -8]print("原始数组（含负数）:", test_arr2)sorted_arr2 = radix_sort_with_negative(test_arr2)print("排序后数组:", sorted_arr2)代码解析：- 核心技巧：将负数转换为正数（取绝对值）处理，排序后再转换回来- 负数部分排序后需要反转：因为绝对值越大，原数越小（例如 -8 < -3）- 最终合并时负数在前（升序排列），正数在后运行结果：原始数组（含负数）: [3, -1, 0, -5, 8, -3, 2, -8]排序后数组: [-8, -5, -3, -1, 0, 2, 3, 8]## 5. 性能分析与应用场景### 时间复杂度- 最好情况：O(d * (n + k))- 最坏情况：O(d * (n + k)) - 平均情况：O(d * (n + k))其中：- n = 元素个数- d = 最大位数（如3位数的d=3）- k = 基数（十进制为10）注意：当d较小（比如固定长度整数）时，基数排序的时间复杂度接近O(n)，比O(n log n)的快速排序更快。### 空间复杂度- O(n + k)，需要额外的计数数组和输出数组### 与比较排序的对比| 算法 | 时间复杂度 | 空间复杂度 | 稳定性 ||------|------------|------------|--------|| 快速排序 | O(n log n) | O(log n) | 不稳定 || 归并排序 | O(n log n) | O(n) | 稳定 || 基数排序 | O(d * (n+k)) | O(n+k) | 稳定 |### 适用场景1. 固定位数的整数排序：如电话号码、身份证号、邮政编码2. 数据范围较大但位数有限：比如10万个数，范围0-10^9，但只有10位数字3. 需要稳定排序：比如多关键字排序（先按年龄排，再按姓名排）### 不适用场景1. 浮点数：位数不固定，且基数处理复杂（可以通过乘以10的幂次转换为整数）2. 字符串：需要按字符编码处理，但长度不一3. 数据位数差异极大：比如1和1000000000，会导致大量的空桶操作## 6. 总结基数排序是一种优雅而高效的排序算法，它通过“按位分配”巧妙绕开了元素比较的瓶颈。从算法原理上看，它体现了分治思想：将一个复杂问题（多位数排序）分解为多个简单问题（单数字排序）。从实现角度看，它依赖计数排序作为子过程，利用了计数排序的稳定性和线性时间复杂度。虽然基数排序不适用于所有场景（比如浮点数或字符串），但在处理固定位数的整数时，它往往能展现出惊人的速度——特别是当数据量很大而位数较小的时候。结合代码示例，我们可以看到基数排序的实现并不复杂，而且通过一些技巧（如处理负数），它可以适应更广泛的应用场景。最后，记住基数排序的核心口诀：“从低位到高位，分桶收集稳又好”。理解了这个思想，你就能轻松掌握这种非比较型排序的精髓。