以下是常用的算法及其详细介绍,包括排序算法、查找算法、基础算法和图算法,同时我也会提到每种数据结构的特性、优缺点及使用场景,并给出示例。

一、排序算法

1. 冒泡排序(Bubble Sort)

冒泡排序是一种简单的排序算法。它通过重复遍历要排序的数列,比较每对相邻元素并交换它们的位置,使较大的元素逐渐“冒泡”到数列的末尾。

特性

  • 逐一比较相邻元素,并将较大的元素向后移动。
  • 最坏时间复杂度:O(n²)
  • 最佳时间复杂度:O(n)(当数组已经有序时)
  • 优缺点

  • 优点:实现简单,适用于小规模数据。
  • 缺点:效率低下,特别是在大规模数据情况下。
  • 示例

    def bubble_sort(arr):  
        n = len(arr)  
        # 遍历所有数组元素  
        for i in range(n):  
            # 最后 i 个元素已经排好序  
            for j in range(0, n-i-1):  
                # 如果当前元素大于后续元素,交换它们  
                if arr[j] > arr[j+1]:  
                    arr[j], arr[j+1] = arr[j+1], arr[j]  
    
    # 示例  
    arr = [64, 34, 25, 12, 22, 11, 90]  
    bubble_sort(arr)  
    print("排序后的数组:", arr)
    

    2. 选择排序(Selection Sort)

    特性

  • 每次选择最小元素,并将其放到已排序数组的末尾。
  • 最坏时间复杂度:O(n²)
  • 优缺点

  • 优点:简单易懂,原地排序。
  • 缺点:同样,在大规模数据时效率低下。
  • 示例

    def selection_sort(arr):  
        n = len(arr)  
        for i in range(n):  
            # 假设当前 i 位置是最小值  
            min_idx = i  
            for j in range(i+1, n):  
                if arr[j] < arr[min_idx]:  
                    min_idx = j  
            # 交换找到的最小值和当前 i 位置的值  
            arr[i], arr[min_idx] = arr[min_idx], arr[i]  
    
    # 示例  
    arr = [64, 25, 12, 22, 11]  
    selection_sort(arr)  
    print("排序后的数组:", arr)
    

    3. 快速排序(Quick Sort)

    特性

  • 选择一个"基准"元素,将数组分割为两个子数组,再递归对这两个子数组进行排序。
  • 最坏时间复杂度:O(n²)(当数组已经有序时)
  • 最好时间复杂度:O(n log n)
  • 优缺点

  • 优点:在平均情况下非常高效,使用递归实现。
  • 缺点:不稳定排序,最坏情况下性能差。
  • 示例

    def quick_sort(arr):  
        if len(arr) <= 1:  
            return arr  
        pivot = arr[len(arr) // 2]  # 找到基准值  
        left = [x for x in arr if x < pivot]  # 小于基准值的元素  
        middle = [x for x in arr if x == pivot]  # 等于基准值的元素  
        right = [x for x in arr if x > pivot]  # 大于基准值的元素  
        return quick_sort(left) + middle + quick_sort(right)  
    
    # 示例  
    arr = [3, 6, 8, 10, 1, 2, 1]  
    sorted_arr = quick_sort(arr)  
    print("排序后的数组:", sorted_arr)
    

    4. 归并排序(Merge Sort)

    特性

  • 使用分治法,将数组分解为子数组,递归排序后再合并。
  • 时间复杂度:O(n log n)
  • 优缺点

  • 优点:稳定排序,适合大的数据集。
  • 缺点:额外空间复杂度较高。
  • 示例

    def merge_sort(arr):  
        if len(arr) <= 1:  
            return arr  
        mid = len(arr) // 2  # 找到中间索引  
        left = merge_sort(arr[:mid])  # 排序左半部分  
        right = merge_sort(arr[mid:])  # 排序右半部分  
        return merge(left, right)  
    
    def merge(left, right):  
        result = []  
        i = j = 0  
        while i < len(left) and j < len(right):  
            if left[i] < right[j]:  
                result.append(left[i])  
                i += 1  
            else:  
                result.append(right[j])  
                j += 1  
        result.extend(left[i:])  
        result.extend(right[j:])  
        return result  
    
    # 示例  
    arr = [38, 27, 43, 3, 9, 82, 10]  
    sorted_arr = merge_sort(arr)  
    print("排序后的数组:", sorted_arr)
    

    二、查找算法

    1. 线性查找(Linear Search)

    特性

  • 顺序遍历数组中的每个元素。
  • 时间复杂度:O(n)
  • 优缺点

  • 优点:可以用于未排序的数据。
  • 缺点:效率低下。
  • 示例

    def linear_search(arr, target):  
        for i in range(len(arr)):  
            if arr[i] == target:  
                return i  
        return -1  
    
    # 示例  
    arr = [10, 20, 30, 40, 50]  
    target = 30  
    index = linear_search(arr, target)  
    print("目标元素的索引:", index)
    

    2. 二分查找(Binary Search)

    特性

  • 在已排序数组中,通过对半查找来定位目标元素。
  • 时间复杂度:O(log n)
  • 优缺点

  • 优点:效率高,只适用于已排序的数据。
  • 缺点:实现复杂些。
  • 示例

    def binary_search(arr, target):  
        left, right = 0, len(arr) - 1  
        while left <= right:  
            mid = left + (right - left) // 2  # 找到中间索引  
            if arr[mid] == target:  
                return mid  
            elif arr[mid] < target:  
                left = mid + 1  
            else:  
                right = mid - 1  
        return -1  
    
    # 示例  
    arr = [2, 3, 4, 10, 40]  
    target = 10  
    index = binary_search(arr, target)  
    print("目标元素的索引:", index)
    

    三、基础算法

    1. 递归(Recursion)

    特性

  • 问题的解由小问题的解构成,函数调用自身。
  • 优缺点

  • 优点:代码简洁,逻辑清晰。
  • 缺点:可能导致栈溢出,效率低于迭代。
  • 示例(阶乘计算)

    def factorial(n):  
        if n == 0 or n == 1:  # 基本情况  
            return 1  
        else:  
            return n * factorial(n - 1)  # 递归调用  
    
    # 示例  
    print("5 的阶乘:", factorial(5))
    

    2. 动态规划(Dynamic Programming)

    特性

  • 用于解决具有重叠子问题和最优子结构的问题。
  • 通过保存中间结果避免重复计算。
  • 优缺点

  • 优点:高效解决多种问题。
  • 缺点:实现复杂,需额外空间存储中间结果。
  • 示例(斐波那契数列)

    def fibonacci(n, memo={}):  
        if n in memo:  # 记忆化  
            return memo[n]  
        if n <= 1:  
            return n  
        memo[n] = fibonacci(n-1, memo) + fibonacci(n-2, memo)  
        return memo[n]  
    
    # 示例  
    print("第10个斐波那契数:", fibonacci(10))
    

    四、图算法

    1. 深度优先搜索(Depth-First Search, DFS)

    特性

  • 从一个节点开始,沿着节点的深度探索。
  • 优缺点

  • 优点:实现简单,用于解决某些特殊问题。
  • 缺点:可能导致栈溢出。
  • 示例

    def dfs(graph, start, visited=None):  
        if visited is None:  
            visited = set()  
        visited.add(start)  
        print(start, end=" ")  # 访问节点  
        for neighbor in graph[start]:  
            if neighbor not in visited:  
                dfs(graph, neighbor, visited)  
    
    # 示例  
    graph = {  
        'A': ['B', 'C'],  
        'B': ['D', 'E'],  
        'C': ['F'],  
        'D': [],  
        'E': [],  
        'F': []  
    }  
    print("深度优先搜索结果:")  
    dfs(graph, 'A')
    

    2. 广度优先搜索(Breadth-First Search, BFS)

    特性

  • 从一个节点开始,逐层探索邻接节点。
  • 优缺点

  • 优点:找到最短路径(在无权图中)。
  • 缺点:需要更多的空间存储队列。
  • 示例

    from collections import deque  
    
    def bfs(graph, start):  
        visited = set()  
        queue = deque([start])  # 使用双端队列实现队列  
        while queue:  
            vertex = queue.popleft()  # 访问队列的左端  
            if vertex not in visited:  
                print(vertex, end=" ")  
                visited.add(vertex)  
                queue.extend(neighbor for neighbor in graph[vertex] if neighbor not in visited)  
    
    # 示例  
    print("\n广度优先搜索结果:")  
    bfs(graph, 'A')
    

    3. 最短路径算法(Dijkstra算法)

    特性

  • 用于寻找一个节点到其他所有节点的最短路径。
  • 时间复杂度:O(V²)(V为节点数,使用优先队列可降至O(E log V))
  • 优缺点

  • 优点:处理带权图的最短路径问题。
  • 缺点:无法处理负权边。
  • 示例

    import heapq  
    
    def dijkstra(graph, start):  
        # 初始化距离字典  
        distances = {vertex: float('infinity') for vertex in graph}  
        distances[start] = 0  
        priority_queue = [(0, start)]  # (距离, 节点)  
        
        while priority_queue:  
            current_distance, current_vertex = heapq.heappop(priority_queue)  
    
            # 如果当前距离大于已知距离,跳过  
            if current_distance > distances[current_vertex]:  
                continue  
    
            for neighbor, weight in graph[current_vertex].items():  
                distance = current_distance + weight  
                
                # 仅在找到更短的距离时更新优先队列和最短路径  
                if distance < distances[neighbor]:  
                    distances[neighbor] = distance  
                    heapq.heappush(priority_queue, (distance, neighbor))  
        
        return distances  
    
    # 示例图  
    graph = {  
        'A': {'B': 1, 'C': 4},  
        'B': {'A': 1, 'C': 2, 'D': 5},  
        'C': {'A': 4, 'B': 2, 'D': 1},  
        'D': {'B': 5, 'C': 1}  
    }  
    
    print("\n从 A 到所有其他节点的最短路径:")  
    print(dijkstra(graph, 'A'))
    

    其他算法和数据结构

    1. 哈希表 (Hash Table)

    哈希表是一种用键值对存储数据的结构,支持快速的插入、查找和删除。

    特性
  • 时间复杂度:O(1)(平均)
  • 空间复杂度:O(n)
  • 使用场景:快速查找
  • 示例
    # 示例:使用字典作为哈希表
    hash_table = {}
    
    # 插入数据
    hash_table['apple'] = 1
    hash_table['banana'] = 2
    
    # 查找数据
    print("apple 的值:", hash_table.get('apple'))  # 输出 1
    

    2. 树 (Tree)

    树是一种非线性数据结构,由节点组成,适合表示层级关系。

    特性
  • 时间复杂度:O(log n)(在平衡树中)
  • 空间复杂度:O(n)
  • 使用场景:表示层级结构,如文件系统等
  • 3. 堆 (Heap)

    堆是一种特殊的树形数据结构,用于实现优先队列。

    特性
  • 时间复杂度:插入 O(log n),查找 O(1)
  • 空间复杂度:O(n)
  • 使用场景:任务调度、图算法等
  • 4. AVL树 (AVL Tree)

    AVL树是自平衡的二叉搜索树,确保插入和删除操作的复杂度保持在 O(log n)。

    5. 红黑树 (Red-Black Tree)

    红黑树是一种自平衡的二叉搜索树,允许快速的插入、删除和查找操作。

    作者:蜡笔小新星

    物联沃分享整理
    物联沃-IOTWORD物联网 » python常用的算法

    发表回复