博客
关于我
Python实现插入排序
阅读量:557 次
发布时间:2019-03-09

本文共 1155 字,大约阅读时间需要 3 分钟。

插入排序:一种高效的排序算法

插入排序是一种基础的排序算法,广泛应用于数据排序中的低复杂度场景。它通过对数据逐一插入已排序序列中,实现对未排序数据的有序处理。


插入排序的原理

插入排序的核心逻辑是将一个数据逐步插入到一个已排序的序列中,每次插入都要确保数据的有序性。具体步骤如下:

  • 将待排序列表的第一个数据视为已排序序列,剩余数据视为未排序序列。
  • 从未排序序列中取出第一个数据,将其插入到已排序序列的适当位置。
  • 插入时,若发现当前数据和已排序序列的最后一个数据顺序不正确,则交换它们的位置。
  • 重复上述步骤,直到所有数据插入到已排序序列中,排序完成。
  • 举例:对列表 [10, 17, 50, 7, 30, 24, 27, 45, 15, 5, 36, 21] 进行排序。可以看到,与传统帕斯卡排序思路类似,随着数据逐步插入,整体有序性逐步增强。


    Python实现插入排序

    代码逻辑清晰地展示了插入排序的工作原理。以下是实现代码的解释:

    def insertion_sort(array):    for i in range(len(array)):        cur_index = i        while cur_index - 1 >= 0 and array[cur_index] < array[cur_index - 1]:            array[cur_index], array[cur_index - 1] = array[cur_index - 1], array[cur_index]            cur_index -= 1    return array
    • for循环:从第一个数据开始,逐步处理每个数据。
    • cur_index:标记当前处理数据和其左边数据的索引。
    • while循环:将当前数据插入到合适位置。当数据与左边数据顺序不当时,进行交换,直到位置正确。
    • 返回已排序数组:每处理一个数据,已排序序列长度增加,直到完成排序。

    时间复杂度分析

    插入排序在最坏情况下的时间复杂度为 O(n²),这是因为当数据完全逆序时,需要进行最多的比较和交换操作。

    然而,其具有较好的时间复杂度表现,尤其在实际数据中,部分数据已经排好序时,复杂度可降至 O(n log n) 级别。这种特性使其在小型数据集和部分有序数据场景中表现优异。


    稳定性

    插入排序是一种稳定的排序算法。它对于原本顺序相同的数据保持相对顺序,绝不会改变。当数据中存在相等值时,插入排序不会进行交换操作,从而保持原有顺序不变。


    通过以上内容,可以清晰地理解插入排序的原理及其实现方式。这一算法虽然在大数据规模下表现一般,但在实际应用中,通过优化策略(如剪枝和合并已排序数据),仍然具有值得推荐的地位。

    转载地址:http://czppz.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | OpenCV如何读取仪表中的指针刻度
    查看>>
    OpenCV与AI深度学习 | OpenCV常用图像拼接方法(一) :直接拼接
    查看>>
    OpenCV与AI深度学习 | OpenCV常用图像拼接方法(三):基于特征匹配拼接
    查看>>
    OpenCV与AI深度学习 | OpenCV常用图像拼接方法(二) :基于模板匹配拼接
    查看>>
    OpenCV与AI深度学习 | OpenCV常用图像拼接方法(四):基于Stitcher类拼接
    查看>>
    OpenCV与AI深度学习 | OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测(建议收藏!)
    查看>>
    OpenCV与AI深度学习 | PaddleOCR 2.9 发布, 正式开源文本图像智能分析利器
    查看>>
    OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | T-Rex Label !超震撼 AI 自动标注工具,开箱即用、检测一切
    查看>>
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | YOLOv10在PyTorch和OpenVINO中推理对比
    查看>>
    OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
    查看>>
    OpenCV与AI深度学习 | YOLOv8自定义数据集训练实现火焰和烟雾检测(代码+数据集!)
    查看>>
    OpenCV与AI深度学习 | YOLOv8重磅升级,新增旋转目标检测,又该学习了!
    查看>>
    OpenCV与AI深度学习 | 一文带你读懂YOLOv1~YOLOv11(建议收藏!)
    查看>>
    OpenCV与AI深度学习 | 五分钟快速搭建一个实时人脸口罩检测系统(OpenCV+PaddleHub 含源码)
    查看>>
    OpenCV与AI深度学习 | 什么是 COCO 数据集?
    查看>>
    OpenCV与AI深度学习 | 低对比度缺陷检测应用实例--LCD屏幕脏污检测
    查看>>
    OpenCV与AI深度学习 | 使用 MoveNet Lightning 和 OpenCV 实现实时姿势检测
    查看>>
    OpenCV与AI深度学习 | 使用 OpenCV 创建自定义图像滤镜
    查看>>