博客
关于我
基本排序算法系列(二)——归并排序
阅读量:812 次
发布时间:2019-03-24

本文共 1109 字,大约阅读时间需要 3 分钟。

归并排序概述及其工作原理

归并排序是一种高效的排序算法,以稳定排序和分治策略著称。以下将详细介绍归并排序的基本思路、示例应用以及其代码实现。

归并排序的基本思路

归并排序通过将一个序列分成左右两个子序列并分别排序,然后再将已排序的子序列归并成一个完整排序后的序列来实现。其核心步骤如下:

  • 递归划分:将一个序列横向划分为左右两个子序列,若序列长度小于2则停止划分。
  • 递归排序:对左右子序列分别应用归并排序。
  • 归并步骤:将已排序的左右子序列按升序归并成一个完整排序序列。
  • 示例:排序操作的具体步骤

    以序列5,6,9,8,7为例,其排序过程如下:

  • 划分成5,6和9,8,7两个子序列。
  • 继续划分右侧的9,8,7为9,8和7,并对5,6及9,8进行排序。
  • 得到排序后的结果并进行归并,最终得到5,6,7,8,9序列。
  • 归并排序的代码实现

    以下是归并排序的Python代码示例:

    x = input("请输入一个待排序列,中间用逗号分隔开\n")x = x.replace(",", "").split()x = [int(val) for val in x]def mergeSort(arr):    if len(arr) < 2:        return arr    middle = len(arr) // 2    left, right = arr[: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 resulty = mergeSort(x)print("排序结果:", y)

    算法稳定性

    在归并排序中,键值相等的元素总是按照它们在子序列中的相对顺序依次排列。具体而言,当左子序列的值与右子序列的值相同时,左子序列中的元素优先被放到最终结果中。这一特性保证了归并排序算法的稳定性,有助于处理并且保留原始数据中的相对顺序。

    转载地址:http://hjxkk.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测
    查看>>
    OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
    查看>>
    OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
    查看>>
    OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用OpenCV确定对象的方向(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>