前端必懂：常见排序算法深度解析

在前端开发中，排序算法是一种非常重要的工具。无论是对数组进行排序以展示数据，还是对复杂对象进行排序以实现特定的功能，理解和掌握常见的排序算法对于提高开发效率和代码质量至关重要。本文将介绍几种前端常见的排序算法。

一、冒泡排序(Bubble Sort)

冒泡排序是一种简单的排序算法。它重复地走访要排序的数列，一次比较两个元素，如果它们的顺序错误就把它们交换过来。走访数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。

以下是使用 JavaScript 实现冒泡排序的代码：

function bubbleSort(arr) {const n = arr.length;for (let i = 0; i < n - 1; i++) {for (let j = 0; j < n - i - 1; j++) {if (arr[j] > arr[j + 1]) {// 交换元素const temp = arr[j];arr[j] = arr[j + 1];arr[j + 1] = temp;}}}return arr;
}

冒泡排序的时间复杂度为

$O\left ( n^{2} \right )$

，

前端必懂：常见排序算法深度解析_数组_02

是数组的长度。它的优点是实现简单，容易理解；

缺点是效率较低，不适合处理大规模数据。

二、选择排序(Selection Sort)

选择排序的工作原理是：首先在未排序序列中找到最小(大)元素，存放到排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小(大)元素，然后放到已排序序列的末尾。以此类推，直到所有元素均排序完毕。

以下是使用 JavaScript 实现选择排序的代码：

function selectionSort(arr) {const n = arr.length;for (let i = 0; i < n - 1; i++) {let minIndex = i;for (let j = i + 1; j < n; j++) {if (arr[j] < arr[minIndex]) {minIndex = j;}}if (minIndex!== i) {const temp = arr[i];arr[i] = arr[minIndex];arr[minIndex] = temp;}}return arr;
}

选择排序的时间复杂度也为

$O\left ( n^{2} \right )$

。与冒泡排序相比，选择排序在交换元素的次数上可能会少一些，但总体效率仍然不高。

三、插入排序(Insertion Sort)

插入排序的基本思想是：将一个数据插入到已经排好序的有序数据中，得到一个新的、个数加一的有序数据。

以下是使用 JavaScript 实现插入排序的代码：

function insertionSort(arr) {const n = arr.length;for (let i = 1; i < n; i++) {let key = arr[i];let j = i - 1;while (j >= 0 && arr[j] > key) {arr[j + 1] = arr[j];j--;}arr[j + 1] = key;}return arr;
}

插入排序的时间复杂度同样为

$O\left ( n^{2} \right )$

，在某些情况下，它的性能可能会比冒泡排序和选择排序好一些。比如，当数组部分有序时，插入排序的效率会比较高。

四、快速排序(Quick Sort)

快速排序是一种高效的排序算法，它采用分治的思想，将一个数组分成两个子数组，然后对这两个子数组分别进行排序。

以下是使用 JavaScript 实现快速排序的代码：

function quickSort(arr) {if (arr.length <= 1) {return arr;}const pivot = arr[0];const left = [];const right = [];for (let i = 1; i < arr.length; i++) {if (arr[i] < pivot) {left.push(arr[i]);} else {right.push(arr[i]);}}return [...quickSort(left), pivot,...quickSort(right)];
}

快速排序的平均时间复杂度为

$O\left ( nlogn \right )$

，在处理大规模数据时效率较高。在最坏情况下，它的时间复杂度会退化为

$O\left ( n^{2} \right )$

。

五、归并排序(Merge Sort)

归并排序也是一种采用分治思想的排序算法。它将数组分成两个子数组，分别对这两个子数组进行排序，然后将两个有序的子数组合并成一个有序的数组。

以下是使用 JavaScript 实现归并排序的代码：

function mergeSort(arr) {if (arr.length <= 1) {return arr;}const mid = Math.floor(arr.length / 2);const left = arr.slice(0, mid);const right = arr.slice(mid);return merge(mergeSort(left), mergeSort(right));
}function merge(left, right) {const result = [];let i = 0;let j = 0;while (i < left.length && j < right.length) {if (left[i] < right[j]) {result.push(left[i]);i++;} else {result.push(right[j]);j++;}}return [...result,...left.slice(i),...right.slice(j)];
}

归并排序的时间复杂度为

$O\left ( nlogn \right )$

，它的性能比较稳定，不会出现快速排序在最坏情况下的时间复杂度退化问题。

六、堆排序(Heap Sort)

堆排序是利用堆这种数据结构而设计的一种排序算法。堆是一种完全二叉树，它分为大根堆和小根堆。大根堆的每个节点的值都大于或等于其子节点的值，小根堆的每个节点的值都小于或等于其子节点的值。

以下是使用 JavaScript 实现堆排序的代码：

function heapSort(arr) {function buildMaxHeap() {const n = arr.length;for (let i = Math.floor(n / 2) - 1; i >= 0; i--) {heapify(i, n);}}function heapify(index, heapSize) {let largest = index;const left = 2 * index + 1;const right = 2 * index + 2;if (left < heapSize && arr[left] > arr[largest]) {largest = left;}if (right < heapSize && arr[right] > arr[largest]) {largest = right;}if (largest!== index) {[arr[index], arr[largest]] = [arr[largest], arr[index]];heapify(largest, heapSize);}}buildMaxHeap();let heapSize = arr.length;for (let i = arr.length - 1; i > 0; i--) {[arr[0], arr[i]] = [arr[i], arr[0]];heapSize--;heapify(0, heapSize);}return arr;
}

堆排序的时间复杂度为

$O\left ( nlogn \right )$

，它的空间复杂度为

$O\left ( 1 \right )$

，是一种比较高效的排序算法。

七、计数排序(Counting Sort)

计数排序是一种非比较型整数排序算法。它的核心思想是利用一个额外的数组来统计每个元素出现的次数，然后根据统计结果将元素依次放入正确的位置。

以下是使用 JavaScript 实现计数排序的代码：

function countingSort(arr) {if (arr.length <= 1) {return arr;}const maxValue = Math.max(...arr);const minValue = Math.min(...arr);const countArray = new Array(maxValue - minValue + 1).fill(0);for (let num of arr) {countArray[num - minValue]++;}let sortedIndex = 0;for (let i = 0; i < countArray.length; i++) {while (countArray[i] > 0) {arr[sortedIndex++] = i + minValue;countArray[i]--;}}return arr;
}

计数排序的时间复杂度为

$O\left ( n+k \right )$