哪种sortingalgorithm最适合大多数sorting的数据？
哪种sortingalgorithm对大多数sorting数据最有效？
基于观看GIFanimation的高度科学的方法，我会说插入和泡泡sorting是很好的候选人。
只有几个项目=>插入sorting
项目大多已经sorting=>插入sorting
关注最坏情况=> HEAP SORT
对一个好的平均结果感兴趣=> QUICKSORT
物品是从密集的宇宙=>桶式sorting
希望写尽可能less的代码=> INSERTION SORT
timsort
Timsort是“一种自适应的，稳定的，自然的合并”，“ 在多种部分有序的arrays上超自然的performance （less于lg（N！）比较所需，less至N-1）”。 Python的内置sort()已经使用了这个algorithm一段时间，显然有很好的结果。 它专门devise用于检测和利用input中部分sorting的子序列，这通常发生在真实数据集中。 在现实世界中，通常情况下，比较比在列表中交换项目要昂贵得多，因为通常只是交换指针，这经常使得timsort成为一个很好的select。 然而，如果你知道你的比较总是非常便宜（例如编写一个玩具程序来对32位整数进行sorting），那么其他algorithm可能会performance得更好。 利用timsort最简单的方法当然是使用Python，但是由于Python是开源的，你也可以借用代码。 或者，上面的描述包含足够多的细节来编写自己的实现。
插入sorting与以下行为：
- 对于时隙
1..n每个元素k，首先检查是否el[k] >= el[k-1]。 如果是，则转到下一个元素。 （显然跳过第一个元素。） - 如果不是，则使用元素
1..k-1二进制search来确定插入位置，然后扫描元素。 （只有当k>T，你才可以做到这一点，其中T是某个阈值，小k就是过度杀伤。
这种方法进行比较的次数最less。
尝试内省sorting。 http://en.wikipedia.org/wiki/Introsort
这是基于快速sorting的，但它避免了快速sorting对几乎sorting的列表造成的最坏情况行为。
诀窍是，这种sortingalgorithm检测到快速sorting进入最坏情况模式并切换到堆或合并sorting的情况。 几乎sorting的分区是由一些不可感知的分区方法检测到的，小分区是通过插入sorting来处理的。
您将获得所有主要sortingalgorithm中最好的代码，从而使代码更加复杂。 而且无论您的数据如何，您都可以确定您永远不会遇到最坏的情况。
如果你是一个C ++程序员，请检查你的std :: sortalgorithm。 它可能已经在内部使用了内省的sorting。
插入或shellsorting！
Splaysort是基于splay树 （一种自适应二叉树）的模糊sorting方法。 Splaysort不仅适用于部分sorting的数据，还适用于对数据进行部分逆向sorting，或者实际上具有任何预先存在顺序的任何数据。 一般情况下为O（nlogn），数据以某种方式sorting（正向，反向，器官pipe等）的情况下为O（n）。
与插入sorting相比，它的优势在于，当数据根本没有sorting时，它不会恢复到O（n ^ 2）行为，所以在使用它之前不需要确定数据是部分sorting的。
它的缺点是它需要的splay树结构额外的空间开销，以及构build和销毁splay树所需的时间。 但是，根据数据的大小和预期分类的数量，开销可能会增加速度。
在Software – Practice＆Experience 上发表了一篇关于splaysort的论文 。
Dijkstra的smoothsort对已sorting的数据很有帮助。 这是一个heapsort变种，以O（n lg n）最坏情况和O（n）最好情况运行。 我写了一个algorithm的分析 ，以防你好奇它是如何工作的。
自然mergesort是另一个非常好的 – 这是一个自下而上的mergesort变种，通过将input视为多个不同sorting范围的连接，然后使用合并algorithm将它们连接在一起。 你重复这个过程，直到所有的input范围被sorting。 如果数据已经sorting并且O（n lg n）最差，这将在O（n）时间内运行。 这是非常优雅的，虽然在实践中它不如Timsort或smoothsort其他适应性sorting。
插入sorting需要花费时间O（n +反转次数）。
反演是一个对(i, j) ，使得i < j && a[i] > a[j] 。 那是一个无序的对。
“几乎sorting”的一个措施就是反演的次数—人们可以把“几乎sorting的数据”作为反转次数很less的数据。 如果知道反转的数量是线性的（例如，你刚刚添加了O（1）元素到一个sorting列表），插入sorting需要O（n）时间。
如果元素已经被sorting或者只有很less的元素，那么对于插入sorting来说，这将是一个完美的用例。
正如其他人所说，要小心天真的Quicksort – 可以在sorting或近似sorting的数据上具有O（N ^ 2）性能。 尽pipe如此，用适当的枢轴selectalgorithm（无论是随机的还是三中位数 – 请参阅select快速sorting的枢轴），Quicksort仍然可以运作。
一般来说，select插入sortingalgorithm的难度在于决定数据何时足够乱序以至Quicksort真的会更快。
我不会假装在这里有所有的答案，因为我认为得到实际答案可能需要对algorithm进行编码，并将其与代表性数据样本进行比较。 但是我整个晚上都在想这个问题，到目前为止，我发生了什么事情，还有一些猜测是什么在哪里最好。
设N为总数，M为乱序数。
泡泡sorting将不得不让2 * M + 1通过所有N项。 如果M很小（0,1,2？），我认为这将很难被击败。
如果M小（比N小），插入sorting将有很好的平均性能。 但是，除非我没有看到一个技巧，否则将会有非常糟糕的performance。 （对吗？如果顺序中的最后一项出现在第一位，那么您必须插入每一个项目，据我所知，这将杀死性能。）我猜这里有一个更可靠的sortingalgorithm情况，但我不知道它是什么。
如果M比N大（比N大），那么内省的sorting几乎肯定是最好的。
所有这些例外：如果事实上事先知道哪些元素是未sorting的，那么最好的办法就是将这些项目拉出来，用反省式sorting，然后将两个sorting后的列表合并成一个sorting列表。 如果你能很快弄清楚哪些项目不合适，这也是一个很好的通用解决scheme – 但我还没有find一个简单的方法来做到这一点。
进一步的想法（一夜之间）：如果M + 1 <N / M，那么你可以扫描列表寻找sorting的N / M行的运行，然后扩展在任一方向运行找出订购商品。 这将至多需要2N比较。 然后，您可以sorting未sorting的项目，并在两个列表上进行sorting合并。 总的比较应该less于像4N + M log2（M）这样的东西，我想这将打败任何非专门的分类程序。 （更进一步的想法是：这比我想象的更复杂，但我仍然认为这是合理的。）
这个问题的另一个解释是可能有许多无序项目，但是它们非常接近它们应该在列表中的位置。 （想象一下，从一个sorting的列表开始，将每一个其他项目换成其后的项目）。在这种情况下，我认为泡泡sortingperformance非常好 – 我认为通过次数将与一个项目最远的地方成比例是。 插入sorting将效果不佳，因为每个不按顺序的项目都会触发插入。 我怀疑内省sorting或类似的东西也会运作良好。
如果您需要特定的sortingalgorithm，数据结构或任何有上述链接的实现，我可以向您推荐CodePlex上出色的“数据结构和algorithm”项目吗？
它将拥有你需要的一切，而不需要重新发明轮子。
只是我的一点盐。
在这个答案中，这个用于这个目的的sortingalgorithm的好集合似乎缺乏Gnome Sort ，这也是合适的，可能需要最less的实现努力。
插入sorting是最好的情况O（n）在sorting的input。 大部分sorting的input都非常接近（比快速sorting更好）。
思考尝试堆。 我相信这是O（n lg n）中最一致的。
泡泡分类（或更安全的双向泡泡分类）对于大多数已sorting的列表来说可能是理想的select，但是我敢打赌，梳理分类（具有更低的初始间隔尺寸）会比列表更快一些，相当完美的sorting。 梳子sorting降级到泡沫sorting。
那么这取决于用例。 如果你知道哪些元素发生了变化，就我而言，删除和插入将是最好的情况。
泡沫sorting绝对是赢家下一个雷达将是插入sorting。
远离QuickSort – 对预先sorting的数据非常低效。 插入sorting通过移动尽可能less的值来处理几乎sorting的数据。
