前端不懂算法（四）--快速排序

关注

原创最新推荐文章于 2026-07-07 07:18:11 发布 598 阅读 AI 写同款· GEO 优化 ›

JavaScript实现快速排序算法 JavaScript实现经典排序算法—快排 快速排序算法的性能比之前的冒泡、选择排序都要好，和归并排序一样，是一个可以用于实战的算法，听说chrome用的就是快排又听说前端面试会考，那你实现一个快排吧！一、快速排序的算法思路还是在这里看一下快排是啥意思 快速排序算法动图 1、快速排序的特点就是随机设置一个基准点，比如是数组的第一个元素，然后数组的其他元素就跟这个基准线进行对比，比基准线大的放在左边，比基准线小的放在右边 2、再设置一个基准线，再这样小的放左边，大的放右边，递归。二、编码实现详细分析阅读详情

本篇文章参考借鉴了以下文章和极客时间的数据结构与算法一文，若涉及侵权，请联系我删除。

https://blog.youkuaiyun.com/baiyan3212/article/details/104524261
文章目录

前言

上一篇博客我们一块学习了， 归并排序，它的时间复杂度是 O(nlogn)，是一种排序效率很高的算法，本篇文章，我们一块来学习一种效率高，并且名气很大的排序算法。快速排序。

没看过之前文章的小伙伴可以先了解一下

核心思想

快速排序的核心思想也是 分治思想 ，我们习惯叫它“快排”。乍看起来快排很像归并排序，但是实现原理完全不同。稍后我们讨论一下它们之间的区别

快速排序原理

如果要排序数组中下标从 p 到 r 之间的一组数据，我们选择 p 到 r 之间的任意一个数据作为 pivot （区分点）。

我们遍历 p 到 r 之间的数据，把大于 pivot 的放到右边，小于 pivot 的放到左边，将 pivot 放到中间。经过这一步之后，数组 p 到 r 之间的数据就被分成了三部分，前面的 p 到 q - 1 之间的都是小于 pivot ，后面的 q + 1 到 r 之间的都是大于 pivot 的。
在这里插入图片描述

根据分治、递归的思想，我们可以用递归排序下标从 p 到 q - 1 之间的数据和下标从 q + 1 到 r 之间的数据，直到区间缩小为 1 ，就说明所有的数据都有序了。

用递推公式写出上面的过程如下：

递推公式：

quick_sort(p…r) = quick_sort(p…q-1) + quick_sort(q + 1…r)

终止条件：

p >= r

将递推公式转化成代码如下：

//快速排序
function quickSort(arr) {
    quickSortFn(arr, 0, arr.length-1)
}

//快速排序递归函数，p r为下标
function quickSortFn(arr, p, r) {
    if (p >= r) return;
    
    //获得区分点    
    q = partition(arr, p, r)
    quickSortFn(arr, p, q-1);
    quickSortFn(arr, q+1, r);
}

归并排序有一个 merge() 合并函数，我们这里有一个 partition() 分区函数。partition()分区函数实际上我们已经讲过原理了，就是随机选择一个元素作为 pivot （一般情况下可以选择 p 到 r 的最后一个元素），然后对 arr[p…r] 分区，函数返回 pivot 的下标。

如果不考虑空间消耗的话，partition() 分区函数可以写的非常简单。我们申请两个临时数组 X 和 Y ，遍历 arr[p…r] 将小于 pivot 的元素拷贝到临时数组 X ，将大于 pivot 的元素拷贝到临沭数组 Y ，最后再将数组 X,Y 中的数据按顺序拷贝到 arr[p…r] 。
在这里插入图片描述
但是如果按照这种思路实现的话， partition() 函数就需要很多额外的内存空间，这样快排就不是原地排序算法了。如果我们希望快排是原地排序算法，那它的空间复杂度就得是O(1) ，那 partition() 函数就不能占用太多空间，我们就需要在 arr[p…r] 的原地完成分区操作。

原地分区函数的实现非常巧妙，代码如下：

//快速排序
function quickSort(arr) {
    quickSortFn(arr, 0, arr.length-1)
}

//快速排序递归函数，p r为下标
function quickSortFn(arr, p, r) {
    if (p >= r) return;
    
    //获得区分点    
    q = partition(arr, p, r)
    
    quickSortFn(arr, p, q-1);
    quickSortFn(arr, q+1, r);
}

function partition(arr, p, r) {
    let pivot = arr[r],
        i = p,
        tmp = '';
    for (let j = p; j <= r-1; j++) {
        if (arr[j] < pivot) {
            tmp = arr[i];
            arr[i] = arr[j];
            arr[j] = tmp;
            i++
        }
    }
    tmp = arr[i];
    arr[i] = arr[r];
    arr[r] = tmp;
    debugger
    return i;
}
let arr = [10, 8, 6, 4, 9, 7, 5];
quickSort(arr);
console.log(arr) //[4, 5, 6, 7, 8, 9, 10]

这里处理有点类似选择排序。我们通过游标 i 把 arr[p…r-1] 分成两部分。arr[p…i-1] 的元素都是小于 pivot 的，我们暂且叫它“已处理区”，arr[i…r-1] 是“未处理区”。我们每次都从“未处理区间” arr[i…r-1] 中取一个元素 arr[j] 与 pivot 对比，如果小于 pivot ，则将其加入到已处理区间，也就是 arr[i] 的位置。

数组的插入操作还记得吗？在数组某个位置插入元素，需要搬移数据，非常耗时。这时需要一种处理技巧，就是交换，在 O[1] 的时间复杂度内完成插入操作。借助这个思想，只需要将 arr[i] 与 arr[j] 的数据交换，就可以在 O[1] 的时间复杂度内将 arr[j] 放入到下标为 i 的位置。

文字不如图直观，上图来看
在这里插入图片描述
因为分区的过程涉及交换操作，如果数组中有两个相同的元素，比如序列 6， 8，7，6，3，5，9，4，在经过第一次分区操作之后，两个 6 的相对先后顺序就会改变，所以快排并不是一个稳定排序算法。

快排与归并的区别

现在明白了快排的原理，我们分析一下快排与上篇文章的归并有什么区别，这两个都是用的分治思想，递推公式和递推代码也很相似，那他们的区别在哪？
在这里插入图片描述

由图中可以看出，归并排序的处理过程是 由下到上 的，先处理子问题，然后再合并。而快排正好相反，它的处理过程是 由上到下 的，先分区然后再处理子问题。归并排序虽然是稳定的，时间复杂度为 O(nlogn) 的排序算法，但它是非原地排序算法。上篇文章讲过，非原地排序算法，主要原因是合并函数无法在原地执行。快速排序通过设计巧妙的原地分区函数，可以实现原地排序，解决了归并排序占用太多内存的问题。

快排性能分析

上面已经说明了稳定性和原地排序，接下来重点分析一下时间复杂度。

快排是递归实现的，对于递归代码的时间复杂度，前面总结的公式依然适用。不记得的小伙伴可以查看以下文章。

前端不懂算法（三）–归并排序

如果每次分区操作都能把数组分成大小接近相等的两个小区间，那快排的时间复杂度递推求解公式和归并是相同的。所以时间复杂度也是 O(nlogn) 。

T(1) = C; n = 1 时，只需要常量级的执行时间。
T(n) = 2*T(n) + n; n > 1

但是公式成立的前提条件是每次分区操作，我们选择的 pivot 都很合适，正好能将大区间对等的一分为二。但实际上这种情况很难实现。

举一个极端的栗子，如果排序一个已经有序的数组，[1,3,5,6,8]。如果每次选择最后一个元素作为 pivot ，那每次分区得到的两个区间都是不均等的。我们需要进行大约 n 次分区，才能完成快排整个过程。每次分区平均要扫描 n/2 个元素，这种情况下，快排的时间复杂度就从 O(nlogn) 退化到了 O(n²) 。

上面是两个极端例子，分别对应最好时间复杂度和最坏时间复杂度，那平均时间复杂度是多少呢？

假设每次分区操作都将区间分成 9 : 1 两个小区间。我们继续套用递归时间复杂度的递推公式，就会变成下面这样。