快速排序 定义、实例详解、与冒泡排序和选择、插入排序的对比，场景举例，以及实战解析

快速排序（Quick Sort）是对冒泡排序的一种改进，它采用了分治法（Divide and Conquer）的思想解决排序问题。

定义：快速排序的基本思想是将待排序的数据分为三部分：分区点（pivot）、小于分区点的元素（left partition）和大于分区点的元素（right partition）。然后通过递归调用，将左右两个分区再进行相同的操作，直至所有元素有序。

def quick_sort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr) // 2]
    left = [x for x in arr if x < pivot]
    middle = [x for x in arr if x == pivot]
    right = [x for x in arr if x > pivot]
    return quick_sort(left) + middle + quick_sort(right)

arr = [8, 2, 6, 3, 1, 5]
print(quick_sort(arr))  # 输出：[1, 2, 3, 5, 6, 8]

实例详解：

1. 从数组中选择一个元素作为分区点。

2. 将数组中的元素与分区点进行比较，小于分区点的元素移到左边，大于分区点的元素移到右边。 3. 递归进行步骤1和2，直到每个分区中的元素都有序。

快速排序与冒泡、选择、插入排序的对比：

1. 时间复杂度：快速排序的平均时间复杂度是O(n log n)，而冒泡、选择、插入排序的时间复杂度均为O(n²)，因此快速排序在大数据量情况下性能更优

2. 空间复杂度：快速排序的空间复杂度是O(log n)，而冒泡、选择、插入排序的空间复杂度为O(1)。快速排序需要额外的空间来保存递归调用信息。

3. 稳定性：冒泡和插入排序是稳定的排序算法，而快速排序和选择排序是不稳定的。

场景举例：

NBA场景：假设我们需要对NBA球员按照得分（PPG, Points Per Game）进行排名。我们可以使用上述快速排序算法对球员进行排序。

实战解析：

1. 首先获取球员得分数据，例如： players_ppg = {'LeBron James': 27.2, 'Kevin Durant': 29.5, 'Stephen Curry': 25.6, 'James Harden': 28.1, 'Russell Westbrook': 23.4}

2. 将球员数据转换为列表形式，以方便排序： ppg_list = [(k, v) for k, v in players_ppg.items()]

3. 使用快速排序算法对ppg_list进行降序排序（需要稍微修改quick_sort函数）：

def quick_sort_desc(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr) // 2][1]
    left = [x for x in arr if x[1] > pivot]
    middle = [x for x in arr if x[1] == pivot]
    right = [x for x in arr if x[1] < pivot]
    return quick_sort_desc(left) + middle + quick_sort_desc(right)

sorted_players = quick_sort_desc(ppg_list)

1. 打印排序后的球员排名：

for i, player in enumerate(sorted_players, 1):
    print(f"{i}. {player[0]}: {player[1]} PPG")

最终得到的排名结果：

1. Kevin Durant: 29.5 PPG
2. James Harden: 28.1 PPG
3. LeBron James: 27.2 PPG
4. Stephen Curry: 25.6 PPG
5. Russell Westbrook: 23.4 PPG