快速排序(quick sort)的采用了分治的策略。

• 分治策略指的是：
  将原问题分解为若干个规模更小但结构与原问题相似的子问题。递归地解这些子问题，然后将这些子问题的解组合为原问题的解。

• 快排的基本思想是：
  在序列中找一个划分值，通过一趟排序将未排序的序列排序成 独立的两个部分，其中左边部分序列都比划分值小，右边部分的序列比划分值大，此时划分值的位置已确认，然后再对这两个序列按照同样的方法进行排序，从而达到整个序列都有序的目的。

快速排序的Python实现

先来看一个 我更想称之为伪快排的快排代码：

def quick_sort(array):    if len(array) < 2:        return array    else:        pivot = array[0]        less_than_pivot = [x for x in array if x <= pivot]        more_than_pivot = [x for x in array if x > pivot]        return quick_sort(less_than_pivot) + [pivot] + quick_sort(more_than_pivot)

这段代码最关键的是pivot这个参数，这段代码里取序列的第一个元素，然后以这个元素为分组的基准，利用列表解析式使得它左边的值都比它小，右边的值都比它大。然后再分别对这些序列进行递归排序。

这段代码虽然短小利于理解，但是其效率很低，主要体现在以下方面：

分组基准的选取过于随便，不一定可以取到列表的中间值

空间复杂度大，使用了两个列表解析式，而且每次选取进行比较时需要遍历整个序列。

若序列长度过于小(比如只有几个元素)，快排效率就不如插入排序了。

递归影响性能，最好进行优化。

下面用Python写一个C风格的快排(这里可以体会到快排的精髓)：

def quick_sort(L):    return q_sort(L, 0, len(L) - 1)def q_sort(L, left, right):    if left < right:        pivot = Partition(L, left, right)        q_sort(L, left, pivot - 1)        q_sort(L, pivot + 1, right)    return L def Partition(L, left, right):    pivotkey = L[left]    while left < right:        while left < right and L[right] >= pivotkey:            right -= 1        L[left] = L[right]        while left < right and L[left] <= pivotkey:            left += 1        L[right] = L[left]    L[left] = pivotkey    return leftL = [5, 9, 1, 11, 6, 7, 2, 4]print quick_sort(L)

快速排序需要提供三个参数：待排序序列 、序列最小下标值left、序列最大下标值right。让用户提供这三个参数很麻烦。

这里写个函数进行封装：

def quick_sort(L):    return q_sort(L, 0, len(L) - 1)

下面看一下q_sort函数：

def q_sort(L, left, right):    if left < right:        pivot = Partition(L, left, right)        q_sort(L, left, pivot - 1)        q_sort(L, pivot + 1, right)    return L

这个函数的核心是pivot = Partition(L, left, right)，在执行它之前，列表的值为[5, 9, 1, 11, 6, 7, 2, 4]，而Partition函数做的事情是找到一个分组标准，然后进行分组，让它左边的值比它小，右边的值比它大。
在经过Partition函数分组后，列表变为[4, 2, 1, 5, 6, 7, 11, 9]，并把5的下标值(也就是3)返回给pivot，此时列表变成两个小列表[4, 2, 1]和[5, 6, 7, 11, 9] ，之后调用q_sort，就是调用q_sort(L,0, 2)和q_sort(L, 4 ,7)，对其进行Partition操作，直到整个列表有序为止。

下面看看关键的Partition函数是如何做的：

def Partition(L, left, right):    pivotkey = L[left]    while left < right:        while left < right and L[right] >= pivotkey:            right -= 1        L[left] = L[right]        while left < right and L[left] <= pivotkey:            left += 1        L[right] = L[left]    L[left] = pivotkey    return left

以一趟排序为例[5, 9, 1, 11, 6, 7, 2, 4]：

• 开始排序时，left=0，right=7，首先用表的第一个下标值作为 分组关键字pivot，

  

  
  

• 进行while left < right and L[right] >= pivotkey:判断，其中L[right]=4 不满足条件，跳出循环，执行L[left] = L[right]，执行后列表变成：
  

  

  
  

• 然后进行while left < right and L[left] <= pivotkey:，L[left] = 4 <= 5，条件成立，left向右边移动，然后L[left] = 9 不满足条件，执行L[right] = L[left]，执行后列表变为：
  

  
  

  
  

• 然后进行while left < right判断，条件成立，继续进行判断while left < right and L[right] >= pivotkey:，L[right] = 9，满足条件，right向左移动1，继续判断，不满足条件，执行L[left] = L[right]，执行后列表变为：
  

  
  

  
  

• 然后进行while left < right and L[left] <= pivotkey:判断，L[left] = 2,满足条件，left向右移动，然后L[left] = 1，满足条件，left向右移动，L[left] = 11，不满足条件，执行L[right] = L[left]，执行后列表变为：
  

  

  
  

• 然后进行while left < right 判断，条件成立，继续进行判断：while left < right and L[right] >= pivotkey:，满足条件，right向左移动，一直移动到这样的状态：
  

  
  

  
  

  此时不满足条件：left < right，跳出循环。然后执行L[left] = pivotkey，并返回left下标值。此时序列变为:
  

  
  

  
  

接下来就是用递归分别对子列表进行排序。读者可以自己试试。

问题的优化

• 1.分组基准
  对于上面的代码，分组基准的选取只是取列表的第一个值，太过于随便，当取到序列的中间值时，快排效率是最高的，第一个值未必是列表的中间值。为了解决这个问题，我们可以选取列表中的几个值进行简单的比较，然后取这几个值的中间值 作为分组基准。 这里就不写代码了，读者可以自己实现。

• 2.空间使用大。
  上面的代码已经解决了比较次数的问题。

• 3.若序列长度过于小(比如只有几个元素)，快排效率就不如插入排序了。
  我们可以设置一个列表元素大小的临界值，若小于这个值，就用插入排序，大于这个值用快排。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。