Algorithm 我们应该把这两份清单排序，然后合并，还是反过来？

如果我有两个数字列表，为了能够得到一个单独的排序列表，我应该先对单个数字进行排序，然后进行合并排序，还是应该将两个列表合并为一个列表，然后应用有效的排序算法？

如果它们还没有排序，我会将它们合并并进行单独排序。如果将它们分开排序然后进行合并排序更有效，那么最有效的排序算法就是这样构建的：任意将列表一分为二，分开排序然后合并。但事实并非如此，因此……

如果它们还没有被排序，我会将它们组合起来，然后进行单一排序。如果将它们分开排序然后进行合并排序更有效，那么最有效的排序算法就是这样构建的：任意将列表一分为二，分开排序然后合并。但事实并非如此，因此……

你可以用任何一种方式进行论证；这取决于许多因素：

列表A和B的选项为：

排序（A和B）

合并（排序（A），排序（B））

如果A和B都是近似排序且大小相似的，那么在近似排序的列表上快速执行某些操作（如插入排序）可以同时在这两个列表上执行。然后进行合并，这需要线性时间，使选项（2）接近线性。但是在这种情况下，如果每个列表中的值的范围相似，那么选项（1）将一点也不好，留给您的可能是O（n log n），假设您的值不适合基数或计数排序。也就是说，对于许多排序算法，较长的列表会造成伤害，因为数据移动的距离较长

现在，我们可能会提出方案（1）更好的情况

然而，如果您发现选项（2）在您的情况下总是更好，这并不意味着您应该天真地应用递归拆分和合并方法，因为这样做会有开销

但是，正如所有关于“哪种排序方法更好”的问题一样，您确实必须看看：

• 列表的大小
• 列表中值的范围（最小值、最大值）（因为在某些情况下可以使用O（n）排序）
• 无论它们是近似排序、近似反向排序、完全随机还是其他
• 外部存储器是否允许、禁止等
• 无论是在内存中排序还是在文件中排序
• 无论列表的大小是相同还是一个比另一个长得多

---

简言之，“视情况而定”，但如果列表已经被拆分，并且您的排序算法对列表长度敏感，那么您可以从选项（2）中获得一些好处。

您可以通过任何一种方式进行论证；这取决于许多因素：

列表A和B的选项为：

排序（A和B）

合并（排序（A），排序（B））

如果A和B都是近似排序且大小相似的，那么在近似排序的列表上快速执行某些操作（如插入排序）可以同时在这两个列表上执行。然后进行合并，这需要线性时间，使选项（2）接近线性。但是在这种情况下，如果每个列表中的值的范围相似，那么选项（1）将一点也不好，留给您的可能是O（n log n），假设您的值不适合基数或计数排序。也就是说，对于许多排序算法，较长的列表会造成伤害，因为数据移动的距离较长

现在，我们可能会提出方案（1）更好的情况

然而，如果您发现选项（2）在您的情况下总是更好，这并不意味着您应该天真地应用递归拆分和合并方法，因为这样做会有开销

但是，正如所有关于“哪种排序方法更好”的问题一样，您确实必须看看：

• 列表的大小
• 列表中值的范围（最小值、最大值）（因为在某些情况下可以使用O（n）排序）
• 无论它们是近似排序、近似反向排序、完全随机还是其他
• 外部存储器是否允许、禁止等
• 无论是在内存中排序还是在文件中排序
• 无论列表的大小是相同还是一个比另一个长得多

---

简言之，“视情况而定”，但如果列表已经拆分，并且您的排序算法对列表长度敏感，您可以从选项（2）中获得一些好处。

为什么这是标记机器学习？拆分为两个列表是最有效的排序算法工作的方式；-）为什么这是标记机器学习？分成两个列表是最有效的排序算法工作的方式；-）最有效的排序算法（合并排序、快速排序）就是这样构建的。希普索尔是个例外。你在想什么算法？插入排序？对于几乎排序的数据，这可能很快，但最坏情况下的效率很差（O（n^2））。最有效的排序算法（mergesort，quicksort）就是这样构建的。希普索尔是个例外。你在想什么算法？插入排序？这在几乎排序的数据上可能很快，但最坏情况下的效率很差（O（n^2））。我能想到的唯一一种情况是，如果A的几乎所有元素都小于B的几乎所有元素，并且您使用了类似插入排序的算法，它在几乎排序的输入上表现良好。但是在这种情况下，InsertionSortTime（A concat B）所需的时间大约与InsertionSortTime（A）+InsertionSortTime（B）一样长，因此改进只是一个不变的因素：合并两个列表和串联两个列表之间的差异（两者都是O（n）操作，但合并也需要O（n）比较）。+1我还认为（2）是“几乎总是”更好。合并对元素顺序不敏感，因此当排序不是O（n）时，比如计数和基数，通常情况下，较小列表上的排序应该首先有帮助。我能想到的唯一一种情况是，如果A的几乎所有元素都小于n，那么（1）会更好