Arrays 为什么合并排序更适合大型阵列，而快速排序更适合小型阵列？
我认为使用合并排序而不是快速排序的唯一原因是列表是否已经（或大部分）排序 合并排序需要更多的空间，因为它创建了一个额外的数组用于存储，无论它将比较每个项目 另一方面，快速排序不需要额外的空间，也不需要交换或比较过多的空间 如果说由于数据集的大小，一个数据集比另一个数据集好，这似乎是不直观的 例如，引用Geeksforgek的文章： 合并排序可以很好地处理任何类型的数据集，而不管其大小（大或小）。 鉴于 快速排序不能很好地处理大型数据集 接下来它说： 合并排序不到位，因为它需要额外的内存空间来存储辅助数组。 鉴于 快速分拣已经就位，因为它不需要任何额外的存储 我知道空间复杂性和时间复杂性是分开的。但这仍然是一个额外的步骤，当然，在一个新的数组中使用大数据集写入所有内容需要更多的时间Arrays 为什么合并排序更适合大型阵列，而快速排序更适合小型阵列？,arrays,sorting,data-structures,quicksort,mergesort,Arrays,Sorting,Data Structures,Quicksort,Mergesort,我认为使用合并排序而不是快速排序的唯一原因是列表是否已经（或大部分）排序 合并排序需要更多的空间，因为它创建了一个额外的数组用于存储，无论它将比较每个项目 另一方面，快速排序不需要额外的空间，也不需要交换或比较过多的空间 如果说由于数据集的大小，一个数据集比另一个数据集好，这似乎是不直观的 例如，引用Geeksforgek的文章： 合并排序可以很好地处理任何类型的数据集，而不管其大小（大或小）。 鉴于 快速排序不能很好地处理大型数据集 接下来它说： 合并排序不到位，因为它需要额外的内存空间来存储
至于数据透视问题，数据集越大，选择最低或最高项的可能性越低（除非它是一个几乎排序的列表） 那么，为什么认为合并排序比快速排序更适合对大型数据集进行排序呢 为什么合并排序更适合大型阵列，而快速排序更适合小型阵列？ 如果说由于数据集的大小，一个数据集比另一个数据集好，这似乎是不直观的 假设数据集适合内存（而不是分页），问题不是数据集的大小，而是导致O（n2）时间复杂性的特定快速排序实现的最坏情况模式。快速排序可以使用中间值来保证最坏情况下的时间复杂度为O（nlog（n）），但这最终使它比合并排序慢得多。另一种方法是，如果递归级别变得太深（称为intro-sort），并在某些库中使用，则切换到堆排序 合并排序需要更多的空间，因为它创建了一个额外的数组用于存储，无论它将比较每个项目 合并排序的一些变体不需要任何额外的数据存储，但它们往往比标准合并排序慢50%左右 另一方面，快速排序不需要额外的空间，也不需要交换或比较过多的空间 子数组的每个元素都将与pivot元素进行比较。随着相等元素数的增加，Lomuto划分方案变差，而Hoare划分方案变好。由于有很多相等的元素，霍尔分区方案不需要交换相等的元素，但是避免交换的检查通常比交换花费更多的时间 对指向对象的指针数组进行排序 合并排序比快速排序执行更多的移动，但比较次数更少。如果对指向对象的指针数组进行排序，则只移动指针，但比较对象需要指针的不同以及比较对象所需的内容。在这种情况下以及其他比较比移动需要更多时间的情况下，合并排序速度更快 内存中不适合的大型数据集 对于太大而无法装入内存的数据集，使用内存基排序对数据集的“块”进行排序，这些数据集将装入内存，然后写入外部存储器。然后，使用k-way合并来合并外部存储上的“块”，以生成排序数据集 除了rcgldr的详细回复外，我还想强调一些额外的注意事项：
- 大数组和小数组是相对的：在许多库中，小数组（少于30到60个元素）通常使用插入排序进行排序。该算法更简单，如果数组已经排序，则是最优的，尽管在最坏的情况下具有二次复杂度
- 除了空间和时间的复杂性之外，稳定性是一个可能需要的特性，在某些情况下甚至是必要的。合并排序和插入排序都是稳定的（比较相等的元素保持相同的相对顺序），而使用快速排序很难实现稳定性
- 正如您所提到的，快速排序的最坏情况时间复杂度为O（N2），并且库不实现中间值来抑制这种下降趋势。许多只使用中位数3或中位数9，有些在两个分支上天真地递归，为最坏情况下的堆栈溢出铺平了道路。这是一个主要问题，因为数据集可能被精心设计，以显示最坏情况的行为，从而导致拒绝服务攻击、服务器速度减慢甚至崩溃。道格·麦克罗伊（Doug McIlroy）在其1999年的著名论文中发现了这个问题。使用此技术（cf）实施的实现和攻击都是错误的
- 几乎排序的数组在实践中非常常见，无论是快速排序还是合并排序都不能真正有效地处理它们。库现在使用更高级的技术组合，例如，以实现更好的性能和稳定性