蛮三刀酱的博客

技术公众号:后端技术漫谈

【数据结构拾遗】字符串排序算法总结

发表于 更新于 分类于 阅读次数： Valine：

前言

本专题旨在快速了解常见的数据结构和算法。

在需要使用到相应算法时，能够帮助你回忆出常用的实现方案并且知晓其优缺点和适用环境。并不涉及十分具体的实现细节考究。

字符串排序算法简介

对于许多排序应用，决定顺序的键都是字符串。

其主要思想是利用比较，根据字符的有限性通过计数的方式来划分字符串的排名位置。

主要介绍以下几种方式：

  • 预备知识：键索引计数法
  • 低位优先的字符串排序 LSD string sort
  • 高位优先的字符串排序 MSD string Sort
  • 三向字符串快速排序 Three-way string quicksort

字符串排序算法要求大家先理解：基数排序和计数排序

排序算法最强总结及其代码实现

常用方法

预备知识：键索引计数法

首先我们需要了解一个预备知识：键索引计数法

键索引计数法作为三种字符串排序算法中两种的基础，本身也很适用于小整数键的简单排序。

键索引计数法主要分为四步：统计频率，将频率转换为索引，数据分类，回写。

原理图：

举例说明：

比如数组a={1,2,3,4,2,3,4,2,1,3,4,2,3,4}，它里面重复的数字比较多，不重复的只有1，2，3，4，这时就可以用此方法。

（例子来源：https://www.jianshu.com/p/be5b67139396）

  1. 频率统计

统计各个数字出现的次数，

1
2
3
4
1出现了2次
2出现了4次
3出现了4次
4出现了4次

需要用一个5位的数组记录（比所需数字多一位），原因留给各位看官思考。

  1. 将频率转化为索引

前面我们记录了各自数字的次数，并用数组保存

1
2
3
4
5
a[0]=0，
a[1]=2,
a[2]=4，
a[3]=4，
a[4]=4

这里从1开始计数，而不是从0，并不是为了与排序的数字对应，而是为了计算索引的方便，任意键的起始索引均为所有较小键的频率之和，我们就可以a[i+1]+=a[i]递推得到，这样a[0]=0，a[1]=2，a[2]=6，a[3]=10，a[4]=14，这样第一个数字（即1）的起始位置为 0，第2个数字（即 2）的起始位置为2……

多一个位置的原因：好处已经体现出来了，第一个就是用来标记最开始的起始位置的

  1. 数据分类

得到各个数字的起始索引，接下来就是将原数组进行归类，将相同的数字放在一起，这里我们用一个临时的数组进行记录

  1. 回写回原数组

最后将临时数组中的值写会原数组

代码实现：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
public class countSort {
    public static void  main(String[] args){
        int[] nums={2,3,4,1,2,4,3,1,2,2,1};
        countSort sort=new countSort();
        sort.indecCountIndex(nums);
    }

    public void indecCountIndex(int[] nums){
        int[] count=new int[6];
         //计算频率
        for(int i=0;i<nums.length;i++){
            count[nums[i]+1]++;
        }
       //将频率转化为索引
        for(int i=1;i<count.length;i++){
            count[i]=count[i]+count[i-1];
        }
      //数据分类
        int[] aux=new int[nums.length];
        for(int i=0;i<nums.length;i++){
            aux[count[nums[i]]++]=nums[i];
        }
      //回写数据（我这里是打印）
        for(int i=0;i<nums.length;i++){
            System.out.print(aux[i]+" ");
        }
    }
}

低位优先的字符串排序 LSD string sort

定义：

  • 待排序的字符串长度：W

适用范围：

低位优先排序在我们的生活中经常见到，比如银行卡号的排序、车牌的排序以及电话号码的排序等

原理：

从右向左以每个字符作为关键字，用键索引计数法将字符串排序W次。由于计数排序法是稳定的，所以低位优先的字符串排序能够稳定地将字符串排序。

轨迹图：

代码实现：JAVA

摘自：https://www.cnblogs.com/sun-haiyu/p/7877651.html

算法（第四版）也有实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
import java.util.Arrays;

public class LSD {
    public static void sort(String[] a, int W) {
        // 每位数字范围0~9，基为10
        int R = 256;
        int N = a.length;
        String[] aux = new String[N];
        int[] count = new int[R+1];

        // 共需要d轮计数排序, 从最后一位开始，符合从右到左的顺序
        for (int d = W - 1; d >= 0; d--) {
            // 1. 计算频率，在需要的数组长度上额外加1
            for (int i = 0; i < N; i++) {
                // 使用加1后的索引，有重复的该位置就自增
                count[a[i].charAt(d) + 1]++;
            }
            // 2. 频率 -> 元素的开始索引
            for (int r = 0; r < R; r++) {
                count[r + 1] += count[r];
            }

            // 3. 元素按照开始索引分类，用到一个和待排数组一样大临时数组存放数据
            for (int i = 0; i < N; i++) {
                // 填充一个数据后，自增，以便相同的数据可以填到下一个空位
                aux[count[a[i].charAt(d)]++] = a[i];
            }
            // 4. 数据回写
            for (int i = 0; i < N; i++) {
                a[i] = aux[i];
            }
            // 重置count[]，以便下一轮统计使用
            for (int i = 0; i < count.length; i++) {
                count[i] = 0;
            }

        }
    }

    public static void main(String[] args) {
        String[] a = {"4PGC938", "2IYE230", "3CIO720", "1ICK750", "1OHV845", "4JZY524", "1ICK750", "3CIO720",
        "1OHV845", "1OHV845","2RLA629", "2RLA629", "3ATW723"};
        LSD.sort(a, 7);
        System.out.println(Arrays.toString(a));
    }
}

上面程序将打印如下内容

1
[1ICK750, 1ICK750, 1OHV845, 1OHV845, 1OHV845, 2IYE230, 2RLA629, 2RLA629, 3ATW723, 3CIO720, 3CIO720, 4JZY524, 4PGC938]

高位优先的字符串排序 MSD string Sort

参考：

https://blog.csdn.net/weixin_41427400/article/details/79851043

适用范围：

MSD与LSD比较起来，拥有更强的普适性，它不需要字符串的长度相同即可对字符串数组进行排序；

在生活中的使用也比LSD更多一些，比如字典里的排序就是MSD的情况，当然还有很多，这里就不再举例了。

原理：

MSD的核心思想是分治算法，即将大问题分为小问题来解决，其思想与快速排序类似。

先对最高位的字符进行排序，将排序后的字符串进行分组——最高位相同的在一组；在对同一组的进行MSD排序，不过此时以第二位字符进行排序，直到排完最低位，算法结束。(如图3所示)

image.png

思想讲起来总是很简单，不过当中的一些细节确实我们需要注意的。一个显而易见的问题是怎么处理结尾字符的问题，因为MSD运行字符的长度不同，那么总会有字符串先结束，这是我们就需要对这些字符串进行处理。如果我们每个字符都去判断显然会很麻烦，因此我们选择一种巧妙的方式使用一个CharAt(string, int)函数来返回字符串对应下标的字符，当对应下标不存在的时候我们返回-1；

1
2
3
4
5
6
7
8
9
10
11

/* 转换函数:返回字符串中对于索引的字符
 * 参数:s:想要进行转换的字符串，i:字符索引
 * 返回值:对应索引的字符，若超出字符串长度返回-1
 */
char CharAt(string s, int i) {
	if (i < s.length())
		return s[i];
	else
		return -1;
	}

这样我们就可以把字符串结尾的情况同其余情况一起处理，同时保证了已结尾的字符串会在未结尾的字符串之前！

代码实现：

详见算法（第四版）第五章或者如下网址C++实现：

https://blog.csdn.net/weixin_41427400/article/details/79851043

提升性能：

在数值排序中提到过一次优化排序效率的方法：当待排序数组的长度较小时，使用插入排序。同样的，该方法也适应与高位优先字符串排序，而且这种优化一般情况下也是必须的，有专家做过实验，在数据量巨大时，将长度小于10的子数组排序切换到插入排序，可以将排序的效率提升十倍左右。

三向字符串快速排序 Three-way string quicksort

MSD对包含大量重复键的字符串进行排序时，效率十分低下。三向字符串快速排序可以很好的解决这个问题，其是MSD和快速排序的结合版。

适用范围：

非常适用于有共同前缀的字符串

预备知识：三向切分的快速排序（数字快速排序的改进算法）

参考：

https://www.jianshu.com/p/0966f989974d

要理解三向字符串快速排序，需要先理解好三向切分的快速排序。

传统快速排序中，可能出现大量重复元素，最特殊的情况：一个数组中所有元素都相同，此时无需继续排序了，但是普通的快速排序算法还是会对数组进行切分。基于此可以将数组切分成三部分，分别对应小于、等于、大于切分元素的数组元素。

我们来看这种被称为三向切分的快速排序。它从左到右遍历数组一次，维护一个指针lt使得a[low…lt-1]中的元素都小于v，一个指针gt使得a[gt + 1…high]中的元素都大于v，一个指针i使得a[lt..i-1]中的元素都等于v，a[i..gt]中的元素暂定。一开始i和low相等。随着循环，a[i…gt]越来越小，即gt-i不断减小，当i > gt时循环结束。循环中进行下面的操作：

  • 如果a[i]小于v，将a[i]和a[lt]交换，lt和i都加1；
  • 如果a[i]大于v，将a[i]和a[gt]交换，gt减1；
  • 如果a[i]等于v，将i加1

上面的这些操作保证了最后i > gt可以推出循环。

下面是三向切分快速排序的实现代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
public class Quick3way {

    public static void sort(Comparable[] a) {
        shuffle(a);
        sort(a, 0, a.length - 1);
    }

    private static void sort(Comparable[] a, int low, int high) {
        if (high <= low) {
            return;
        }

        int lt = low;
        int gt = high;
        int i = low + 1;
        // 切分元素
        Comparable v = a[low];
        while (i <= gt) {
            int cmp = a[i].compareTo(v);
            if (cmp < 0) {
                swap(a, lt++, i++);
            } else if (cmp > 0) {
                swap(a, i, gt--);
            } else {
                i++;
            }
        }
        // 现在a[lo..lt-1] < v=a[lt..gt] < a[gt+1..high]成立
        // 切分元素相同的数组不会被递归算法访问到，对其左右的子数组递归排序
        sort(a, low, lt - 1);
        sort(a, gt + 1, high);
    }
}

对于存在大量重复元素的数组，这种方法比标准的快速排序要快。三向切分的最坏情况是所有元素各不相同，这时会比标准的快速排序要慢，因为比起标准的快速排序使用了更多的比较。

对于包含大量重复元素的数组，三向切分的快速排序算法将排序时间从线性对数级降低到线性级别，因此时间复杂度介于O(N)和O(Nlg N)之间，这依赖于输入数组中重复元素的数量。

三向字符串快速排序

我们可以利用上面学习的三向切分的数字快速排序思想，将字符串数组切分成三个子数组：

  • 一个含有所有首字母小于切分字符的子数组
  • 一个含有所有首字母等于切分字符的子数组
  • 一个含有所有首字母大于切分字符的子数组。

然后递归地对这三个数组排序，要注意对于所有首字母等于切分字符的子数组，在递归排序时应该忽略首字母（就像MSD中那样）。

递归调用轨迹:

image.png

代码实现：

在三向切分的数字快速排序的基础上稍加修改

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
import java.util.Arrays;

public class Quick3String {
    // 切换为插入排序的阈值
    private static int M = 15;

    public static void sort(String[] a) {
        sort(a, 0, a.length - 1, 0);
    }

    private static void sort(String[] a, int low, int high, int d) {
        if (high <= low + M) {
            insertSort(a, low, high, d);
            return;
        }

        int lt = low;
        int gt = high;
        int i = low + 1;
        // 切分字符v是a[low]的第d个字符
        int v = charAt(a[low], d);
        while (i <= gt) {
            int t = charAt(a[i], d);
            if (t < v) {
                swap(a, lt++, i++);
            } else if (t > v) {
                swap(a, i, gt--);
            } else {
                i++;
            }
        }
        // 现在a[lo..lt-1] < v=a[lt..gt] < a[gt+1..high]成立
        // 切分元素相同的数组不会被递归算法访问到，对其左右的子数组递归排序
        sort(a, low, lt - 1, d);
        // 所有首字母与切分字符相等的子数组，递归排序，像MSD那样要忽略都相同的首字母
        if (v >= 0) {
            sort(a, lt, gt, d+ 1);
        }
        sort(a, gt + 1, high, d);
    }

    private static void swap(String[] a, int p, int q) {
        String temp = a[p];
        a[p] = a[q];
        a[q] = temp;
    }

    private static int charAt(String s, int d) {
        if (d < s.length()) {
            return s.charAt(d);
        } else {
            return -1;
        }
    }

    private static void insertSort(String[] a, int low, int high, int d) {
        for (int i = low + 1; i <= high; i++) {
            // 当前索引如果比它前一个元素要大，不用插入;否则需要插入
            if (less(a[i], a[i - 1], d)) {
                // 待插入的元素先保存
                String temp = a[i];
                // 元素右移
                int j;
                for (j = i; j > low && less(temp, a[j - 1], d); j--) {
                    a[j] = a[j - 1];
                }
                // 插入
                a[j] = temp;
            }
        }
    }

    private static boolean less(String v, String w, int d) {
        return v.substring(d).compareTo(w.substring(d)) < 0;
    }

    public static void main(String[] args) {
        String[] a = {"she", "sells", "seashells", "by", "the", "sea", "shore", "the",
                "shells", "she", "sells", "are", "surely", "seashells"};
        Quick3String.sort(a);
        System.out.println(Arrays.toString(a));
    }
}

三向切分的快速排序使用子数组的第一个元素作为切分点，三向切分的字符串快速排序使用子数组的第一个字符串的第d个字符作为切分字符。

在递归对子数组排序时，相比三向切分的快速排序，三向切分的字符串快速排序多了这么一个判断，这句的意思是只要还没到字符串的末尾（v = -1说明到达，其余均未到达），所有首字母与切分字符相等的子数组也需要递归排序，不过要像MSD那样，忽略掉相同的首字母，处理下一个字符。

总结

字符串排序算法选择：

参考

关注我

我是蛮三刀把刀，后端开发。主要关注后端开发，数据安全，爬虫等方向。微信：yangzd1102

Github：@qqxx6661

个人博客：

原创博客主要内容

  • Java知识点复习全手册
  • Leetcode算法题解析
  • 剑指offer算法题解析
  • SpringCloud菜鸟入门实战系列
  • SpringBoot菜鸟入门实战系列
  • Python爬虫相关技术文章
  • 后端开发相关技术文章

个人公众号：Rude3Knife

个人公众号：Rude3Knife

如果文章对你有帮助，不妨收藏起来并转发给您的朋友们~