插入排序与希尔排序：原理、实现与性能实测全解析

先抛个观点：排序算法是数据结构里最容易被“学过就忘”的一块，因为平时工作里很可能直接调用现成排序，根本没机会手写。但真到了性能敏感、数据量适中、或者你想优化某个具体模块时，插入排序和希尔排序反而是最常被拿出来用的两个“轻量级选手”。我最近刚好在一个数据清洗项目里重新把这两个算法从头实现了一遍，踩了一些坑，也验证了一些以前觉得“理论上成立”但实际表现不太一样的点。这篇文章就把这些实测过程完整写出来，包含代码、增量序列对比、边界条件排查，以及我最终在不同数据规模下的选型建议。

如果你是刚学算法、准备面试，或者工作中需要手写排序并追求可解释性，这篇内容能帮你把两个算法的细节一次吃透。我会从最朴素的角度入手，不绕弯子，直接讲清“为什么插入排序在近乎有序的数据上快得离谱”“为什么希尔排序能突破O(n²)的瓶颈但又不是真正的O(n log n)”。

1. 插入排序的核心逻辑：像整理扑克牌一样逐个安插

1.1 从“摸牌插牌”的直觉到代码实现

插入排序的思路其实每个人都用过，就是打扑克时整理手牌的方法：左手拿着的牌已经排好序，每摸一张新牌，就从右往左找到合适的位置插进去。放到程序里，就是把数组看作两个部分——左边是“已排序区”，右边是“待排序区”。每次从待排序区取第一个元素，跟已排序区的元素从右往左比较，找到它该待的位置。

我最初写第一版代码时，用的是最直观的交换式写法：

python复制def insertion_sort_swap(arr):
    for i in range(1, len(arr)):
        j = i
        while j > 0 and arr[j] < arr[j - 1]:
            arr[j], arr[j - 1] = arr[j - 1], arr[j]
            j -= 1
    return arr

这段代码逻辑没错，运行结果也对。但如果你认真测过性能，会发现它在数据量稍大时表现很一般。原因在于每次“交换”都涉及三次赋值操作，而插入排序的典型场景是“一个元素往前移动多个位置”，交换次数很多，浪费严重。

更经典的写法是“后移腾位”而不是“两两交换”：

python复制def insertion_sort(arr):
    for i in range(1, len(arr)):
        temp = arr[i]
        j = i - 1
        while j >= 0 and arr[j] > temp:
            arr[j + 1] = arr[j]
            j -= 1
        arr[j + 1] = temp
    return arr

核心区别在于：先把当前待插入元素暂存到temp，然后用一个循环把比temp大的元素统一向右挪一位，最后在空出来的位置放入temp。这样每个元素在每一轮里最多只需要一次赋值，整体赋值次数大幅下降。实测下来，同样一组长度为10000的随机数据，交换式写法耗时约为后移式的1.8到2倍。这个差距在讲解中常被忽略，但真正手写并做性能对比时非常明显。

1.2 插入排序的复杂度边界：最好、最坏与平均

很多人背过插入排序的时间复杂度：最好O(n)，最坏O(n²)，平均O(n²)。但“最好”这个条件不是随便说的，它要求数组完全有序或基本有序。为什么基本有序就行？因为每一轮向右平移的次数由“当前元素前面有多少个比它大的元素”决定。如果数组本来是升序的，那每个元素从一开始就待在自己该待的位置，内层while循环一次都不执行，整体只做n-1轮外循环，每轮O(1)的检查，总复杂度就是O(n)。

最坏情况是逆序数组，每个元素都要挪到最前面，总的移动次数是1+2+...+n-1，也就是n(n-1)/2，复杂度为O(n²)。

平均情况本质上也是O(n²)，因为随机数组里每个元素平均需要“跨过”大约一半的已排序元素。这一点让插入排序在大规模随机数据上很吃亏，但有两个极端场景它反而极快：一是数据基本有序，二是数据量很小（比如16个元素以内），因为它的常数因子极小，没有递归、没有额外数组开销，纯靠简单的比较和移动就能完成排序。

提示：如果面试中被问到“什么排序对近乎有序的数组最快”，答案是插入排序，而不是快速排序。快排在近乎有序的数组上如果基准选得不好，反而会退化到O(n²)。

1.3 稳定性与空间复杂度：为什么这两个特性重要

插入排序是稳定排序，因为当遇到相等的元素时，它不会交换它们，而是把新元素插到相等元素后面。这个特性在实际业务里很有用，比如你有一批订单先按客户ID排序，再按下单时间排序，第二趟排序不会破坏第一趟的顺序关系。

空间复杂度为O(1)，原地排序，不需要额外分配数组。相比归并排序O(n)的额外空间，在内存受限的环境里这是一个明显优势。

我在嵌入式相关场景里见过有人用插入排序处理几十个传感器数据的排序，内存占用几乎为零，速度也完全够用。这提醒我们：不要因为复杂度是O(n²)就全盘否定一个算法，要结合数据规模和场景去选。

2. 插入排序的进阶细节：边界条件、优化技巧与实测对比

2.1 内层循环的边界写错，是Bug高发区

如果你自己手写过插入排序，大概