Python算法实战：高效去重与排序的实现与优化

1. 题目解析与基础解法

这道题目看似简单，但蕴含着算法设计的多个关键考量点。题目要求处理N个1到500之间的随机整数，完成去重和排序两个核心操作。我们先从最直观的Python解法开始分析。

1.1 问题重述与输入输出分析

给定N个范围在[1,500]的整数，需要：

1. 去除所有重复的数字
2. 将剩余的唯一数字按升序排列
3. 输出最终结果

输入示例：

code复制[3, 2, 2, 1, 5, 4]

输出示例：

code复制[1, 2, 3, 4, 5]

1.2 Python基础解法

最直接的Python实现方式是利用集合(set)的去重特性和sorted()函数的排序能力：

python复制def basic_solution(numbers):
    unique_numbers = list(set(numbers))
    return sorted(unique_numbers)

这个解法虽然简洁，但存在几个值得注意的问题：

1. 使用set去重会丢失原始顺序（虽然题目不要求保持原始顺序）
2. 对去重后的结果调用sorted()会产生新的列表对象
3. 整体时间复杂度为O(n log n)，主要来自排序操作

注意：在实际面试中，即使给出这种解法，也应该主动指出这些潜在问题，展示你的思考深度。

2. 算法优化与性能分析

2.1 计数排序的应用

由于题目明确数字范围在1到500之间，这个有限的范围提示我们可以使用计数排序(Counting Sort)来获得更好的时间复杂度：

python复制def counting_sort_solution(numbers):
    count = [0] * 501  # 因为数字范围是1-500
    for num in numbers:
        count[num] += 1
    return [i for i in range(1, 501) if count[i] > 0]

这种解法的时间复杂度是O(n)，因为：

1. 初始化计数数组：O(1)（固定500长度）
2. 统计数字出现次数：O(n)
3. 生成结果数组：O(1)（固定500次检查）

空间复杂度是O(1)，因为使用了固定大小的计数数组。

2.2 不同规模数据的处理策略

虽然计数排序在本题限制下表现优异，但我们需要思考更一般化的情况：

1. 数字范围扩大：如果范围变为1到10^6，计数排序仍然可行，但会消耗更多内存
2. 数据量极大：如果N非常大（如10^9），即使是O(n)算法也可能不够高效
3. 流式数据：如果数据是实时输入的流，需要设计增量处理方案

针对这些情况，可以考虑：

• 使用堆排序(Heap Sort)处理大规模数据
• 布隆过滤器(Bloom Filter)处理流式去重
• 分治策略处理