Python实现快速排序算法及其优化策略

1. 快速排序算法概述

快速排序（Quick Sort）是一种基于分治思想的高效排序算法，由计算机科学家Tony Hoare于1959年提出。它的核心思想是通过一趟排序将待排记录分隔成独立的两部分，其中一部分记录的关键字均比另一部分的关键字小，然后分别对这两部分记录继续进行排序，以达到整个序列有序的目的。

在实际应用中，快速排序表现出以下几个显著特点：

• 平均时间复杂度为O(n log n)，在大多数情况下性能优于其他O(n²)的排序算法
• 采用原地排序（in-place）方式，空间复杂度为O(log n)
• 是不稳定的排序算法（相同元素的相对位置可能改变）
• 对小规模数据排序效率可能不如插入排序等简单算法

注意：虽然快速排序的平均性能很好，但在最坏情况下（如输入数组已经有序）时间复杂度会退化到O(n²)。在实际应用中通常会结合其他优化策略。

2. Python实现快速排序的核心逻辑

2.1 基础实现解析

让我们先看一个标准的Python快速排序实现，这正是输入示例中提供的代码：

python复制def quick_sort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr) // 2]
    left = [x for x in arr if x < pivot]
    middle = [x for x in arr if x == pivot]
    right = [x for x in arr if x > pivot]
    return quick_sort(left) + middle + quick_sort(right)

这段代码清晰地展示了快速排序的三个关键步骤：

1. 基准值(pivot)选择：取数组中间位置的元素作为基准（arr[len(arr)//2]）
2. 分区(partition)：将数组分为小于、等于和大于基准值的三个子数组
3. 递归排序：对小于和大于基准值的子数组递归调用快速排序

2.2 时间复杂度分析

快速排序的性能高度依赖于基准值的选择质量。理想情况下，每次都能将数组均匀分成两部分：

• 最佳情况：每次分区都恰好将数组分成两半，递归树高度为log₂n，每层处理n个元素，时间复杂度为O(n log n)
• 最坏情况：每次分区都极度不平衡（如数组已排序），递归树退化为链表，高度为n，时间复杂度为O(n²)
• 平均情况：通过数学期望可以证明平均时间复杂度仍为O(n log n)

2.3 空间复杂度考量

上述实现方式的空间复杂度值得注意：

• 每次递归调用都会创建新的子列表（left/middle/right）
• 最坏情况下需要O(n)的额外空间
• 可以通过原地(in-place)分区优化到O(log n)的栈空间

3. 快速排序的优化策略

3.1 基准值选择优化

基础实现中简单地选择中间元素作为基准值，这可能导致性能问题。常见的优化策略包括：

1. 三数取中法：取数组首、中、尾三个元素的中位数作为基准值

   python复制def median_of_three(arr, low, high):
       mid = (low + high) /