史上最清晰的「归并排序」讲解

那我们借用 cs50 里的例子，比如要把一摞卷子排好序，那用并归排序的思想是怎么做的呢？

1. 首先把一摞卷子分成两摞；
2. 把每一摞排好序；
3. 把排好序的两摞再合并起来。

感觉啥都没说？

那是因为上面的过程里省略了很多细节，我们一个个来看。

1. 首先分成两摞的过程，均分，奇偶数无所谓，也就是多一个少一个的问题；
2. 那每一摞是怎么排好序的？

答案是用 同样的方法 排好序。

1. 排好序的两摞是怎么合并起来的？

这里需要借助两个指针和额外的空间，然后左边画一个彩虹 :rainbow: 右边画个龙 :dragon_face:，不是，是左边拿一个数，右边拿一个数，两个比较大小之后排好序放回到数组里（至于放回原数组还是新数组稍后再说）。

这其实就是分治法 divide-and-conquer 的思想。

归并排序是一个非常典型的例子。

分治法

顾名思义：分而治之。

就是把一个大问题分解成相似的小问题，通过解决这些小问题，再用小问题的解构造大问题的解。

听起来是不是和之前讲递归的时候很像？

没错，分治法基本都是可以用递归来实现的。

在之前，我们没有加以区分，当然现在我也认为不需要加以区分，但你如果非要问它们之间是什么区别，我的理解是：

• 递归是一种编程技巧 ，一个函数自己调用自己就是递归；

• 分治法是一种解决问题的思想：

  • 把大的问题分解成小问题的这个过程就叫“分”，
  • 解决小问题的过程就叫“治”，
  • 解决小问题的方法往往是递归。

所以分治法的三大步骤是：

「分」：大问题分解成小问题；

「治」：用同样的方法解决小问题；

「合」：用小问题的解构造大问题的解。

那回到我们的归并排序上来：

「分」：把一个数组拆成两个；

「治」：用归并排序去排这两个小数组；

「合」：把两个排好序的小数组合并成大数组。

这里还有个问题，就是什么时候能够解决小问题了？

答：当只剩一个元素的时候，直接返回就好了，分解不了了。

这就是递归的 base case，是要直接给出答案的。

老例子：{5, 2, 1, 0}

暗示着齐姐对你们的爱啊～ :heart:

Step1.

先拆成两半，

分成两个数组：{5, 2} 和 {1, 0}

Step2.

没到 base case，所以继续把大问题分解成小问题：

当然了，虽然左右两边的拆分我都叫它 Step2，但是它们并不是同时发生的，我在递归那篇文章里有说原因，本质上是由 冯诺伊曼体系 造成的， 一个 CPU 在某一时间只能处理一件事 ，但我之所以都写成 Step2，是因为它们发生在同一层 call stack，这里就不在 IDE 里演示了，不明白的同学还是去看递归那篇文章里的演示吧。

Step3.

这一层都是一个元素了，是 base case，可以返回并合并了。

Step4.

合并的过程就是按大小顺序来排好，这里借助两个指针来比较，以及一个 额外的数组 来辅助完成。

比如在最后一步时，数组已经变成了：

{2, 5, 0, 1}，

那么通过两个指针 i 和 j，比较指针所指向元素的大小，把小的那个放到一个新的数组？里，然后指针相应的向右移动。

其实这里我们有两个选择：

• 一种是从新数组往原数组合并，
• 另一种就是从原数组往新数组里合并。

这个取决于题目要求的返回值类型是什么；以及在实际工作中，我们往往是希望改变当前的这个数组，把当前的这个数组排好序，而不是返回一个新的数组，所以我们采取 从新数组往原数组合并 的方式，而不是把结果存在一个新的数组里。

那具体怎么合并的，大家可以看下 15 秒的小动画：

挡板左右两边是分别排好序的，那么合并的过程就是利用两个指针，谁指的数字小，就把这个数放到结果里，然后移动指针，直到一方到头（出界）。

public class MergeSort {
public void mergeSort(int[] array) {
    if(array == null || array.length <= 1) {
        return;
    }
    int[] newArray = new int[array.length];
    mergeSort(array, 0, array.length-1, newArray);
}
private void mergeSort(int[] array, int left, int right, int[] newArray) {
  // base case
    if(left >= right) {
        return;
    }

  // 「分」
    int mid = left + (right - left)/2;

  // 「治」
  mergeSort(array, left, mid, newArray);
    mergeSort(array, mid + 1, right, newArray);

  // 辅助的 array
    for(int i = left; i <= right; i++) {
        newArray[i] = array[i];
    }

  // 「合」
    int i = left;
    int j = mid + 1;
    int k = left;
    while(i <= mid && j <= right) {
        if(newArray[i] <= newArray[j]) { // 等号会影响算法的稳定性
            array[k++] = newArray[i++];
        } else {
            array[k++] = newArray[j++];
        }
    }
    if(i <= mid) {
        array[k++] = newArray[i++];
    }
}
}

写的不错，我再来讲一下：

首先定义 base case，否则就会成无限递归死循环，那么这里是当未排序区间里只剩一个元素的时候返回，即左右挡板重合的时候，或者没有元素的时候返回。

「分」

然后定义小问题，先找到中点，

• 那这里能不能写成 (left+right)/2 呢？
• 注意 :warning:，是不可以的哦。
  虽然数学上是一样的，
  但是这样写，
  有可能出现 integer overflow.

「治」

这样我们拆好了左右两个小问题，然后用“ 同样的方法 ”解决这两个自问题，这样左右两边就都排好序了～

• 为什么敢说这两边都排好序了呢？
• 因为有 数学归纳法 在后面撑着～

那在这里，能不能把它写成：

mergeSort(array, left, mid-1, newArray);
mergeSort(array, mid, right, newArray);

也就是说，

• 左边是 [left, mid-1]，
• 右边是 [mid, right]，

这样对不对呢？

答案是否定的。

因为会造成 无限递归 。

最简单的，举个两个数的例子，比如数组为{1, 2}.

那么 left = 0, right = 1, mid = 0.

用这个方法拆分的数组就是：

• [0, -1], [0, 1] 即：
• 空集，{1, 2}

所以这样来分并 没有缩小问题 ，没有把大问题拆解成小问题，这样的“分”是错误的，会出现 stack overflow.

再深一层，究其根本原因，是因为 Java 中的小数是 「向零取整」 。

所以这里必须要写成：

• 左边是 [left, mid]，
• 右边是 [mid + 1, right]。

「合」

接下来就是合并的过程了。

在这里我们刚才说过了，要新开一个数组用来帮助合并，那么最好是在上面的函数里开，然后把引用往下传。开一个，反复用，这样节省空间。

我们用两个指针：i 和 j 指向新数组，指针 k 指向原数组，开始刚才动画里的移动过程。

要注意，这里的 等于号跟哪边 ，会影响这个排序算法的 稳定性 。不清楚稳定性的同学快去翻一下上一篇文章啦～

那像我代码中这种写法，指针 i 指的是左边的元素，遇到相等的元素也会先拷贝下来，所以左边的元素一直在左边，维持了相对顺序，所以就是稳定的。

最后我们来分析下时空复杂度：

时间复杂度

归并排序的过程涉及到递归，所以时空复杂度的分析稍微有点复杂，在之前「递归」的那篇文章里我有提到，求解大问题的时间就是把所有求解子问题的时间加起来，再加上合并的时间。

我们在递归树中具体来看：

这里我右边已经写出来了：

「分」的过程，每次的时间取决于有多少个小问题，可以看出来是

1，2，4，8...这样递增的，

那么加起来就是 O(n).

「合」的过程，每次都要用两个指针走完全程，每一层的 call stack 加起来用时是 O(n)，总共有 logn 层，所以是 O(nlogn).

那么总的时间，就是 O(nlogn).

空间复杂度

其实归并排序的空间复杂度和代码怎么写的有很大的关系，所以我这里分析的空间复杂度是针对我上面这种写法的。

要注意的是，递归的空间复杂度的分析并不能像时间复杂度那样直接累加，因为空间复杂度的定义是在程序运行过程中的 使用空间的峰值 ，本身就是一个峰值而非累加值的概念。

那也就是 call stack 中，所使用空间最高的时刻，其实就是递归树中最右边的这条路线：它既要存着左边排好序的那半边结果，还要把右边这半边继续排，总共是 O(n).

那有同学说 call stack 有 logn 层，为什么不是 O(logn)，因为每层的使用的空间不是 O(1) 呀。

扩展：外排序

这两节介绍的排序算法都属于内部排序算法，也就是排序的过程都是在内存中完成。

但在实际工作中，当数据量特别大时，或者说比内存容量还要大时，数据就无法一次性放入内存中，只能放在硬盘等外存储器上，这就需要用到 外部排序算法 算法来完成。一个典型的外排序算法就是 外归并排序 （External Merge Sort）。

这才是一道有意思的面试题，在经典算法的基础上，加上 实际工作中的限制条件 ，和面试官探讨的过程中，就能看出 candidate 的功力。

要解决这个问题，其实是要 明确这里的限制条件是什么 ：

首先是内存不够。那除此之外，我们还想 尽量少的进行硬盘的读写 ，因为很慢啊。

比如就拿 wiki 上的例子，要对 900MB 的数据进行排序，但是内存只有 100MB，那么怎么排呢？

1. wiki 中给出的是读 100MB 数据至内存中，我并不赞同，因为无论是归并排序还是快排都是要费空间的，刚说的空间复杂度 O(n) 不是，那数据把内存都占满了，还怎么运行程序？那我建议比如就读取 10MB 的数据，那就相当于把 900MB 的数据分成了 90 份；
2. 在内存中排序完成后写入磁盘；
3. 把这 90 份数据都排好序，那就会产生 90 个临时文件；
4. 用 k-way merge 对着 90 个文件进行合并，比如每次读取每个文件中的 1MB 拿到内存里来 merge，保证加起来是小于内存容量且能保证程序能够运行的。

那这是在一台机器上的，如果数据量再大，比如在一个分布式系统，那就需要用到 Map-Reduced 去做归并排序，感兴趣的同学就继续关注我吧～

如果你喜欢这篇文章，记得给我点赞留言哦～你们的支持和认可，就是我创作的最大动力，我们下篇文章见！

我是小齐，纽约程序媛，终生学习者，每天晚上 9 点，云自习室里不见不散！

更多干货文章见我的 Github: https://github.com/xiaoqi6666...