07 排序算法-下：O(n log n) 三剑客（⚠️ 人工关注）

李永乐式比喻：

• 归并排序 = 拆试卷。老师把 100 份试卷分成两组（各 50 份），每组再分，一直分到 1 份。然后按分数高低合并两个有序堆。分而治之。
• 快速排序 = 选班长。从班里选一个人当"基准"，比基准高的站右边，低的站左边。两边再各选一个基准……
• 堆排序 = 淘汰赛。建一个锦标赛淘汰树，冠军就是最大元素。

---

三剑客对比

---

性能对比（100 万条数据）

算法	比较次数	额外内存	实际耗时	谁在用？
归并排序	~2000 万次	O(n) ~8MB	~0.3s	sorted() 用了
快速排序	~2000 万次	O(log n) 微量	~0.2s 最快	list.sort() 用了
堆排序	~3000 万次	O(1) = 0	~0.5s	Top K 场景

---

归并排序的分治流程

---

企业场景

场景	用的算法	为什么
Python sorted() / list.sort()	TimSort（归并+插入混合）	稳定 + 利用局部有序性
Java Arrays.sort() 对象数组	TimSort	同上
Java Arrays.sort() 基本类型	双轴快排	不需要稳定性
数据库外部排序（数据 > 内存）	归并排序	只要内存能装 2 页就能无限归并
实时 Top K 排行榜	堆排序	只维护 K 个元素 O(n log K)

---

AI 协作

AI 生成：
  - 归并/快排/堆排的 Python 实现 -- 各 15~30 行
  - 可视化三种排序的耗时对比（数据量 1000 -> 100 万）
  - LeetCode 215 第 K 大元素、148 排序链表

人类决策：
  - 数据量 < 1000 -> 插入排序就够了
  - 数据在内存中 -> 语言内置排序已最优化，直接用
  - 数据在磁盘上 -> 归并排序
  - 需要 Top K -> 堆排序