回忆一下堆排序：
思路：
sift函数：调整，将父亲和孩子（左孩子和右孩子中最大的那个数） 然后和父亲比较，如果孩子大就将孩子的位子变为下一个父亲，往下拉 并且将孩子的值赋给他的父亲；j<=high 条件认可：
防止父亲在最后一层，魔法般的对应父亲大于孩子的情况，如果父亲大于孩子就将父亲的值写到父亲的位置上去，这和父亲落到最后位置的情况处理方式一样，十分巧妙。
建堆：农村包围城市，从最后一个堆开始调整 直到整个堆，调整为一个大根堆或是一个小根堆。
挨个出数：从最后一个数开始，循环处理，与第一个数（堆顶这个数是最大或者最小的数）交换，再次调成大根堆或者小根堆，注意第一次调整是high的值应该指向n-2的位置。利用循环，每次出来交换数，调整，直到将列表有序化。
言归正传：
堆排序应用之Topk问题：
现在有n个无序的数，设计算法得到前k个大的数(k<n)
例如：微博热门评论排行,网站排名......
解决思路： # k为常数
所以我们在这里需要使用堆排序的降序调整：
如何修改升序？就改两个地方，如图：
Topk函数实现：
总结：
切片前k个数；
遍历k个数后面的数，选出大于堆顶的数据+每次都调整让对应堆顶始终是最小的数。
挨个出这k个数，与堆排序一样 注意：这里处理的列表是包含这k个数的并不是原列表！
有想法的小伙伴可以在留言区下，说说你的思路，包括上面提及到的lowbi三人组，切片排序/..
归并排序
设计到递归，与快数排序一样，不是很好理解，但是好写一点。
原理：
n个数先拆到最后每个数都是单个数，递归到最大限度（low<high） 开始使用归并merge()
一层一层排序，直到最后一层排序就结束， 如图：
核心merge函数实现：
真正的归并排序实现：
空间复杂度：
空间复杂度是：O(n)因为开辟了一个new_list列表来存储数据，所以就这样了。。
时间复杂度：
按照层数对应 每次归并排序（一次归并排序的时间复杂度是O(n)）
所以，归并排序整体的时间复杂度是O(nlogn)
排序总结：
快速归并堆排序的执行时间比较：
什么叫稳定性：
简单而言，就是说排序时，数是一个一个比较的，而不是一片一片扫描。
可以看出：冒泡、插入、归并排序稳定！
显然，快速排序最快，但是也有最坏的情况，我们可以生成随机下标与第一个数进行交换，降低这种最坏的风险，降低这种概率。
综上所述，这就是本篇文章的所有内容，谢谢大家的观看，感谢！！！
