---
title: Freecodecamp Algorithm Insertion Sort Guide
localeTitle: Freecodecamp算法插入排序指南
---
插入排序是基于[_比较_的排序](https://en.wikipedia.org/wiki/Comparison_sort) 。排序算法是基于比较的，如果它使用比较运算符（例如`less than`和`greated than` ）来查找两个数字之间的顺序。
在这种排序技术中，我们始终在列表的较低位置维护一个已排序的子列表，然后我们从列表的其余部分中取一个元素并将其插入到正确的位置。我们这样做，直到所有元素都插入到子列表中。例如，在玩扑克牌时，我们会将牌分类。从左侧开始向右移动，我们继续将卡插入正确的位置直至结束。
## 例
在上面的示例中， `grey shaded`子列表始终排序。请注意，在开始的时候，子列表包含ONY一个元素， _平凡_排序。然后在每一步我们将`white shaded`子列表的最左边元素插入其正确的位置。
因此，我们以这种方式对完整列表进行了排序。
## 算法
```
Loop for i=0 to N-1:
* Pick element arrayi] and insert it into sorted sublist array[0...i-1]
```
## 复杂
```
Space complexity: O(1) // Auxillary/temporary space is used.
Time complexity: O(n*n) // Two nested for loops are used.
```
## C ++实现
```
// Function to sort an array using insertion sort
void insertionSort(int arr[], int n)
{
int i, key, j;
for (i = 1; i < n; i++)
{
key = arr[i];
j = i-1;
/* Move elements of arr[0..i-1], that are greater than key,
to one position ahead of their current position */
while (j >= 0 && arr[j] > key)
{
arr[j+1] = arr[j];
j = j-1;
}
arr[j+1] = key; // place element key at it's correct place
}
}
int main()
{
// array to be sorted
int arr[5] = {12, 11, 13, 5, 6};
// call the insertion sort
insertionSort(arr, 5);
// prints sorted array ie 5 6 11 12 13
for(int i=0; i<5; i++)
std::cout << arr[i] << " ";
return 0;
}
```
：rocket：\[运行代码## Python实现
```
# Function to perform insertion sort
def insertionSort(arr):
# Traverse through array
for i in range(1, len(arr)):
key = arri]
# Move elements of arr[0..i-1], that are greater than key,
# to one position ahead of their current position
j = i-1
while j>=0 and key < arr[j] :
arr[j+1] = arr[j]
j -= 1
arr[j+1] = key # place element key at it's correct place
# array to be sorted
arr = [12, 11, 13, 5, 6]
# call the insertion sort
insertionSort(arr)
# prints sorted array ie 5 6 11 12 13
for i in range(len(arr)):
print(arr[i],end = ' ')
```
 [运行代码](https://repl.it/CWZi)
## 好处
1. 适用于几乎排序的小型数据和数据集。
2. 简单实施。
3. 通常比冒泡排序和选择排序更好，通常与合并排序一起使用。
## 缺点
1. 与合并排序，堆排序和快速排序相比，它在大型数据集上的效率较低。