Python排序算法：sorted与list.sort差异

sorted()与list.sort()：先搞清最核心的差异

在Python中，sorted()与list.sort()虽然都用于排序，但底层机制与使用边界截然不同。sorted()是一个内置函数，能够接收任意可迭代对象（如列表、元组、集合甚至字典的键），排序完成后会返回一个全新的列表，原始数据保持绝对不变。相反，list.sort()是列表对象独有的方法，它仅能作用于列表类型，并且采用原地修改（in-place）策略，直接改变原列表的元素顺序，其返回值固定为None。例如，执行a = [3, 1, 2]; b = sorted(a)后，a仍为[3, 1, 2]，而b为[1, 2, 3]；若执行a.sort()，则a直接变为[1, 2, 3]，且该语句本身不产生新对象。理解这一核心差异是避免后续数据覆盖与类型错误的前提。

排序参数与实际操作：key、reverse和常见用法

无论是sorted()还是list.sort()，都完整支持key与reverse两个核心参数，这为复杂排序提供了极大灵活性。reverse=True可轻松实现降序排列，而key参数则允许传入一个单参数函数，用于提取排序依据。例如，对字符串列表按长度排序：words = ['apple', 'fig', 'banana']; sorted(words, key=len)将返回['fig', 'apple', 'banana']。若需按对象属性排序，可结合lambda表达式，如students.sort(key=lambda x: x.age, reverse=True)。对于复合条件，可利用元组比较特性，如sorted(data, key=lambda x: (x.score, -x.id))先按分数升序，分数相同则按ID降序。实际开发中，建议先用小规模数据打印验证key函数的返回值，确保排序逻辑符合业务预期后再投入生产环境。

性能、内存与场景选择：什么时候用哪一个

选择sorted()还是list.sort()，本质上是在内存开销与数据安全性之间做权衡。sorted()在排序过程中会分配一块新的内存空间来存放结果列表，这意味着当处理百万级数据时，内存峰值会接近原数据大小的两倍；但其优势在于完整保留了原始序列，便于后续回溯或并行处理。list.sort()则直接在原内存块上重排元素，无需额外分配列表空间，内存占用极低且执行速度通常略快于sorted()（省去了对象创建与拷贝的开销）。因此，在实际工程中应遵循明确原则：若原始数据具有不可变性要求、需要保留历史状态或输入源为元组/生成器，必须使用sorted()；若数据量庞大、内存资源紧张，且明确只需更新当前列表状态，则优先调用list.sort()。通过sys.getsizeof()对比排序前后的对象大小，可直观验证两者的内存差异。

避坑与验证：返回None、可迭代对象和排序稳定性

初学者最常踩的坑是误将list.sort()的返回值赋给变量，例如new_list = my_list.sort()，这会导致new_list变为None并引发后续TypeError。正确做法是直接调用my_list.sort()，或使用new_list = sorted(my_list)。此外，sorted()的泛型能力使其能无缝处理元组、集合甚至字典视图，而list.sort()遇到非列表类型会直接抛出AttributeError。另一个关键特性是Python排序的稳定性：当key提取的值相同时，元素在原序列中的相对顺序会被严格保留。可通过实验验证：pairs = [('a', 1), ('b', 2), ('c', 1)]; sorted(pairs, key=lambda x: x[1])的结果中，('a', 1)必定排在('c', 1)之前。在多级排序或数据清洗场景中，稳定性是保证结果可预测、可复现的重要基石，务必在编写测试用例时加以覆盖。