你有没有遇到过这样的情况：写了个程序，数据一多就卡半天？明明只是排个序，结果等得泡完一杯茶还没跑完。其实不是代码写错了，很可能是选错了排序算法。
小数据量，别折腾，直接用插入排序
比如你开发一个学生成绩录入小程序，每次只处理不到 50 条记录——这时候冒泡、选择都行，但插入排序最自然。它像我们整理扑克牌一样，每来一张新成绩，就往已排好的队列里“插”到合适位置。代码短、好理解、实际跑得还快。
def insertion_sort(arr):
for i in range(1, len(arr)):
key = arr[i]
j = i - 1
while j >= 0 and arr[j] > key:
arr[j + 1] = arr[j]
j -= 1
arr[j + 1] = key这种场景下，用归并或快排反而多此一举——函数调用开销、递归栈、额外空间，全是负担。
大数据量且内存充足，归并排序稳当可靠
做电商后台的同学可能深有体会：每天要对几十万条订单按下单时间重排。数据不能丢、顺序不能错、还得尽量快。这时候归并排序就很靠谱——它不依赖数据初始状态，最坏、平均、最好时间都是 O(n log n)，而且稳定（相同时间的订单不会乱序）。
它适合你有一块干净内存、不怕多花点空间换确定性的场合。
内存紧张又追求速度？快排是老司机
嵌入式设备、手机 App 的本地缓存排序，经常面临内存吃紧。快排原地排序，只需要 O(log n) 的栈空间，平均性能又是所有比较排序里最快的之一。虽然最坏会退化到 O(n²)，但加个随机选基准或者三数取中，基本能避开坑。
不过注意：它不稳定。如果你按价格排序，两个同价商品的原始先后关系可能被颠倒。
数据范围有限？试试计数或桶排序
比如统计某小学全年级 2000 名学生的年龄（全在 6–12 岁之间），或者给一批考试分数（0–100 分整数）排名。这时候别硬套比较排序——计数排序几行搞定，O(n + k) 时间，k 是值域大小。
def counting_sort(scores):
count = [0] * 101 # 0 到 100 共 101 个桶
for s in scores:
count[s] += 1
result = []
for i in range(101):
result.extend([i] * count[i])
return result再比如手机号前三位分类、IP 地址段归档，桶排序也能派上大用场——把大问题拆成一堆小问题分别处理，效率翻倍。
几乎有序的数据，别忘了希尔排序
你维护一个实时日志系统，新日志总在末尾追加，偶尔需要整体重排。这时数据本身“八九不离十”，只是尾巴有点乱。希尔排序就是为这类场景生的：它先粗调，再微调，比插入排序快得多，又不像快排那样大动干戈。
一句话：排序不是炫技，而是权衡。看数据量、看内存、看是否稳定、看是否近似有序、看值域范围——选对了，程序就顺；选错了，可能上线第一天就被用户吐槽“怎么这么慢”。