快速排序算法可分为以下几个步骤
1）确定枢轴。
2）根据数据透视分区链表。
3）递归地将链表分成两部分。
现在，如果我总是选择最后一个元素作为枢轴，那么识别枢轴元素（第一步）需要O（n）时间。
识别出枢轴元素后，我们可以存储它的数据并将其与所有其他元素进行比较，以识别正确的分区点（第2步）。当我们存储数据透视数据时，每次比较将花费O（1）时间，并且每次交换需要O（1）时间。所以总共n个元素花费O（n）时间。
所以递归关系是
T（n）= 2T（n / 2）+ n为O（nlogn），与链表合并排序相同。
那么为什么合并排序比链接列表的快速排序更受欢迎？
答案 0 :(得分：2)
因此递归关系是...... O（nlogn）
最差的数组快速排序是O（n ^ 2），例如，每个递归级别只会将最大分区的大小减少1或2（如果不包含在任一分区中，则为2）。
那么为什么合并排序比链接列表的快速排序更受欢迎？
它要快得多，尤其是自下而上的合并排序，它可以消除扫描列表以进行拆分。相反，它使用一个小的（26到32）内部指针数组或对节点（或小数组列表）的引用，将节点合并到数组中，然后合并数组以创建排序列表。 Wiki文章包含伪代码：
https://en.wikipedia.org/wiki/Merge_sort#Bottom-up_implementation_using_lists
答案 1 :(得分：1)
现在，如果我总是选择最后一个元素作为枢轴，那么识别枢轴 element（第1步）需要O（n）时间。
实际上需要O（1）时间。但无论如何，一个常见的误解是w.r.t。快速排序是指您可以选择预定义元素作为枢轴，而不是随机。你可能没有。
快速排序在O（N log（N））中平均工作，但最坏情况是O（N ^ 2）。现在，当随机选择枢轴并在大型集合上执行算法时 - 实际上O（N log（N））就是你在实践中得到的。但是，如果您选择预定义的数据透视表，那么，根据您的数据模式，您可以轻松地遇到最坏情况。 认为源数据不随机，它来自某些来源，并展示了一些模式。
例如，如果您将最后一个元素作为数据透视表，并且您的源数据以防万一已经按相反的顺序排序 - 那么您肯定会得到O（N的简并情况） ^ 2）。
关于您的问题，为什么通常不会对链接列表使用快速排序。原因（恕我直言）是对于列表，合并排序是首选方式。它保证了O（N log（N））的最坏情况性能。它通常不用于数组，因为在数组的情况下它需要额外的内存分配，但链接列表不是这种情况。