當數據符合線性排序對數據的要求
當數據符合線性排序的要求時，優先使用線性排序。時間複雜度爲O(n)。
但是對於大多數情況下，數據並不一定符合線性排序的數據要求。
小規模數據
如果對於小規模的數據排序，我們可以選擇時間複雜度是 O(n²) 的算法。
因爲在小規模數據面前，O(n²) 時間複雜度的算法並不一定比 O(nlogn) 的算法執行時間長。
我們通常進行的複雜度分析是偏理論的，大部分使用大O漸進複雜度表示。實際上時間複雜度並不等於代碼實際的運行時間。
時間複雜度代表的是一個增長趨勢，如果畫成增長曲線圖，會發現 O(n²) 比 O(nlogn) 要陡峭，也就是說增長趨勢要更猛一些。
在大 O 複雜度表示法中，我們會省略低階、係數和常數。
也就是說，O(nlogn) 在沒有省略低階、係數、常數之前可能是 O(knlogn + c)，而且 k 和 c 有可能還是一個比較大的數。
假設 k=1000，c=200，當我們對小規模數據（比如 n=100）排序時，n2的值實際上比 knlogn+c 還要小。
knlogn+c = 1000 * 100 * log100 + 200 遠大於10000
n^2 = 100*100 = 10000
大規模數據
如果對大規模數據進行排序，時間複雜度是 O(nlogn) 的算法更加高效。對於大規模數據，使用O(n²)的算法效率並不高。
所以，爲了兼顧任意規模數據的排序，一般都會首選時間複雜度是 O(nlogn) 的排序算法來實現排序函數。
時間複雜度是 O(nlogn) 的排序算法有快速排序和歸併排序，還有一個堆排序，快速排序和堆排序都有很多的應用。
但是，同爲O(nlogn) 的排序算法的歸併排序使用的並不多。那爲什麼呢？
快速排序當分區點選擇極其不合理的時候，快速排序的最壞情況下時間複雜度爲O(n²)。
而歸併排序能做到最好、最壞平均情況下複雜度都爲O(nlogn)。
主要原因是歸併排序是一個非原地排序算法，空間複雜度爲O(n)。
如果要排序 100MB 的數據，除了數據本身佔用的內存之外，排序算法還要額外再佔用 100MB 的內存空間，空間耗費就翻倍了。這就是歸併排序相對於快速排序來講最大的缺點。
快速排序的最壞情況下時間複雜度爲O(n²)，這種 O(n²) 時間複雜度出現的主要原因還是因爲我們分區點選的不夠合理。
我們可以通過優化快速排序來規避這種情況，來選擇儘可能合理的分區點。如隨機法、三/五/十數取中法
舉例
C語言中的 qsort()。
從名字上看，很像是基於快速排序算法實現的，實際上它並不僅僅用了快排這一種算法。
在源碼中，qsort() 會優先使用歸併排序來排序輸入數據。
因爲歸併排序的空間複雜度是 O(n)，所以對於小數據量的排序，比如 1KB、2KB 等，歸併排序額外需要 1KB、2KB 的內存空間，這個問題不大。現在計算機的內存都挺大的，我們很多時候追求的是速度。這就是一個典型的用空間換時間的應用。
如果數據量太大，排序 100MB 的數據，這個時候我們再用歸併排序就不合適了。
所以，要排序的數據量比較大的時候，qsort() 會改爲用快速排序算法來排序。
qsort() 選擇分區點的方法就是“三數取中法”。
qsort() 並不僅僅用到了歸併排序和快速排序，它還用到了插入排序。
在快速排序的過程中，當要排序的區間中，元素的個數小於等於 4 時，qsort() 就退化爲插入排序，不再繼續用遞歸來做快速排序