做网站的时候，经常要处理一堆数据，比如用户访问量、商品销量排行。一提到排序，很多人第一反应就是快排、归并这些靠“比大小”来决定顺序的方法。但其实，有些场景下，不靠比较也能把数据排得明明白白，而且速度更快。
什么时候不用比较更高效？
想象一下你开了一家小店，每天记录顾客年龄。月底想看看哪个年龄段的人最多，顺便按年龄从小到大展示数据。这时候，顾客年龄基本在1到100之间，如果用快排一个个比，效率不如直接“数出来”。
这就是非比较排序的用武之地。它不靠两两对比，而是利用数据本身的特性，比如范围固定、可枚举，直接定位位置。
计数排序：给每个值一个“座位”
最常见的非比较排序是计数排序（Counting Sort）。它的思路特别简单：先统计每个数值出现了几次，然后按顺序把它们放回去。
比如你有一组年龄数据：
ages = [23, 45, 12, 23, 34, 12, 45, 45]你想让它们有序展示在网页上。可以这么做：
def counting_sort(ages, max_val=100):
count = [0] * (max_val + 1)
# 统计每个年龄出现的次数
for age in ages:
count[age] += 1
# 按顺序重建结果
sorted_ages = []
for i in range(len(count)):
while count[i] > 0:
sorted_ages.append(i)
count[i] -= 1
return sorted_ages
# 使用示例
result = counting_sort([23, 45, 12, 23, 34, 12, 45, 45])
print(result) # 输出: [12, 12, 23, 23, 34, 45, 45, 45]这个方法的时间复杂度接近 O(n)，特别适合在前端展示统计图表前预处理数据，或者后端生成报表时使用。
注意适用范围
非比较排序不是万能钥匙。它要求数据范围不能太大，否则会浪费大量内存。比如你要排的是用户ID或时间戳，动辄上亿，那还是老老实实用比较排序更稳妥。
但在处理页面访问排名、评分分布、年龄区间统计这类小范围整数数据时，计数排序能让你的响应更快，服务器压力更小。
实际应用场景
比如你在做一个电影评分展示页，每部电影的评分是1到10之间的整数。加载页面时，想按评分高低快速排列，就可以用计数排序预处理：
ratings = [8, 9, 7, 10, 8, 7, 9, 8]
sorted_ratings = counting_sort(ratings, max_val=10)处理完直接渲染到页面，用户几乎感觉不到延迟。
非比较排序就像厨房里的专用工具——不是天天用，但用对了地方，效率提升立竿见影。