编程语言
首页 > 编程语言> > Python数据结构与算法分析(二、算法分析)

Python数据结构与算法分析(二、算法分析)

作者:互联网

算法分析

时间空间复杂度

程序和算法不同,其执行的时间和占用的空间也不同,如何比较两种算法的优劣呢?引入大 \(O\) 记法进行算法复杂度的评价。

\(f(n)\) 名称
\(1\) 常数
\(logn\) 对数
\(n\) 线性
\(nlogn\) 对数线性
\(n^2\) 平方
\(n^3\) 立方
\(2^n\) 指数

【举例】

  1. 常数 \(O(1)\)
n = 1024
m = 512
z = n + m
print(z)

变量的变化并不影响执行指令的条数,此时复杂度为\(O(1)\),与数据输入的规模无关

  1. 对数 \(O(logn)\)
i = 1
while(i < n):
    i = i * 2

\(2^k = n, k = logn(以2为低)\),此时,执行\(1+logn\) 次,算法复杂度为\(logn\)

  1. 线性 \(O(n)\)
sum = 0
for i in range(n):
    sum += i

循环体内按步长1循环,循环一轮,也即 \(n\) 次

  1. 对数线性 \(O(nlogn)\)
i = 1
for i in range(n):
    while(i < n):
        i = i * 2

内层为对数,外层为线性

  1. 平方 \(O(n^2)\)
sum = 0
for i in range(n):
    for j in range(n):
        sum += j

两层 \(n\) 次循环,一般用于二维数组

  1. 立方 \(O(n^3)\)
sum = 0
for i in range(n):
    for j in range(n):
        for k in range(n):
            sum += k

三层 \(n\) 次循环

  1. 指数 \(O(2^n)\)
def f(n):
    if n < 3:
        return 1
    else:
        return f(n-2) + f(n-1)

上述为求解第 \(n\) 个斐波那契数列的递归算法,如图所示为求解\(f(5)\),当\(n-∞\) 时,复杂度为\(2^n\)

Python数据结构的性能

列表

Python中关于列表的基本操作,如果生成一个长为n的列表,有以下四种常见的操作:

# 通过连接创建列表
def test1():
    l = []
    for i in range(n):
        l = l + [i]
# 通过追加方式
def test2():
    l = []
    for i in range(n):
        l.append(i)
# 列表解析式
def test3():
    l = [i for i in range(n)]
# 列表构造器
def test4():
    l = list(range(n))

此时可以看出,不同的列表创建方式,其执行的效率有着数量级的变化。同样的,可以使用Timer进行pop的性能分析。下表为Python中列表操作的复杂度值:

字典

注意,判断某个值是否在字典中的复杂度为\(O(1)\),时间不会随着字典长度变大而边长,但是对于列表,其复杂度为\(O(n)\),时间会随着列表的增大而增大。

讨论题

  1. \(O(n^2)\)
  2. \(O(n)\)
  3. \(O(n)\)
  4. \(O(n^3)\)
  5. \(O(n)\)
  6. \(O(n)\)

标签:Python,复杂度,range,列表,算法,logn,数据结构,sum
来源: https://www.cnblogs.com/yld321/p/15859608.html