7月8日Python数据结构与算法学习笔记——算法的概念、效率衡量、时间复杂度、大O记法、timeit 模块等

本文链接：https://blog.csdn.net/Ashen_0nee/article/details/125684756

文章目录

前言
一、概念引入
二、算法的概念
三、第一次尝试&第二次尝试
四、算法效率衡量
五、常见时间复杂度
六、timeit 模块
七、数据结构
- 1、概念
- 2、抽象数据类型(Abstract Data Type)

前言

本文为7月8日Python数据结构与算法学习笔记，分为七个章节：

以一道题目作为概念的引入；
算法的概念；
第一次尝试和第二次尝试解题；
算法效率衡量：最坏时间复杂度、时间复杂度的基本计算规则、时间复杂度分析；
常见时间复杂度；
timeit 模块；
数据结构：抽象数据类型（ADT）。

一、概念引入

如果 a+b+c=1000，且 a^2+b^2=c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合?

二、算法的概念

是计算机处理信息的本质;
独立存在的一种解决问题的方法和思想；

特性：

输入: 0个或多个输入；
输出: 至少有1个或多个输出；
有穷性: 在有限的步骤之后自动结束而不会无限循环，并且每一个步骤可以在可接受的时间内完成；
确定性：算法中的每一步都有确定的含义，不会出现二义性；
可行性：算法的每一步都是可行的，也就是说每一步都能够执行有限的次数完成。

三、第一次尝试&第二次尝试

第一次：

import time

start_time = time.time()

# 三重循环
for a in range(0, 1001):
    for b in range(0, 1001):
        for c in range(0, 1001):
            if a**2 + b**2 == c**2 and a+b+c == 1000:
                print("a, b, c: %d, %d, %d" % (a, b, c))

end_time = time.time()
print("elapsed: %f" % (end_time - start_time))
print("complete!")

>>> a, b, c: 0, 500, 500
    a, b, c: 200, 375, 425
    a, b, c: 375, 200, 425
    a, b, c: 500, 0, 500

>>> elapsed: 533.884531
>>> complete!

第二次：

import time

start_time = time.time()

# 两重循环
for a in range(0, 1001):
    for b in range(0, 1001-a):
        c = 1000 - a - b
        if a**2 + b**2 == c**2:
            print("a, b, c: %d, %d, %d" % (a, b, c))

end_time = time.time()
print("elapsed: %f" % (end_time - start_time))
print("complete!")

>>> a, b, c: 0, 500, 500
    a, b, c: 200, 375, 425
    a, b, c: 375, 200, 425
    a, b, c: 500, 0, 500
    
>>> elapsed: 0.269171
>>> complete!

四、算法效率衡量

单纯依靠运行时间来比较算法的优劣并不一定客观准确。

假定计算机执行算法每一个基本操作的时间是固定的一个时间单位，那么有多少个基本操作就代表会花费多少时间单位；
对于不同的机器环境而言，对于算法进行多少个基本操作（即花费多少时间单位）在规模数量级上是相同的。

大O记法： 对于单调的整数函数f，如果存在一个整数函数g和实常数c>0，使得对于充分大的n总有f(n)<=c*g(n)，就说函数g是f的一个渐近函数（忽略常数），记为f(n)=O(g(n))；
时间复杂度： 假设存在函数g，使得算法A处理规模为n的问题示例所用时间为T(n)=O(g(n))，则称O(g(n))为算法A的渐近时间复杂度，简称时间复杂度，记为T(n)。

1、最坏时间复杂度

算法完成工作最多需要多少基本操作。对于最坏时间复杂度，提供了一种保证，表明算法在此种程度的基本操作中一定能完成工作。
我们主要关注算法的最坏情况，亦即最坏时间复杂度。

2、时间复杂度的基本计算规则

基本操作，即只有常数项，认为其时间复杂度为O(1)；
顺序结构，时间复杂度按加法进行计算；
循环结构，时间复杂度按乘法进行计算；
分支结构，时间复杂度取最大值；
判断一个算法的效率时，往往只需要关注操作数量的最高次项，其它次要项和常数项可以忽略；
在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度。

3、时间复杂度分析

第一次尝试的算法的时间复杂度：
T(n) = O(n*n*n) = O(n^3)
第二次尝试的算法的时间复杂度：
T(n) = O(n*n*(1 + 1)) = O(n*n) = O(n^2)

五、常见时间复杂度

常见时间复杂度

常见时间复杂度之间的关系：
O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)

六、timeit 模块

用于测试一小段Python代码的执行速度

语法如下：
class timeit.Timer(stmt = ‘pass’, setup = ‘pass’, timer = <timer function>)

stmt：要测试的代码语句；
setup：运行代码时需要的设置；
timer：定时器函数，与平台有关。

调用语法如下：
timeit.Timer.timeit(number=1000000)

number：测试代码时的测试次数，默认为1000000次。返回执行代码的平均耗时。

测试 list 操作：

def test1():
    l = []
    for i in range(1000):
        l = l + [i]

def test2():
    l = []
    for i in range(1000):
        l.append(i)

def test3():
    l = [i for i in range(1000)]

def test4():
    l = list(range(1000))

from timeit import Timer

t1 = Timer("test1()", "from __main__ import test1")
print("concat ", t1.timeit(number=1000), "seconds")

t2 = Timer("test2()", "from __main__ import test2")
print(".append ", t2.timeit(number=1000), "seconds")

t3 = Timer("test3()", "from __main__ import test3")
print("comprehension ", t3.timeit(number=1000), "seconds")

t4 = Timer("test4()", "from __main__ import test4")
print("list range ", t4.timeit(number=1000), "seconds")

>>> concat  0.7204065999831073 seconds
    .append  0.030078700016019866 seconds
    comprehension  0.01597470001433976 seconds
    list range  0.00569829999585636 seconds