python开发之算法&数据结构（一）

一、算法基础

1. 时间复杂度

在计算机科学中，时间复杂性，又称时间复杂度(Time Complexity )，算法的时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。

• Python的效率大概1秒能计算10⁷个基本运算。

例1. 时间复杂度为：O(1)

print("hello world")

例2. 时间复杂度为：O(n)

for i in range(n):
    print("hello world")

例3. 时间复杂度为：O(n²)

for i in range(n):
    for j in range(n):
        print("hello world")

例4. 时间复杂度为：O(n³)

for i in range(n):
    for j in range(n):
        for k in range(n):
            print("hello world")

例5. 时间复杂度为：O(n²)

for i in range(n):
    for j in range(i):
        print("hello world")

例5分析：当i=0时，第二层循环执行0次；当i=1时，第二层循环执行1次；当i=2时，第二层循环执行2次；以此类推…当i=n-1时，第二层循环执行n-1次；整个程序执行了0+1+2+3+…+(n-1)次，利用等差数列求和公式，求得整个程序执行了 n²/2-n/2 次。但是时间复杂度考虑的是规模趋于无穷大的情况，不包括低阶项和首项系数，故例5的时间复杂度为：O(n²) 。

例6. 时间复杂度为：O(logn)

while n > 1:
    print(n)
    n = n // 2

例6分析：假设n=64，发现打印的n分别是64,32,16,8,4,2，一共打印了6次，由2^6=64 => 6 = log₂64，所以时间复杂度为：O(log₂n)；又因为计算机处理的是二进制数据，多数情况都是以2为底的情况，所以时间复杂度可以写为：O(logn) 。

常见时间复杂度效率排序：
O(1) < O(logn) < O(n) < O(nlogn) < O(n²) < O(n²logn) < O(n³)

一眼法判断时间复杂度：

1. 先看是否有循环减半的过程，如果有—> O(logn)；
2. 几层循环就是n的几次方的复杂度（循环要是关于n的）。

2. 空间复杂度

空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间（内存）大小的量度。

空间换时间：

• 在实际公司应用中，更注重的是时间复杂度尽可能的小，毕竟空间可以通过加内存条解决，所以会有“空间换时间”的思想。

3. 递归

递归的两个特点：

• 调用自身
• 结束条件

对比以下两个递归函数：

def func1(x):
    if x > 0:
        print(x)
        func1(x-1)

def func2(x):
    if x > 0:
        func2(x-1)
        print(x)

分析：假设x = 4，func1打印输出：4,3,2,1；而func2打印输出：1,2,3,4。原因是func1是先打印再调用递归，func2是先调用递归再打印，当x = 4时执行到 func2(x-1)，就会跳回代码开头执行 func2(x)，第一层递归此时x = 3，执行到 func2(x-1)时，又跳回代码开头执行 func2(x)，第二层递归此时x = 2ÿ