文章目录
1、算法引入
1.1 引例
如果 a+b+c=1000,且
a
2
+
b
2
=
c
2
a^{2} + b^2=c^2
a2+b2=c2(a,b,c 为自然数),如何求出所有a、b、c可能的组合?
第一次尝试:
for a in range(0,1001):
for b in range(0,1001):
for c in range(0,1001):
if a + b + c ==1000 and a**2 + b**2 == c**2 :
print('a,b,c:',a,b,c)
此方法比较笨,不用过多思考就可以写出
1.2 算法的定义
算法是独立存在的一种解决问题的方法和思想。
算法的五大特性
- 输入: 算法具有0个或多个输入
- 输出: 算法至少有1个或多个输出
- 有穷性: 算法在有限的步骤之后会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
1.3 改进算法的思路
对引例进行改进的思路:
读了题目可以知道 a + b + c = 1000,那么c = 1000 - a - b,因此就不需要三层遍历了
for a in range(0,1001):
for b in range(0,1001):
c = 1000 - a - b
if a**2 + b**2 == c**2 :
print('a,b,c:',a,b,c)
以上两种方法如果计算一下各自的时间,就可以更清楚的看出两种方式的效率;
import time
start_time = time.time()
for a in range(0,1001):
for b in range(0,1001):
for c in range(0,1001):
if a + b + c ==1000 and a**2 + b**2 == c**2 :
print('a,b,c:',a,b,c)
end_time = time.time()
print("elapsed: %f" % (end_time - start_time))
print('complete')
import time
start_time = time.time()
for a in range(0,1001):
for b in range(0,1001):
c = 1000 - a - b
if a**2 + b**2 == c**2 :
print('a,b,c:',a,b,c)
end_time = time.time()
print("elapsed: %f" % (end_time - start_time))
print('complete')
1.4 时间复杂度
实现算法程序的执行时间可以反应出算法的效率,即算法的优劣。
但是单靠时间值绝对可信吗?
单纯依靠运行的时间来比较算法的优劣并不一定是客观准确的!
程序的运行离不开计算机环境(包括硬件和操作系统),这些客观原因会影响程序运行的速度并反应在程序的执行时间上。那么如何才能客观的评判一个算法的优劣呢?
我们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。
引例中,笨方法的计算步骤为:
# 当 a + b + c =1000 时,
T = 1000 * 1000 * 1000 * 2
# 当 a + b + c =2000 时,
T = 2000 * 2000 * 2000 * 2
# 当 a + b + c = N 时,
T = N* N* N*2
g(n) = n^3
所以笨方法的时间复杂度为:
T
(
n
)
=
O
(
n
∗
n
∗
n
)
=
O
(
n
3
)
T(n) = O(n* n* n) = O(n^3)
T(n)=O(n∗n∗n)=O(n3)
改进算法的时间复杂度为:
T
(
n
)
=
n
∗
n
∗
(
1
+
m
a
x
(
1
,
0
)
)
=
n
2
∗
2
=
O
(
n
2
)
T(n) = n * n * (1 + max(1,0)) = n^2 * 2 = O(n^2)
T(n)=n∗n∗(1+max(1,0))=n2∗2=O(n2)
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)。
一般包括三种程序运算:
- 顺序结构
- 判断(分支)
- 循环
时间复杂度的几条基本计算规则:
- 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
1.5 常见的时间复杂度
注意:经常将log2n(以2为底的对数)简写成logn
所消耗的时间从小到大:
O
(
1
)
<
O
(
l
o
g
n
)
<
O
(
n
)
<
O
(
n
l
o
g
n
)
<
O
(
n
2
)
<
O
(
n
3
)
<
O
(
2
n
)
<
O
(
n
!
)
<
O
(
n
n
)
O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)
O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n3)<O(2n)<O(n!)<O(nn)
1.6 Python内置类型性能分析
timeit模块
timeit模块可以用来测试一小段Python代码的执行速度。
class timeit.Timer(stmt='pass', setup='pass', timer=<timer function>)
Timer是测量小段代码执行速度的类。
- stmt参数是要测试的代码语句(statment);
- setup参数是运行代码时需要的设置;
- timer参数是一个定时器函数,与平台有关。
timeit.Timer.timeit(number=1000000)
Timer类中测试语句执行速度的对象方法。number参数是测试代码时的测试次数,默认为1000000次。方法返回执行代码的平均耗时,一个float类型的秒数。
list的操作测试
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 ', 1.7890608310699463, 'seconds')
# ('append ', 0.13796091079711914, 'seconds')
# ('comprehension ', 0.05671119689941406, 'seconds')
# ('list range ', 0.014147043228149414, 'seconds')
pop操作测试
x = range(2000000)
pop_zero = Timer("x.pop(0)","from __main__ import x")
print("pop_zero ",pop_zero.timeit(number=1000), "seconds")
x = range(2000000)
pop_end = Timer("x.pop()","from __main__ import x")
print("pop_end ",pop_end.timeit(number=1000), "seconds")
# ('pop_zero ', 1.9101738929748535, 'seconds')
# ('pop_end ', 0.00023603439331054688, 'seconds')
测试pop操作:从结果可以看出,pop最后一个元素的效率远远高于pop第一个元素
自行尝试下list的append(value)和insert(0,value),即一个后面插入和一个前面插入:
def t6():
li = []
for i in range(10000):
li.append(i)
def t7():
li = []
for i in range(10000):
li.insert(0, i)
timer6 = Timer("t6()", "from __main__ import t6")
print("append:", timer6.timeit(1000))
timer7 = Timer("t7()", "from __main__ import t7")
print("insert(0):", timer7.timeit(1000))
append: 1.0817561999997451
insert(0): 34.11265440000034
list内置操作的时间复杂度
dict内置操作的时间复杂度
1.7 数据结构
比如:
- 我们如何用Python中的类型来保存一个班的学生信息? 如果想要快速的通过学生姓名获取其信息呢?
实际上当我们在思考这个问题的时候,我们已经用到了数据结构。列表和字典都可以存储一个班的学生信息,但是想要在列表中获取一名同学的信息时,就要遍历这个列表,其时间复杂度为O(n),而使用字典存储时,可将学生姓名作为字典的键,学生信息作为值,进而查询时不需要遍历便可快速获取到学生信息,其时间复杂度为O(1)。
我们为了解决问题,需要将数据保存下来,然后根据数据的存储方式来设计算法实现进行处理,那么数据的存储方式不同就会导致需要不同的算法进行处理。我们希望算法解决问题的效率越快越好,于是我们就需要考虑数据究竟如何保存的问题,这就是数据结构。
在上面的问题中我们可以选择Python中的列表或字典来存储学生信息。列表和字典就是Python内建帮我们封装好的两种数据结构。
概念
数据是一个抽象的概念,将其进行分类后得到程序设计语言中的基本类型。如:int,float,char等。数据元素之间不是独立的,存在特定的关系,这些关系便是结构。数据结构指数据对象中数据元素之间的关系。
Python给我们提供了很多现成的数据结构类型,这些系统自己定义好的,不需要我们自己去定义的数据结构叫做Python的内置数据结构,比如列表、元组、字典。而有些数据组织方式,Python系统里面没有直接定义,需要我们自己去定义实现这些数据的组织方式,这些数据组织方式称之为Python的扩展数据结构,比如栈,队列等。
数据结构只是静态的描述了数据元素之间的关系。
高效的程序需要在数据结构的基础上设计和选择算法。
程序 = 数据结构 + 算法
总结:算法是为了解决实际问题而设计的,数据结构是算法需要处理的问题载体
1.8 抽象数据类型(Abstract Data Type)
**抽象数据类型(ADT)**的含义是指一个数学模型以及定义在此数学模型上的一组操作。即把数据类型和数据类型上的运算捆在一起,进行封装。引入抽象数据类型的目的是把数据类型的表示和数据类型上运算的实现与这些数据类型和运算在程序中的引用隔开,使它们相互独立。
最常用的数据运算有五种:
- 插入
- 删除
- 修改
- 查找
- 排序