python数据结构和算法

数据结构和算法基本概念

算法是什么？

• 算法是一系列解决问题的清晰指令，是计算机处理信息的本质！
• 算法是独立存在的一种 解决问题的方法和思想！

解题的四步骤

1. 分析需求
2. 设计算法
3. 代码实现
4. 验证结果

例题
$$\begin{gathered} 如果a+b+c=1000,且a^2+b^2=c^2(a,b,c为自然数)， \\ 如何求所有的a、b、c可能的组合？ \end{gathered}$$

1. 分析需求

   找出所有a、b、c满足上述条件的组合

2. 设计算法

   尝试a、b、c的所有的组合，判断每个组合是否满足上述两个条件，如果满足输出，否则继续判断下面的组合（枚举法）

3. 代码实现

   # @Author  ：泰敢人辣
   # Date     ：2023/7/20 10:35
   import time
   s_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(f'符合条件的组合为{a}、{b}、{c}')
   e_time  = time.time()
   print(f'程序执行了{s_time-e_time}')
   #输出结果如下
   '''
   符合条件的组合为0、500、500
   符合条件的组合为200、375、425
   符合条件的组合为375、200、425
   符合条件的组合为500、0、500
   程序执行了-68.64588284492493
   '''
   

4. 验证结果

   显然使用枚举法进行一亿次的计算是可以得到结果的

   但是用时一分多钟，效率低下，故这种方法不可取，需要设计更为精妙的算法！

算法的特性

• 输入项：算法具有0个或多个输入
• 输出项：算法至少有1个输出
• 有穷性：算法必须能在有限个步骤后终止，并且需要在可接受的时间内
• 准确性：算法的每一步骤必须有确切的定义
• 可行性：算法的每一步都是可行的

时间复杂度！！！

基于上面的例题代码：

框中的表达式是否需要知道每一个c的值？仔细想一想显然是吗，没有必要的吧！

反过来想一下，如果满足条件的c必然满足上面的等式，即：
$$c=1000-a-b$$
此时我们只用两个遍历即可

# @Author  ：泰敢人辣
# Date     ：2023/7/20 10:35
import time
s_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(f'符合条件的组合为{a}、{b}、{c}')


e_time  = time.time()
print(f'程序执行了{s_time-e_time}')

'''代码运行结果如下'''
'''
符合条件的组合为0、500、500
符合条件的组合为200、375、425
符合条件的组合为375、200、425
符合条件的组合为500、0、500
程序执行了-0.48239660263061523
'''

可以很明显的看到只用了不到1秒的时间就运行结束！！！

引入时间复杂度

对于程序的运行时间每次可能都会不一样，显然我们用运行时间来判定算法程序的好坏显然是不明智的！

程序运行的时间不一样，但是程序运行的步骤是一样子的！故我们可以用步骤的多少来描述算法

定义 时间频度 为程序运行的步骤，用T表示

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(f'符合条件的组合为{a}、{b}、{c}')

计算上述代码的时间频度：
$$T=1000\times 1000\times 1000\times 2$$
当问题的数据规模（n）发生变化时，时间频度T也会跟着变化,其通式为：
$$T=n^3\times 2$$

时间复杂度的定义及其简单计算

定义时间复杂度（渐进时间复杂度），描述随着问题的数据规模增长，算法的时间频度的增长趋势。记作：
$$\begin{gathered} O（F（n）） \\ 其中F（n）时T（n）的渐进函数 \end{gathered}$$

在时间频度T的通式中，当n趋向于无穷大的时候，谁的值最大，谁就是时间复杂度！！！

例如：
$$\begin{gathered} T=n^3\times 2 \\ 其中的时间复杂度为：O（n^3） \end{gathered}$$

计算时的注意点

• 计算时,往往只关注时间频度中的最高次项其他次要项和常数项忽略
• 顺序结构,时间复杂度按加法来计算
• 循环结构,时间复杂度按乘法来计算
• 分支结构,时间复杂度取最大值
• 没有特殊说明时,算法的时间复杂度都是指最坏的时间复杂度

常见的时间复杂度

时间频度举例	阶	非正式术语
12	O(1)	常数阶
2n+3	O(n)	线性阶
3n2 + 2n + 1	O(n2)	平方阶
5log2n+20	O(logn)	对数阶
2n+3nlog2n+19	O(nlogn)	nlogn阶
6n3+2n2+3n+4	O(n3)	立方阶
2n	O(2n)	指数阶

列表字典常用操作的时间复杂度

列表中添加元素的方法

a = []
#方法1
a += [1]   
'''
方法1等同于   a.extend([1])
'''
#方法二
a = a + 1
'''
方法二每次执行的时候都会重新创建内存地址   特别慢
'''

列表常用操作的时间复杂度

字典常用操作的时间复杂度