数据结构与算法——python

对于这一部分的学习主要是跟着黑马数据结构与算法的系列视频课程的总结
视频链接: https://pan.baidu.com/s/1j93AvCSiiMt2UWVGBCwMOg
提取码: 8843

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。
算法是计算机处理信息的本质，因为计算机程序本质上是一个算法来告诉计算机确切的步骤来执行一个指定的任务。
我们现在是在用Python语言进行描述实现。

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

举例：
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?

对于这个问题可以有不同的解决方案，一种方案就对应了一种算法，那么如何来评判算法的优劣，就需要用到算法的效率衡量。

算法的效率衡量

算法的好坏不能简单的靠算法的运行时间来决定，因为算法的运行时间还与硬件设备和操作系统有关，因此，我们引入时间复杂度来衡量算法的优劣。
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，确切的单位时间是不同的，但是对于算法进行多少个基本操作（即花费多少时间单位）在规模数量级上却是相同的，由此可以忽略机器环境的影响而客观的反应算法的时间效率。

我们使用大O记法来表示算法的复杂度。
对于算法时间性质和空间性质来说最重要就是其数量级和趋势，而计量算法基本操作数量的规模函数中那些常量因子可以忽略不计
通常情况下，我们主要关注算法的最坏情况，即最坏时间复杂度。

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

计算下面两种方法的算法复杂度：

# 方法一，三次遍历
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))

时间复杂度：
T(n) = O(nnn) = O(n3)

# 方法二：两次遍历
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))

时间复杂度：
T(n) = O(nn(1+1)) = O(n*n) = O(n2)
由此可见，我们尝试的第二种算法要比第一种算法的时间复杂度好多的。

常见的时间复杂度

执行次数函数举例	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

注意，经常将log2n（以2为底的对数）简写成logn

常见的时间复杂度的大小关系：

O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2n) < O(n!) < O(n^n)

对于python中几种内置的列表生成方式进行性能比较

计算几种方式的运行的平均时间要用到的是timeit模块中的Timer类

from timeit import Timer

Timer接收两个字符串参数，第一个参数是你要计时的语句或者函数。第二个参数为第一个函数的导入语句，有了Timer对象之后就可以调用timeit方法，输入的参数是要执行的次数，默认时1000000次，然后返回执行后的平均值。

from timeit import Timer
def test1():
    l = []
    # 用加号拼接字符串
    for i in range(1000):
        l = l + [i]
def test2():
    l = []
    for i in range(1000):
    # 使用append追加的方式
        l.append(i)
def test3():
    # 列表生成式
    l = [i for i in range(1000)]
def test4():
    l = list(range(1000))

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")

python中list内置操作的复杂度

dict内置操作的复杂度

数据结构的引入

问题的提出：

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？

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。

算法与数据结构的区别

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

抽象数据类型

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