python 刷题篇（1）---- 时间复杂度和空间复杂度的分析

最新推荐文章于 2023-08-12 23:07:51 发布

机智帅气的葫芦娃

最新推荐文章于 2023-08-12 23:07:51 发布

阅读量860

点赞数

文章标签： leetcode刷题 python 算法

本文链接：https://blog.csdn.net/clever_wr/article/details/116589085

版权

这是一个系列篇，主要是用python刷题，适用于喜欢用python刷题的小伙伴一起交流和讨论，之前作者基于java、c\c++都刷过，这次使用python更加系统的根据校招高频题进行分析。

首先分析一下做题需要注意的重点内容：

• 重点在理解不在数量，经典题多做，做到一看到原题能直接 AC 。

• 互联网公司大多考的是 Leetcode 上剑指 offer 、 hot 100 的题，但不是绝对，大多看面试官的算法水平。个人感觉阿里、腾讯面的算法都在中等偏简单的水平，腾讯重在性能、最优解，题不难。

• 自己做出来之后并没有结束，要看题解最优解。

其次是高频模块分析：

• 深度优先搜索（ DFS ）

• 广度优先搜索（ BFS ）

• 递归、记忆化搜索

• 动态规划（ DP ）

• 二叉树相关问题

• 链表相关问题

• …

时间复杂度分析：（不得不承认，时间复杂度和空间复杂度是面试官考察的重点，通常在做完一道算法题之后就会问这个问题。所以需要重点掌握）

• 和数据规模 n 有关，看循环嵌套情况，最好每道题都分析一下对应的时间复杂度和空间复杂度。

• 最差的时间复杂度是 O(N^2 ) ， O(N^3 )···

• 更优解就是减少时间复杂度，但是通常会增加空间复杂度。这就是俗称的以空间换时间的问题。

for(int i = 0; i < n; i++) {
} //O(m)时间复杂度
for(int i = 0; i < m; i++) {
	for(int i = 0; i < n; i++) {
	
	}	
} //O(mn)时间复杂度

func(int val, int a[], int start, int end) {
	if(start > end) {
		return false;
	}
	int mid = (start + end) / 2;
	if(val == a[mid]) {
		return true;
	} else {
		if(val < a[mid]) {
			return func(val, a, start, mid - 1);
		} else {
			 return func(val, a, mid + 1, end);
		}
	}
	return false;
} //最常见的二分法是O(log(n))时间复杂度

空间复杂度分析：

• 和数据规模 n 有关。

• 在一些题中会指明比如常数级空间复杂度 O(1) ，这是指的是不能重新开数组或者 hashmap 对数据进行中间存储。只能用题中给出的比如数组进行中间数值的存储，这样也就会增加题目难度，因为很有可能在数据处理过程中，需要前一个数据作为计算的一部分，但是前一个数据在上一次运算中重新赋值，这样就会造成数据的错误。

• 比如：使用 a[i] = a[i - 1] + 5 策略将 a 数组数值进行更新。要求空间复杂度 O(1) 。 a= {1,3,5,2}。下面是正确和错误结果的分析和例子。

//空间O(1)，时间O(n)，错误返回a={1,  6, 11, 16} 
for(int i = 1; i < m; i++) {
	a[i] = a[i] + 5;		
} 


//空间O(n)，时间O(n)，正确返回a = {1, 6, 8, 10}
int b[m];
b[0] = a[0];
for(int i = 1; i < m; i++) {
	b[i] = a[i];
	a[i] = b[i - 1] + 5;	
}


//空间O(1)，时间O(n)，正确返回a = {1, 6, 8, 10}
int tmp = a[0];
for(int i = 1; i < m; i++) {
	int tmp1=a[i];
	a[i] = tmp+ 5;	
	tmp = tmp1;
}


//空间O(1)，时间O(n)，正确返回a = {1, 6, 8, 10}
for(int i = m – 1;  i > 1; i--) {
	a[i] =a[i - 1] + 5; 
}

复杂度总结：（刷题的基础就是先要掌握时间复杂度和空间复杂度的分析，划重点）

• 时间复杂度和空间复杂度往往是相互影响的。

• 当追求一个较好的时间复杂度时，可能会使空间复杂度的性能变差，即可能导致占用较多的存储空间；

• 当追求一个较好的空间复杂度时，可能会使时间复杂度的性能变差，即可能导致占用较长的运行时间。

• 因此在实际开发场景是时间和空间复杂度的折衷，实现最合理的性能结果。

青蛙跳台阶问题：是经典的可以用空间换时间的问题

1）题解（1）单纯的通过递归进行计算，会显示超时，因为在每一个状态都会额外的多计算其子状态结果，然后才能得到当前状态结果。

2）题解（2）则是使用空间换时间，通过存储每一个状态的信息，使得在下一次到达这个状态时直接返回存储的该节点状态即可，无需进行额外的计算操作。这也就是俗称的以记忆化搜索操作。

#（1）超过时间限制，时间复杂度O(𝑛!),空间复杂度O(1) 报错，超时错误
int numWays(int n){ 
	if(n == 0 || n == 1) { 
		return 1; 
	} 
	return numWays(n - 1) + numWays(n - 2); 
}


#（2）空间换时间 空间复杂度O(n),时间复杂度O(n)
int num[101] = {0}; 
int numWays(int n){
    if(n == 0 || n == 1) {
        return 1;
    }
    if(num[n - 1] == 0) {
        num[n - 1] = numWays(n - 1) % 1000000007;
    }
    if(num[n - 2] == 0) {
        num[n - 2] = numWays(n - 2) % 1000000007;
    }
    return (num[n - 1] + num[n - 2]) % 1000000007;
}