大数据初学者论文_初学者的大O

大数据初学者论文

照片由apoorv mittal在Unsplash上拍摄

大O表示法使我们能够测量代码的时间和空间复杂度。

考虑一下for循环的示例。 您可以在5个项目的数组上运行它，它将很快运行，但是如果在10,000个项目的数组上运行它，则执行时间会慢得多。 看一个例子：

大O表示法使我们能够计算出算法要运行多长时间。 这使我们了解了一段代码将如何扩展。 它测量算法效率。

O（1）

这称为恒定时间。 每个执行的时间是一致的。 想象一下，如果您是加油站服务员。 加满汽车只需要25秒，然后该特定任务就被认为已经完成。 当天填满一辆汽车或一百辆汽车都没关系，您已经在一致的时间内填满了汽车。

因此，按照上面的示例，我们不在乎O（1），O（2）等。我们将其四舍五入为O（1），这就是说我们的操作在可伸缩性方面是一条平线。 这将花费相同的时间。 这是可预见的并且非常可扩展。 看一个例子：

上）

我们的循环示例为O（n），因为它针对输入中的每个值运行。 根据输入，运算以线性方式增加。 （n）表示输入数量。 该算法以线性时间运行。

O（n²）

假设我们要记录一组项目中的一系列对。 我们可以这样做：

一个好的经验法则是，如果看到嵌套循环，则可以使用乘法来计算符号。 因此，在上面的示例中，我们正在做O（n * n），它变为O（n²）（n为平方的O）。 这称为二次时间，这意味着每当元素数量增加时，我们就二次增加操作。

实际上，您希望避免在O（n²）中运行的代码，因为当您引入更多元素时，操作数量会大大增加。

计算大O

要计算Big O，您可以遍历每一行代码，确定它是否为O（1），O（n）等，然后最后返回您的计算。 例如，它可能是O（4 + 5n），其中4代表O（1）的四个实例，而5n代表O（n）的五个实例。

但是，有一种更简单的方法来计算此值，并且可以通过以下四个规则来完成：

1. 假设最坏的情况
2. 删除常数
3. 使用不同的术语进行输入
4. 放弃任何非优势

依次进行以下每个操作：

1. 假设最坏的情况

在计算Big O时，您总是会想到最坏的情况。 例如，如果您要遍历数组并查找某个项目，则该项目可能是第一个项目，也可能是最后一个项目。 由于不确定，因此我们必须在这种情况下假设O（n）。

2. 删除常量

这有点棘手，但请耐心等待。 考虑以下代码：

我们有一个功能可以执行几项操作。 有些是O（1），例如第3行，而另一些是O（n），例如第9行。

我们可以将Big O表示为O（1 + n / 2 +100），但它确实太具体了。 我们可以删除O（1）运算，因为根据经验，与O（n）运算相比，它们可能无关紧要。 如果我们要在输入数组中提供一百万个项目，那么我们主要关心的不是O（1）的另外100个操作。

因此，我们得到O（n / 2）-随着n越来越大，将其除以2的效果会减小。 因此，最终我们对该函数的Big O表示法变为O（n）。

3. 输入的不同术语

如果我们要在同一数组中循环两次，那么我们的Big O从技术上讲就是O（2n），但是让我们删除常量，让我们剩下O（n）。 但是现在我们需要考虑输入的不同术语。 那是什么意思？

如果看上面的代码，我们可以看到现在有两个输入。 一个可能是一个项目长，另一个可能包含一百万个项目。 因此我们的函数不再是O（n），而是O（a + b）。 我们在符号中使用的n是任意的，因此我们需要在符号中反映两个输入。

在这种情况下，我们的循环不会嵌套。 如果是，那么我们的代码将是O（n²），这将是重构的潜在目标。 通常，如果存在嵌套循环，则您是在进行乘法运算而不是相加变量。

4. 删除非主要术语

看一下这段代码：

因此，我们在顶部有一个单循环，它是O（n），然后是一个嵌套循环，它是O（n²）。 因此，我们的总数为O（n +n²）。 但是，正如我们在规则2中看到的那样，我们想删除常量。 那么，这两个术语中的哪一个对我们来说更重要？

在这种情况下，我们丢弃O（n）并保留O（n²），因为这更为重要。 它是主要术语，因为它会对性能产生更大的影响。

结论

那有什么意义呢？

如果我们知道只处理少量输入，那么Big O并没有太大关系。 但是在编写代码时，应考虑其可伸缩性。

通过关注Big O，您可以展望未来，并且更有可能编写可以有效扩展的代码。 您可以开始查看代码成本，并在编写代码时做出明智的选择。

资源资源

http://bigocheatsheet.com/

大O表示法
免费阅读和学习以下文章：Big-O表示法 www.khanacademy.org

翻译自: https://hackernoon.com/big-o-for-beginners-622a64760e2

大数据初学者论文