算法图解第一章笔记与习题(算法简介)
文章目录
1.2 二分查找
def binary_search(list, item):
# low 和 high 用于跟踪要在其中查找的部分
low = 0
high = len(list) - 1
# 只要范围没有缩小到只有一个元素,就继续循环
while low <= high:
# 检查中间的元素
mid = (low + high) // 2 # 这里注意下,必须是 // 而不是 /,否则不会自动取整,在list中取非整数则会报错。
guess = list[mid]
# 如果猜的数是对了,返回结果
if guess == item:
return mid
# 如果猜的数大了,上限减1
if guess > item:
high = mid - 1
# 如果猜的数小了,下限加1
else:
low = mid + 1
# 如果没有这个元素,返回None
return None
my_list = [1, 3, 5, 7, 9] ##测试数据
1.3大 O O O表示法
大 O O O表示法指出的是最糟情况下的运行时间
下面按从快到慢的顺序列出经常遇到的5种大O运行时间:
- O ( log n ) O(\log n) O(logn):对数时间,这样的算法包括二分查找。
- O ( n ) O(n) O(n):线性时间,这样的算法包括简单查找。
- O ( n ∗ log n ) O(n * \log n) O(n∗logn):这样的算法包括快速排序。
- O ( n 2 ) O(n^2) O(n2):这样的算法包括选择排序。
- O ( n ! ) O(n!) O(n!):这样的算法包括旅行商问题的解决方案。
算法的速度指的并非时间,而是操作数的增速!
1.4 小结
- 二分查找的速度比简单查找要快许多,数据越大,差距就越明显。
- O ( log n ) O(\log n) O(logn)比 O ( n ) O(n) O(n)快。需要搜索的元素越多,前者比后者就快得越多。
- 算法运行时间并不以秒为单位。
- 算法运行时间是从其增速的角度来度量的。
- 算法运行时间用大 O O O表示法表示。
练习
习题1.1
- 假设有一个包含128个名字的有序列表,你要使用二分查找在其中查找一个名字,请问最多需要几步才能找到?
log 2 128 = 7 步 \log_2128=7步 log2128=7步
习题1.2
- 上面列表的长度翻倍后,最多需要几步?
log 2 256 = 8 步 \log_2256=8步 log2256=8步
习题1.3
- 在电话簿中根据名字查找电话号码。
二分查找,为 O ( log 2 n ) O(\log_2 n) O(log2n)。
习题1.4
- 在电话簿中根据电话号码查找人。(提示:你必须查找整个电话簿。)
简单查找,为 O ( n ) O(n) O(n)。
习题1.5
- 阅读电话簿中每个人的电话号码。
简单查找,为 O ( n ) O(n) O(n)。
习题1.6
- 阅读电话簿中姓名以A打头的人的电话号码。这个问题比较棘手,它涉及到第4章的概念。答案可能让你感到惊讶!
简单查找,同时,因为大 O O O表示法没有常数部分,因此 O ( n 26 ) O(\frac n{26}) O(26n)直接被看作为 O ( n ) O(n) O(n)。