数据结构与算法分析(二)：算法分析

本系列为《Python数据结构与算法分析》第二版学习笔记，作者：布拉德利.米勒；戴维.拉努姆。

算法分析关心的是基于所用的计算资源比较算法。我们说甲算法比乙算法好，依据是甲算法有更高的资源利用率或使用更少的资源。

计算资源究竟指什么？一是考虑算法在解决问题时要占用的空间或内存，二是根据算法执行所需的时间进行分析和比较.

一个算法的具体实例的执行时间不是一个有用指标，因为它依赖于特定的计算机、程序、时间、编译器和编程语言。如果要摆脱程序或计算机的影响来描述算法的效率，量化算法的操作或步骤很重要。

1、大O记法
如果将每一步看成基本计算单位，那么算法的执行时间可以描述为解决问题的步骤数，以计算前N个整数之和为例：

def sumOfN(n):
	theSum = 0
	for i in range(1, n+1):
		theSum = theSum + i
	return theSum

该算法执行完整的步骤数T(n) = 1 + n， 参数n被称作“问题规模”。在计算机科学中，精确的步骤数并没有T(n)函数中起决定性作用的部分重要。也就是说，随着问题规模的增长，T(n)函数的某一部分会比其余部分增长的更快，最后比较的其实就是这一起决定性作用的部分。

数量级函数描述的就是，当n增长时，T(n)增长最快的部分，数量级常被称作大O记法(O指order)，记作O(f(n)),它提供的是步骤数的一个有用的近似算法。

再比如，某个算法的步骤数是:

当n很小时，比如说1或2，常熟1005看起来是这个函数中起决定性作用的部分。然而随着n的增长，n2变的很重要。实际上，当n很大时，另两项的作用对于最终结果来说就不显著了，因此可以忽略这两项，只关注5n2。另外，当n足够大时，系数5的作用也不重要了，因此可以说，函数T(n)的数量级是f(n) = n2，或者直接说是O(n2)。

常见的大O函数

Python列表操作的大O效率

Python字典操作的大O效率