Python-算法性能评估

概论

时间复杂度和空间复杂度是算法中常用的衡量指标，用于评估算法的执行效率和资源消耗。

• 时间复杂度：是指算法执行所需要的时间量级，常用大O记法表示。
• 空间复杂度：是指算法执行所需的额外空间大小，也用大O记法表示。

时间复杂度

• 模块：不同量级有不同的速度，比如水 vs 水杯: 水
• 测试环境：在不同测试环境，速度也不同，比如手机 vs 电脑: 电脑

大O表示法

def tmp(n):
    add =0
    for i in range(n):
        add +=1
    return add

如上一个函数，假设代码一行运行时间是一个unit，那么总的运行时间：T(n) = (2n + 1) * unit，T(n) = O(f(n)) , O表示 T(n) 与 f(n) 成正比，O 表示渐近时间复杂度，表示代码执行时间随数据规模增长的变化趋势

当 n 很大时,低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略．
就可以记为：T(n) = O(n)； T(n) = O(n2)。

计算时间复杂度的原则

只关注循环次数多的代码

def tmp(n):
    add = 0
    for i in range(n):
        add += i
    return add

只关注循环，所以时间复杂度T(n) = O(n)

选大量级

def tmp(n):
    for i in range(999):
        print(123)

    for i in range(n):
        print(1)

    for i in range(n):
        for j in range(n):
            print(2)

第一个循环时间复杂度O(999)，第二个循环时间复杂度O(n)，第三个循环时间复杂度O(n^2)，所以这个函数的时间复杂度是O(n^2)

嵌套循环要乘积

def tmp(n):
    for i in range(n):
        a(i)

def a(n):
    for i in range(n):
        print('c')

tmp函数内部调用了函数a，所以tmp的时间复杂度是O(n^2)

常见复杂度分析

• 非多项式量级（过于低效） : O(2n) 和 O(n!)。

• 多项式量级:O(1), O(logn), O(n), O(nlogn), O(nk)

常数时间复杂度（O(1)）

表示无论输入规模大小，执行时间都是恒定的。例如，对一个已知长度的列表进行索引操作。

a=2
b=3
d=4

线性时间复杂度（O(n),O(n+m)）

表示随着输入规模增大，执行时间也呈线性增长。例如，对一个长度为n的列表进行遍历操作。

O(n)

def tmp(n):
    add = 0
    for i in range(n):
        add += i
    return add

O(m+n)

def tmp(m, n):
    for i in range(m):
        print(1)

    for i in range(n):
        print(2)

对数时间复杂度（O(log n)）

表示执行时间随着输入规模增大而增加，但增幅逐渐减小。例如，二分查找算法。

def tmp(n):
    i = 1
    while i < n :
        i = i * 2

i = 2^0,2^1, 2^2, 2^3…2^x

退出循环的条件是 : 2^x = n ,即 x = log2n，时间复杂度为 Ｏ(log2n)

def tmp(n):
    i = 1
    while i < n :
        i = i * 3

log3n 就等于 log32 * log2n，所以 O(log3n) = O(C * log2n)，其中 C=log32 是一个常量。基于我们前面的一个理论：在采用大 O 标记复杂度的时候，可以忽略系数，即 O(Cf(n)) = O(f(n))。所以，O(log2n) 就等于 O(log3n)。因此，在对数阶时间复杂度的表示方法里，我们忽略对数的“底”，统一表示为 O(logn)

平方时间复杂度（O(n^2),O(n*m)）

表示执行时间与输入规模成平方关系增长。例如，嵌套循环遍历一个二维列表。

O(n^2)

def tmp(n):

    for i in range(n):
        for j in range(n):
            print(2)

O(n*m)

def tmp(n,m):
    for i in range(n):
        for j in range(m):
            print(1)

空间复杂度

• 渐进时间复杂度：表示算法的执行时间与数据规模之间的增长关系。
• 渐进空间复杂度：表示算法的存储空间与数据规模之间的增长关系。

常数空间复杂度（O(1)）

表示算法执行所需的额外空间大小固定，与输入规模无关。例如，只使用有限的变量存储结果。

a = [1]
b = [2]
c = [3]

线性空间复杂度（O(n)）

表示算法执行所需的额外空间大小随着输入规模线性增长。例如，使用一个长度为n的列表存储中间结果。

def tmp(n):
    a = [1]*n
    for i in a:
        print(i)