Python数据结构(一、概念)

一、概念

1. 从一道题引入

如果 a+b+c=1000,且 a2+b2=c^2(a,b,c 为自然数),如何求出所有a、b、c可能的组合?

#如果 a+b+c=1000,且 a^2+b^2=c^2(a,b,c 为自然数),如何求出所有a、b、c可能的组合

import time
start_time = time.time()

# 注意是三重循环
for a in range(0, 1001):
    for b in range(0, 1001):
        for c in range(0, 1001):
            if a**2 + b**2 == c**2 and a+b+c == 1000:
                print("a, b, c: %d, %d, %d" % (a, b, c))

end_time = time.time()
print("elapsed: %f" % (end_time - start_time))
print("complete!")

运行结果

a, b, c: 0, 500, 500
a, b, c: 200, 375, 425
a, b, c: 375, 200, 425
a, b, c: 500, 0, 500
elapsed: 173.736150
complete!

注意运行的时间:173.736150秒

2. 算法的提出

算法是计算机处理信息的本质,因为计算机程序本质上是一个算法来告诉计算机确切的步骤来执行一个指定的任务。一般地,当算法在处理信息时,会从输入设备或数据的存储地址读取数据,把结果写入输出设备或某个存储地址供以后再调用。

算法是独立存在的一种解决问题的方法和思想。

对于算法而言,实现的语言并不重要,重要的是思想。

算法可以有不同的语言描述实现版本(如C描述、C++描述、Python描述等),我们现在是在用Python语言进行描述实现。

2.1 算法的五大特性

  1. 输入 : 算法具有0个或多个输入
  2. 输出 : 算法至少有1个或多个输出
  3. 有穷性 : 算法在有限的步骤之后会自动结束而不会无限循环,并且每一个步骤可以在可接受的时间内完成
  4. 确定性 :算法中的每一步都有确定的含义,不会出现二义性
  5. 可行性 :算法的每一步都是可行的,也就是说每一步都能够执行有限的次数完成

3. 组合题的优化

import time

start_time = time.time()

# 注意是两重循环
for a in range(0, 1001):
    for b in range(0, 1001-a):
        c = 1000 - a - b
        if a**2 + b**2 == c**2:
            print("a, b, c: %d, %d, %d" % (a, b, c))

end_time = time.time()
print("elapsed: %f" % (end_time - start_time))
print("complete!")

运行结果:

a, b, c: 0, 500, 500
a, b, c: 200, 375, 425
a, b, c: 375, 200, 425
a, b, c: 500, 0, 500
elapsed: 0.182897
complete!

4. 算法效率衡量

4.1 执行时间反应算法效率

对于同一问题,我们给出了两种解决算法,在两种算法的实现中,我们对程序执行的时间进行了测算,发现两段程序执行的时间相差悬殊(173.736150秒相比于0.182897秒),由此我们可以得出结论:实现算法程序的执行时间可以反应出算法的效率,即算法的优劣。

4.2 单靠时间值绝对可信吗?

假设我们将第二次尝试的算法程序运行在一台配置古老性能低下的计算机中,情况会如何?很可能运行的时间并不会比在我们的电脑中运行算法一的173.736150秒快多少。

4.3 单纯依靠运行的时间来比较算法的优劣并不一定是客观准确的!

程序的运行离不开计算机环境(包括硬件和操作系统),这些客观原因会影响程序运行的速度并反应在程序的执行时间上。那么如何才能客观的评判一个算法的优劣呢?

4.4 时间频度

一个算法执行所耗费的时间,从理论上是不能算出来的,必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试,只需知道哪个算法花费的时间多,哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。

4.5 时间复杂度与“大O记法”

上面提到的时间频度T(n)中,n称为问题的规模,当n不断变化时,时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律,为此我们引入时间复杂度的概念。一般情况下,算法中基本操作重复执行的次数是问题规模n的某个函数,用T(n)表示,如果存在一个整数函数g和实常数c>0,使得对于充分大的n总有T(n)<=c*g(n),就说函数g是T(n)函数的一个渐近函数(忽略常数),记为T(n)=O(g(n)),它称为算法的渐进时间复杂度,简称时间复杂度。这种用O( )来体现算法时间复杂度的记法,我们称之为大O表示法。

大O表示法实际就是去掉T(n)函数的最高阶项系数、低阶项和常数项,只保留最高阶项。如T(n)函数为5n3 + 3n + 5,使用大O表示法则时间复杂度为O(n3)。

4.6 如何理解“大O记法”

对于算法的效率衡量,最重要的是其数量级和趋势,这些是分析算法效率的主要部分。而计量算法基本操作数量的规模函数中那些常量因子可以忽略不计。例如,可以认为3n2和100n2属于同一个量级,如果两个算法处理同样规模实例的代价分别为这两个函数,就认为它们的效率“差不多”,都为n2级。

4.7 最坏时间复杂度

分析算法时,存在几种可能的考虑:

  • 算法完成工作最少需要多少基本操作,即最优时间复杂度
  • 算法完成工作最多需要多少基本操作,即最坏时间复杂度
  • 算法完成工作平均需要多少基本操作,即平均时间复杂度

对于最优时间复杂度,其价值不大,因为它没有提供什么有用信息,其反映的只是最乐观最理想的情况,没有参考价值。

对于最坏时间复杂度,提供了一种保证,表明算法在此种程度的基本操作中一定能完成工作。

对于平均时间复杂度,是对算法的一个全面评价,因此它完整全面的反映了这个算法的性质。但另一方面,这种衡量并没有保证,不是每个计算都能在这个基本操作内完成。而且,对于平均情况的计算,也会因为应用算法的实例分布可能并不均匀而难以计算。

因此,我们主要关注算法的最坏情况,亦即最坏时间复杂度。

4.8 时间复杂度的几条基本计算规则

  1. 基本操作,即只有常数项,认为其时间复杂度为O(1)
  2. 顺序结构,时间复杂度按加法进行计算
  3. 循环结构,时间复杂度按乘法进行计算
  4. 分支结构,时间复杂度取最大值
  5. 判断一个算法的效率时,往往只需要关注操作数量的最高次项,其它次要项和常数项可以忽略
  6. 在没有特殊说明时,我们所分析的算法的时间复杂度都是指最坏时间复杂度

5. 算法分析

1.第一次尝试的算法核心部分

for a in range(0, 1001):
    for b in range(0, 1001):
        for c in range(0, 1001):
            if a**2 + b**2 == c**2 and a+b+c == 1000:
                print("a, b, c: %d, %d, %d" % (a, b, c))

时间复杂度:

T(n) = O(n*n*n*10) =O(n^3)

2.第二次尝试的算法核心部分

for a in range(0, 1001):
    for b in range(0, 1001-a):
        c = 1000 - a - b
        if a**2 + b**2 == c**2:
            print("a, b, c: %d, %d, %d" % (a, b, c))

时间复杂度:

T(n) = O(n*n*10) =O(n^2)

由此可见,我们尝试的第二种算法要比第一种算法的时间复杂度好的多。

6. 常见时间复杂度

执行次数函数举例非正式术语
12O(1)常数阶
2n+3O(n)线性阶
3n2+2n+1O(n2)平方阶
5log2n+20O(logn)对数阶
2n+3nlog2n+19O(nlogn)nlogn阶
6n3+2n2+3n+4O(n3)立方阶
2nO(2n)指数阶

注意,经常将log2n(以2为底的对数)简写成logn

6.1 常见时间复杂度之间的关系

所消耗的时间从小到大

O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)

7. Python内置类型性能分析

7.1 timeit模块

timeit模块可以用来测试一小段Python代码的执行速度。

class timeit.Timer(stmt=‘pass’, setup=‘pass’, timer=)

  1. Timer是测量小段代码执行速度的类
  2. stmt参数是要测试的代码语句(statment)
  3. setup参数是运行代码时需要的设置
  4. timer参数是一个定时器函数,与平台有关

timeit.Timer.timeit(number=1000000)

Timer类中测试语句执行速度的对象方法。number参数是测试代码时的测试次数,默认为1000000次。方法返回执行代码的耗时,一个float类型的秒数。

7.2 list 的操作测试

def t1():
   l = []
   for i in range(1000):
      l = l + [i]
def t2():
   l = []
   for i in range(1000):
      l.append(i)
def t3():
   l = [i for i in range(1000)]
def t4():
   l = list(range(1000))

from timeit import Timer

timer1 = Timer("t1()", "from __main__ import t1")
print("concat ",timer1.timeit(number=1000), "seconds")
timer2 = Timer("t2()", "from __main__ import t2")
print("append ",timer2.timeit(number=1000), "seconds")
timer3 = Timer("t3()", "from __main__ import t3")
print("comprehension ",timer3.timeit(number=1000), "seconds")
timer4 = Timer("t4()", "from __main__ import t4")
print("list range ",timer4.timeit(number=1000), "seconds")

# ('concat ', 1.7890608310699463, 'seconds')
# ('append ', 0.13796091079711914, 'seconds')
# ('comprehension ', 0.05671119689941406, 'seconds')
# ('list range ', 0.014147043228149414, 'seconds')

insert与append比较

def t2():
    li = []
    for i in range(10000):
        li.append(i)


def t5():
    li = []
    for i in range(10000):
        li.insert(0, i)

timer2 = Timer('t2()', 'from __main__ import t2')
print("append:", timer2.timeit(number=1000))

timer5 = Timer('t5()', 'from __main__ import t5')
print("insert:", timer5.timeit(number=1000))

# append: 0.9202240769991477
# insert: 21.039387496999552

7.3 list内置操作的时间复杂度

OperationBig-O Efficiency
indexx[] (根据索引取数据) li[0]O(1)
index assignment(根据索引赋值) li[0] = 1O(1)
appendO(1)
pop()O(1)
pop(i)O(n)
insert(i,item)O(n)
del operatorO(n)
iteration(in)(遍历)O(n)
contains(in) (判断某一元素是否存在)O(n)
get slice[x:y] (切片) (end - start = k)O(k)
del sliceO(n)
set slice (k新列表长度)O(n+k)
reverse(反转,需要遍历n/2 去掉系数)O(n)
concatenate(连接)O(k)
sortO(nlogn)
multiply(乘法,遍历(k-1)*n)O(nk)

7.4 dict内置操作的时间复杂度

OperationBig-O Efficiency
copyO(n)
get itemO(1)
set itemO(1)
delete itemO(1)
contains(in)O(1)
iterationO(n)

8. 数据结构

我们如何用Python中的类型来保存一个班的学生信息? 如果想要快速的通过学生姓名获取其信息呢?

实际上当我们在思考这个问题的时候,我们已经用到了数据结构。列表和字典都可以存储一个班的学生信息,但是想要在列表中获取一名同学的信息时,就要遍历这个列表,其时间复杂度为O(n),而使用字典存储时,可将学生姓名作为字典的键,学生信息作为值,进而查询时不需要遍历便可快速获取到学生信息,其时间复杂度为O(1)。

我们为了解决问题,需要将数据保存下来,然后根据数据的存储方式来设计算法实现进行处理,那么数据的存储方式不同就会导致需要不同的算法进行处理。我们希望算法解决问题的效率越快越好,于是我们就需要考虑数据究竟如何保存的问题,这就是数据结构。

在上面的问题中我们可以选择Python中的列表或字典来存储学生信息。列表和字典就是Python内建帮我们封装好的两种数据结构。

#我们如何用Python中的类型来保存一个班的学生信息? 如果想要快速的通过学生姓名获取其信息呢?
	#列表嵌套字典
	[
		{name:"大乔",age:20},
		{name:"小乔",age:10}
	]

	for stu in li
		if stu[name]=="大乔"

	#时间复杂度:O(n)
    
	#字典嵌套字典
	{
		"大乔":{name:"大乔",age:20},
		"小乔":{name:"小乔",age:10}
	}

	li["大乔"]

	#时间复杂度:O(1)

数据结构是计算机存储、组织数据的方式

8.1 概念

数据结构是计算机存储、组织数据的方式。数据结构是指相互之间存在一种或多种特定关系的数据元素的集合。

为了解决问题,需要将数据保存下来,然后根据数据的存储方式来设计算法实现进行处理,那么数据的存储方式不同就会导致需要不同的算法进行处理。我们希望算法解决问题的效率越快越好,于是我们就需要考虑数据究竟如何保存的问题,这就是数据结构。

总结-一些小细节

# 如果 a+b+c=n,且 a^2+b^2=c^2(a,b,c 为自然数),如何求出所有a、b、c可能的组合?

import time

start_time = time.time()

# for a in range(1001):  # a=0~1000
#     for b in range(1001):  # b=0~1000
#         for c in range(1001):  # c=0~1000
#             # a b c 都有值,判断两个条件
#             if a + b + c == 1000 and a**2 + b**2 == c**2:
#                 print("a,b,c: %s,%s,%s" % (a, b, c))

# time:197.855698778833
# 衡量算法效率  执行时间 不客观 依赖了硬件
# 分析时间  基本步骤总和*基本步骤耗时
# 时间频度  拿基本步骤总和 衡量效率
# T=1000*1000*1000*10=1000^3*10   T=1000^2*10
# T(n)=n^3*10   T(n)=n^2*1000
# 时间复杂度:比较的是随着n的变化,函数的增长率
# 渐进函数:g(n)=n^3   g(n)=n^2
# 大O表示法:T(n)=O(n^3)
# 某个算法的时间复杂度是O(n^3)

for a in range(1001):  # a=0~1000
    for b in range(1001):  # b=0~1000
        # 此时a,b都有值,直接根据条件计算c的值
        c = 1000 - a - b
        if a**2 + b**2 == c**2:
            print("a,b,c: %s,%s,%s" % (a, b, c))
        else:
            pass

# time:1.5926834458950342
# 1、分析时间频度
# T(n)=n*n*(3+5 + (if 1 else 0)) = n^2*9
# 2、获取渐进函数
# g(n)=n^2
# 3、大O表示法
# T(n)=O(n^2)


end_time = time.time()

print("time:%s" % (end_time - start_time))

# 顺序结构 加法
print("time:%s" % (end_time - start_time))
print("time:%s" % (end_time - start_time))

# 循环结构 乘法
for i in range(5):
    print("time:%s" % (end_time - start_time))
    print("time:%s" % (end_time - start_time))

# 分支结构 采用最坏情况
if True :
    print("time:%s" % (end_time - start_time))
else:
    print("time:%s" % (end_time - start_time))
    print("time:%s" % (end_time - start_time))


from timeit import Timer


# timer = Timer("print('a')")
# print(timer.timeit(number=5))


# timer = Timer("print(a)", "a=1")
# print(timer.timeit(number=5))

def tt():
    print("abc")

# timer = Timer("tt()", "from __main__ import tt")
# # 返回的时间是运行number次,总共耗时
# print(timer.timeit(number=500))


def t1():
    li = []
    for i in range(1000):
        li = li + [i]


def t2():
    li = []
    for i in range(10000):
        li.append(i)


def t3():
    li = []
    for i in range(10000):
        li.insert(0, i)


def t4():
    li = list(range(1000))


# timer1 = Timer("t1()", "from __main__ import t1")
# print("+:",timer1.timeit(number=1000))

timer2 = Timer("t2()", "from __main__ import t2")
print("append:",timer2.timeit(number=1000))

timer3 = Timer("t3()", "from __main__ import t3")
print("insert:",timer3.timeit(number=1000))

# timer4 = Timer("t4()", "from __main__ import t4")
# print("list:",timer4.timeit(number=1000))


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值