《数据结构与算法图解》笔记-第5章 用或不用大O来优化代码

第5章 用或不用大O来优化代码

我们不能完全依赖于大O，因为有时候即使两种算法的大O记法完全一样，但实际上其中一个比另一个要快得多。

5.1 选择排序

选择排序的步骤如下。

(1) 从左至右检查数组的每个格子，找出值最小的那个。

(2) 知道哪个格子的值最小之后，将该格与本次检查的起点交换。第1次检查的起点是索引0，第2次是索引1，以此类推。

(3) 重复第(1) (2)步，直至数组排好序。

5.2 选择排序实战

略

5.3 选择排序的实现

略

5.4 选择排序的效率

选择排序的步骤可分为两类：比较和交换，也就是在每轮检查中把未排序的值跟该轮已遇到的最小值做比较，以及将最小值与该轮起点的值交换以使其位置正确。

对于有5个元素的数组，我们总共需要进行10次比较（4 + 3 + 2 + 1=10）。推广开来，若有N个元素，就会有 (N -1) + (N -2) + (N -3) + … + 1次比较。但每轮的交换最多只有1次。如果该轮的最小值已在正确位置，就无须交换，否则要做1次交换。相比之下，冒泡排序在最坏情况（完全逆序）时，每次比较过后都要进行1次交换

选择排序的步数大概只有冒泡排序的一半，即选择排序比冒泡排序快一倍。

5.5 忽略常数

选择排序的大O记法跟冒泡排序是一样的，即O(N²)。这是因为大O记法的一条重要规则我们至今还没提到：大O记法忽略常数。换一种不那么数学的表达方式，就是：大O记法不包含一般数字，除非是指数。

选择排序严格来说本应为O(N²/2)，最终得写成O(N²)。类似地，O(2N)要写成O(N)；O(N/2)也写成O(N)；就算是比O(N)慢100倍的O(100N)，也要写成O(N)。速度相差100倍的两种算法，它们的大O记法却一样。

5.6 大O的作用

尽管不能比较冒泡排序和选择排序，大O还是很重要的，因为它能够区分不同算法的长期增长率。当数据量达到一定程度时，O(N)的算法就会永远快过 O(N²)，无论这个 O(N)实际上是O(2N)还是O(100N)。即使是O(100N)，这个临界点也是存在的。

大O记法只表明，对于不同分类，存在一临界点，在这一点之后，一类算法会快于另一类，并永远保持下去。至于这个点在哪里，大O并不关心。因此，不需要写成O(100N)，归类到O(N)就好了。同样地，在数据量增大到某个点时，O(log N)便会永远超越O(N)，即使该O(logN)算法的实际步数为O(2log N)。所以大 O是极为有用的工具，当两种算法落在不同的大 O类别时，你就很自然地知道应该选择哪种。因为在大数据的情况下，必然存在一临界点使这两种算法的速度永远区分开来。

不过，本章的主要结论是即使两种算法的大O记法一样，但实际速度也可能并不一样。虽然选择排序比冒泡排序快1倍，但它们的大O记法都是O(N²)。因此，大O记法非常适合用于不同大 O分类下的算法的对比，对于大O同类的算法，我们还需要进一步的解析才能分辨出具体差异。

5.7 一个实例

略

5.8 总结

现在我们已经掌握了一些非常强大的算法分析手法。我们能够使用大O去判断各种算法的效率，即便两种算法的大O记法一样，也知道如何对比它们。