时间复杂度
时间复杂度(也叫大O记法),众所周知,python这门语言现在之所以这么火热,就是因为人工智能的大趋势。在这个趋势下,适合进行大量计算的python就有非常大的优势。最近谷歌的AlphaZero已经初步具备了主观能动性,也就是说已经有一定的自主学习能力,看来科幻电影里面的情节,是有希望实现的。AlphaZero的底层语言开发使用的是go和python。go在其中担当处理高并发的环节,而python则在于算法。
我们如果想要在开发的路上走得很远,那么算法将是伴随我们终身的,所以说算法一定要6。而时间复杂度,则影响一个算法的优劣(实现算法程序的执行时间可以反映出算法的效率)
定义:如果一个问题的规模是n,解这一问题的某一算法所需要的时间为T(n),它是n的某一函数 T(n)称为这一算法的“时间复杂性”。当输入量n逐渐加大时,时间复杂性的极限情形称为算法的“渐近时间复杂性”。
12 O(1) 常数阶
2n+3 O(n) 线性阶
另外还有平方阶 , 对数阶 , nlogn阶 , 立方阶 ,指数阶等
那我们今天借用一下python中的列表来进行一个小测试:
from timeit
import Timer
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))
timer1 =Timer(
't1()' ,
'from __main__ import t1');
#前者类方法,后者类方法所指的文件名
print(
'conact' , 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')