Python 验证时间复杂度的一种方法: 以list内置函数sort()和count()为例

当使用内置函数的时候，有可能不太确定时间复杂度大概是多少。参考链接的内容，以None操作，list的sort()和count()为例，本文给出了一种大致验证时间复杂度的代码。但该方法精度有限，只能用来大概看一看。

 

方法

通过timeit库，给出不同n下的耗时Tn (1<=n<=N)，并以N为横坐标，T为纵坐标绘制成图像，根据图像大概判断函数的时间复杂度。

 

代码

import timeit
from math import log10 
from math import log2 
import matplotlib.pyplot as plt 


## None操作
data = []
for i in [2**x for x in range(16)]:
        data.append((i, timeit.timeit('pass', setup='import random; x=list(range(%d)); random.shuffle(x);' % i, number=1000)))

log_data = []
for i in range(len(data)):
        log_data.append((log2(data[i][0]), log2(data[i][1])))

plt.figure()
plt.scatter(*zip(*log_data))
plt.xlabel('log(n)')
plt.ylabel('log(time)')
plt.savefig('None_complexity')

## count操作
data = []
for i in [2**x for x in range(16)]:
        data.append((i, timeit.timeit('x.count(0)', setup='import random; x=list(range(%d)); random.shuffle(x);' % i, number=1000)))

log_data = []
for i in range(len(data)):
        log_data.append((log2(data[i][0]), log2(data[i][1])))

plt.figure()
plt.scatter(*zip(*log_data))
plt.xlabel('log(n)')
plt.ylabel('log(time)')
plt.savefig('count_complexity')


## sort操作
data = []
for i in [2**x for x in range(16)]:
        data.append((i, timeit.timeit('x.sort()', setup='import random; x=list(range(%d)); random.shuffle(x);' % i, number=1000)))

log_data = []
for i in range(len(data)):
        log_data.append((log2(data[i][0]), log2(data[i][1])))

plt.figure()
plt.scatter(*zip(*log_data))
plt.xlabel('log(n)')
plt.ylabel('log(time)')
plt.savefig('sort_complexity')

 

分析

代码中的data是[n,Tn]的组合，其中Tn通过timeit求得，其中的setup表示只执行一次的代码。

为了方便观察，以及与logN配合，因此代码中对data取了对数得到了log_data。 之所以以2为底是在对数底数与点数之间所作的权衡。因为底数越接近10，点数往往会越小。number是重复执行的次数，越大越耗时但误差也越小。

pass,x.sort(),x.count()则分别是3个操作，在每一次执行时都会执行，从而绘制出耗时曲线，大概观察时间复杂度。

 

结果

None操作的结果:

理论上应该是O(1),结果为

count操作的结果:

理论上是O(N),结果为

sort操作的结果:

理论上是O(NlogN),结果为

 

 

总结

可以看到，该方法只能作大致观察，而且受限于运行时间和误差，对时间复杂度相差不大的操作，如N和NlogN并不能得到很好的结果。但用来单纯验证时间复杂度还是得到大概的结果。