二分查找及其Python实现【算法图解】

1. 引出问题

做一个游戏，我随便想一个整数数字，这个数字在【1-100】范围内，你的目标是以最少的次数猜到这个数字，你会怎么做？

注意：在你每次猜测后，我都会提示猜大了（猜小了/猜对了）

2. 简单查找

简单查找的过程看起来很笨，类似于这样（假设我想的数字是68）：

你：1
我：猜小了
你：2
我：猜小了
你：3
我：猜小了
…
你：60
我：猜小了
你：woc，我不猜了，难受！！！
我：嘻嘻

显然，简单查找每次只能排除一个数字，如果我想的数字是100，你必须猜测100次才可以猜到。

3. 二分查找(折半查找)

二分查找的过程简单多了，类似于这样（假设我想的数字是68）：

你：floor((100+1)/2)=50
我：猜小了
（排除了【1-50】的数字，还剩下【51-100】）
你：floor((51+100)/2)=75
我：猜大了
（排除了【75-100】，还剩下【51-74】）
你：floor((51+74)/2)=62
我：猜小了
（排除了【51-62】，还剩下【63-74】）
你：floor((63+74)/2)=68
我：猜对了！

你每次猜测都会排除约一半的数字，迅速把范围缩小，因此只用了4步就猜对了！！！

这就是二分查找，在本游戏中，每次猜测剩余的的数字个数如下：

在最坏情况下，我们只需要需要猜测7次就可以得到结果（而简单查找需要100次）。

4. 运行时间对比

简单查找	二分查找
100个元素：最多猜测100次	100个元素：最多猜测7次
4000000000个元素：最多猜测4000000000次	4000000000个元素：最多猜测32次
n个元素：运行时间(猜测次数)O(n)	n个元素：运行时间(猜测次数)O(log n)

可以看到，简单查找的时间是线性时间，而二分查找的时间是对数时间（底数为2），随着元素数量增加，二分查找优势愈加明显。

准确来讲，二分查找的猜测次数是ceil(log n)，当有100个元素时，ceil(log 100)=7，这里用大O表示法忽略了小数

5. 二分查找的Python实现

键入以下代码并运行：

## 二分查找的函数binarySearch
## 输入：
##      orderedList：有序的列表
##      item：需要寻找的值
## 输出：
##      mid：列表orderedList中等于item的元素对应的位置索引
##      None：如果不存在与item相等的元素，返回空
def binarySearch(orderedList,item):
    low=0 # low：存储剩余范围的最小索引（下边界）
    high=len(orderedList)-1 # high：存储剩余范围的最大索引（上边界）

    while low<=high:
        mid=int((low+high)/2) # mid：计算剩余范围的中间索引
        guess=orderedList[mid] # guess：剩余范围的中间值即为猜测的数值
        if guess==item: # 如果猜对了，那么返回索引
            return mid
        if guess>item:  #  如果猜的值大了，那么将剩余范围的上边界更新为中间位置
            high=mid-1 
        else:           # 如果猜的值小了，那么将剩余范围的下边界更新为中间位置
            low=mid+1 
    return None # 如果不存在对应值，返回空

## 测试用例，第一个3存在，结果应该为1，第二个-1不存在，结果为None
myList=[1,3,5,7,9]

print(binarySearch(myList,3))
print(binarySearch(myList,-1))

这里面的注释是比较清楚的，因此就不再过多赘述，运行结果如下：

6. 总结

1. 二分查找的速度比简单查找快得多。

2. O(log n)比O(n)快，且随着元素规模的增加，前者比后者快得多。

3. 注意：二分查找的基础是有序列表，因此无序列表不能应用二分查找。