Summary--算法图解

本文主要补充《我的第一本算法书》总结缺失的，以python为主要实现方式

一. 关于O：

1. 一些常见的大O运行时间：将大O转换为操作数进行化简
   

二. 选择排序：

1. 数组读取是O（1）插入是O（n），相反链表读取是O(n) 插入是O（1）
2. 所有函数调用都进入调用栈
3. 快速排序使用分而治之的策略（D&C）。思想是：找到基线条件不断将问题分解。
   
   
   
   Tip：编写涉及数组的递归函数时，基线条件通常是数组为空或者只包含一个元素。陷入困境时，请检查基线条件是不是这样的！
   补充：
   
4. 思想明白了之后，就讲一讲c语言标准库的
   qsort，即快排。。对排序算法来说，最简单的数 组什么样呢？还记得前一节的“提示”吗？就是根本不需要排序的数组。因此，基线条件为数组为空或只包含一个元素。在这种情况下，只需 原样返回数组——根本就不用排序。
   归纳证明：归纳证明是一种证明算法行之有效的方式。它分两步：基线条件和归纳条件。对于快速排序，可使用类似的推理。在基线条件中，我证明这种算法对空数组或包含一个 元素的数组管用。在归纳条件中，我证明如果快速排序对包含一个元素的数组管用，对包含两 个元素的数组也将管用；如果它对包含两个元素的数组管用，对包含三个元素的数组也将管用， 以此类推。因此，我可以说，快速排序对任何长度的数组都管用。这里不再深入讨论归纳证明， 但它很有趣，并与D&C协同发挥作用 。

# 快排的python代码
def qsort（array）:
	if len(array) < 2 :
		return array #基线条件：为空或者只有一个
	else:
		pivot = array[0]; # 递归条件
		less = [i for i in array[1:] if i <= pivot]
		greater = [i for i in array[1:] if i > pivot]
		return qsort(less) + [pivot] + qsort(greater)

print(qsort([10,5,2,3]))

5. 还有一种名为 合并排序（merge sort） 的排序算法，其运行时间为O(nlog n)，比选择排序快得多！快速排序的情况比较棘手，在最糟情况下，其运行时间为O(n^2)。 与选择排序一样慢！但这是最糟情况。在平均情况下，快速排序的运行时间为O(n log n)
   那么你可能就会问了：若快速排序在平均情况下的运行时间为O(nlog n)，而合并排序的运行时间总是O(nlog n)， 为何不使用合并排序？它不是更快吗。别急，下面我们就好好讨论一下这个问题。
   有时候，常量的影响可能很大，对快速查找和合并查找来说就是如此。快速查找的常量比合并查找小，因此如果它们的运行时间都为O(nlog n)，快速查找的速度将更快。实际上，快速查找的速度确实更快，因为相对于遇上最糟情况，它遇上平均情况的可能性要大得多。例如：下图当数据量很大的时候，常量影响就无关紧要了。
   
   同理，对于快排，恰好选中最小的元素作为基准值的是最糟情况（调用栈非常长），而如果你总是将中间元素作为基准值则是最佳情况。在最糟情况下，栈长为 O(n)，而在最佳情况下，栈长为O(log n)。在这个示例中，层数为O(log n)（用技术术语说，调用栈的高度为O(log n)），而每层需要的 时间为O(n)。因此整个算法需要的时间为O(n) * O(log n) = O(n log n)。这就是最佳情况。 在最糟情况下，有O(n)层，因此该算法的运行时间为O(n) * O(n) = O(n^2)。 图解：
   

小小summary一下：

• D&C将问题逐步分解。使用D&C处理列表时，基线条件很可能是空数组或只包含一个元 素的数组。
• 实现快速排序时，请随机地选择用作基准值的元素。快速排序的平均运行时间为O(n log n)。
• 大O表示法中的常量有时候事关重大，这就是快速排序比合并排序快的原因所在。
• 比较简单查找和二分查找时，常量几乎无关紧要，因为列表很长时，O(log n)的速度比O(n) 快得多。