基于Python的算法，引入基本概念（1）

1.1 概念引入

先来看一道题:

如果 a+b+c=1000，且 a^2+b^2=c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合?

a^2在pyhton里，使用a**2表示

range()函数，默认从0开始“数数”，一直数自然数到“顾头不顾腚”的左[右)区间

{0}，{1}，{2} 是str.format()的占位符

采用穷举法，即循环的3层嵌套

# -*- coding:utf-8 -*-
# Author:Marlon Kang
#如果 a+b+c=1000，且 a^2+b^2=c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合?
#定义初始变量
a = 0
b = 0
c = 0

#采用穷举法，即循环的3层嵌套
for a in range(1001):
    for b in range(1001):
        for c in range(1001):
            #python的逻辑运算符，使用"and"而不是“&&”
            if a**2 + b**2 == c**2 and a+b+c ==1000:
                print("a={0},b={1},c={2}".format(a,b,c))

上述算法还有很大的优化空间，由于有等式关系，故可以少循环遍历一次

#采用穷举法的改进写法，即循环的2层嵌套+等式变换的限定条件
for a in range(1001):
    for b in range(1001):
            c = 1000-a-b
            #python的逻辑运算符，使用"and"而不是“&&”
            if a**2 + b**2 == c**2:
                print("a={0},b={1},c={2}".format(a,b,c))

1.2 算法的提出

算法是独立存在的一种解决问题的方法和思想。

算法的五大特性

1. 输入: 算法具有0个或多个输入
2. 输出: 算法至少有1个或多个输出
3. 有穷性: 算法在有限的步骤之后会自动结束而不会无限循环，并且每一个步骤可以在可接受的时间内完成
4. 确定性：算法中的每一步都有确定的含义，不会出现二义性
5. 可行性：算法的每一步都是可行的，也就是说每一步都能够执行有限的次数完成

1.3 算法效率衡量

时间复杂度与“大O记法”

对于算法的时间效率，我们可以用“大O记法”来表示。

时间复杂度：假设存在函数g，使得算法A处理规模为n的问题示例所用时间为T(n)=O(g(n))，则称O(g(n))为算法A的渐近时间复杂度，简称时间复杂度，记为T(n)

如何理解“大O记法”

对于算法的时间性质和空间性质，最重要的是其数量级和趋势，这些是分析算法效率的主要部分。而计量算法基本操作数量的规模函数中那些常量因子可以忽略不计。例如，可以认为3n2和100n2属于同一个量级

最坏时间复杂度

对于最坏时间复杂度，提供了一种保证，表明算法在此种程度的基本操作中一定能完成工作。

我们主要关注算法的最坏情况，亦即最坏时间复杂度。

时间复杂度的几条基本计算规则

1. 基本操作，即只有常数项，认为其时间复杂度为O(1)
2. 顺序结构，时间复杂度按加法进行计算
3. 循环结构，时间复杂度按乘法进行计算
4. 分支结构，时间复杂度取最大值
5. 判断一个算法的效率时，往往只需要关注操作数量的最高次项，其它次要项和常数项可以忽略
6. 在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度

1.4 算法分析

T(n) = O(n*n*n) = O(n3)

T(n) = O(n*n*(1+1)) = O(n*n) = O(n2)

由此可见，我们尝试的第二种算法要比第一种算法的时间复杂度好多的。

1.5 常见时间复杂度

执行次数函数举例	阶	非正式术语
12	O(1)	常数阶
2n+3	O(n)	线性阶
3n2+2n+1	O(n2)	平方阶
5log2n+20	O(logn)	对数阶
2n+3nlog2n+19	O(nlogn)	nlogn阶
6n3+2n2+3n+4	O(n3)	立方阶
2n	O(2n)	指数阶

注意，经常将log2n（以2为底的对数）简写成logn

常见时间复杂度之间的关系

所消耗的时间从小到大

O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) < O(2n) < O(n!) < O(n^n)

---

1.6 Python内置类型性能分析

timeit模块

class timeit.Timer(stmt='pass', setup='pass', timer=<timer function>)  Timer是测量小段代码执行速度的类。timer参数是一个定时器函数，与平台有关。

timeit.Timer.timeit(number=1000000) Timer类中测试语句执行速度的对象方法。 number参数是测试代码时的测试次数，默认为1000000次。方法返回执行代码的平均耗时，一个float类型的秒数。

list的操作测试 

# coding:utf-8

from timeit import Timer


#
# li = [i for i in range(10000)]
#
# li = list(range(10000))


def t3():
    li = [i for i in range(10000)]

def t4():
    li = list(range(10000))

# number参数是测试代码时的测试次数，默认为1,000,000次
timer3 = Timer("t3()", "from __main__ import t3")
print("[i for i in range]:", timer3.timeit(number=10000))

timer4 = Timer("t4()", "from __main__ import t4")
print("list(range()):", timer4.timeit(number=10000))




# def t6():
#     li = []
#     for i in range(10000):
#         li.append(i)
#
# def t7():
#     li = []
#     for i in range(10000):
#         li.insert(0, i)


# timer6 = Timer("t6()", "from __main__ import t6")
# print("append", timer6.timeit(1000))
#
# timer7 = Timer("t7()", "from __main__ import t7")
# print("insert(0)", timer7.timeit(1000))

字典时间复杂度

表1

表2

 

1.7 数据结构

程序 = 数据结构 + 算法

总结：算法是为了解决实际问题而设计的具体思路，数据结构是算法需要处理的问题载体

最常用的数据运算有五种：

• 插入
• 删除
• 修改
• 查找
• 排序