数据结构(Python) —— 【01 估计算法运行效率与时间复杂度】

本人非计算机专业，通过在某站自学数据结构，进一步夯实自己
今天说说【课程01:估计算法运行效率与时间复杂度】

时间复杂度：用来评估算法运行效率的一个式子

先说几个例子:

print('Hello World')            时间复杂度: O(1)
 
for i in range(n):              时间复杂度: O(n)
    print('Hello World')

for i in range(n):              时间复杂度: O(n^2)
   for j in range(n):
       print('Hello World')
      
for i in range(n):              时间复杂度: O(n^3)
   for j in range(n):
       for k in range(n):
           print('Hello World')

注意:

括号内表示的是单位数量，或者说是大致时间，而不是精确时间。就像你问一个人睡了到长时间，他一般会告诉你睡了几个小时，而不会告诉你睡了几个小时零几分。

例1 :

print('Hello World')
print('Hello Python')
print('Hello Algorithm')        

三个式子整体时间复杂度是O(1)而不是具体的O(3)

例2:

for i in range(n):
    print('Hello World')
    for j in range(n):
       print('Hello World')

复杂度是O(n^2） 而不是O(n^2 + n)

例3:

while n>1:
   print(n)
   n = n // 2
2^6 = 64  ==>  log2(64) = 6

时间复杂度为O(log2(n))或O(log(n))

当问题规模循环减半即，每次循环，问题规模都缩小一半，复杂度式子中会出现log(n)

总结:

---

1. 时间复杂度是用来估计算法运行时间的一个式子(单位)
2. 一般来说，时间复杂度高的算法比复杂度低的算法慢
3. 常见的时间复杂度(按效率排序)
O(1) < O(log(n)) <O(n) < O(nlog(n)) < O(n^2) < O(n^2log(n)) < O(n^3)
4. 复杂问题的时间复杂度
O(n!) O(2^n) O(n^n)

---

简单判断算法复杂度

1. 快速判断算法复杂度(适用于绝大多数简单情况):

   1. 确定问题规模n
   2. 判断是否有循环减半的过程，若有，则时间复杂度中有log(n)
   3. 一般来说，有k层关于n的循环，式子里就是n^k

2. 复杂情况: 根据算法具体执行过程判断

---

空间复杂度： 用来评估算法内存占用大小的式子

空间复杂度的表示方式与时间复杂度完全一样:

1. 算法使用了几个变量: O(1)
2. 算法使用了长度为n的一维列表: O(n)
3. 算法使用了m行n列的二维列表: O(mn)

因为时间比空间重要，所以经常采用"空间换时间"