复杂度分析---数据结构复习

时间复杂度

1 什么是时间复杂度？
算法的执行效率
算法的执行时间与算法的输入值的关系

2 大O表示法

def test(num):
    total=0;#执行时间a
    for i in range(num):#单个执行时间b，一共num个b   num*b
        total +=i;#单个执行时间c
    return total    

总共执行性时间 a+numb+c
由于 a，c与numb之间时间差之太大，所以可以看成执行时间=num*b，记作O（n）
3 案例分析
O(1)

def 01(num):
     i=num
     j=num*2#a+b,与num无关
     return i+j

O（logN）

def OlogN(num):
    i=1#a
    while (i<num):
       i=i*2#执行log2 N次，一次b
    return i
    #总共时间 a+log2 N*b,可看做O（logN）

O（M+N）

def OMN(num1,num2):
   total=0
   for i in range(num1):m*b
       total+=i
   for j in range(num2):n*b
       total+=j
   return total        

O(NlogN)

def ONlogN(num1,num2):
   total=0
   j=0
   for i in range(num1):
       while(j<num2):
            total+=i+j
            j=j*2
   return total         

O(N^2)

def ON2(num):
   total=0
   for i in range(num):
       for j in range(num):
           total+=i+j
   return total        

重点看循环
4
时间复杂度对比
O（1）<O(logN)<O(N)<O(NlogN)<O(N^2)<O(2 ^N)<O(N ^2)

空间复杂度

1 什么是空间复杂度？
算法的存储空间与输入值之间的关系

先看下面两个代码

def test1(num):
    total=0
    for i in range(num):
         total+=i
    return total 


def test2(num):
    array=[]
    for num in nums:
        array.append(num)
    return array        

首先for循环是不占空间的，只有变量占空间
test1就是一个int 型total只占一个int空间所以
空间复杂度O（1）
test2 里有一个数组array，那么这个数组会占用n个空间，故他的空间复杂度为O（N）
空间复杂度取决于（1）变量类型（2）递归栈
常见空间复杂度 O（1），O（N），O（N ^2）(二维数组)