【手撕数据结构】（一）时间复杂度

---

前言

1.什么是数据结构?

数据结构是计算机存储,组织数据的方式,指相互之间存在一种或多种特定关系的数据元素的集合.

✨通俗来讲：数据结构是在内存中以某一种组织来管理数据

组织：树形结构，链式结构…
管理：增删查改

2.什么是算法?

算法就是定义良好的计算过程,它取一个或者一组值作为输入,并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果

比如说排序/二分查找

3.时间复杂度

1.算法的时间复杂度是一个数学函数式
2.算法中的基本操作的执行次数,为算法的时间复杂度

3.1 实例1:请计算一下Func1中++count语句总共执行了多少次？

时间复杂度函数式–>衡量它跑多少次
F(N)=NN+2N+10 （Func1准确的基本操作执行次数）

注意：实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，也就是说估算出它是哪个level级别的，那么这里我们使用大O的渐进表示法。

大O的渐进表示法–>估算

大O的渐进表示法总结

1.用常数1取代运行时间中的所有加法常数。
2.在修改后的运行次数函数中，只保留最高阶项
3.如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶
4.有些算法的时间复杂度存在最好情况，最坏情况，平均情况，在实际中一般情况关注的是算法的最坏运行情况，这样做的目的是降低预期，底线思维

其中：
最好情况：1次找到
最坏情况：最大运行次数找到
平均情况=把各种情况全都覆盖/查找次数

实例2:计算Func2的时间复杂度

答案：O(N)
准确的来说是2N+10
N越大，N的系数对结果的影响越小，忽略系数，时间复杂度用大O渐进法表示为O(N)

实例3:计算Func3的时间复杂度？

答案：O(M+N)
无法评估M,N的大小关系，只能写成O(M+N)
如果给出M远大于N,结果可写成O(M)
如果给出N远大于M,结果可写成O(N)

实例4:计算Func4的时间复杂度？

答案：O(1)
准确的来说是100,但是只要执行次数是常数，在时间复杂度面前就用1代替
✨O(1)代表的不是1次，代表的是常数次

实例5:计算strchr的时间复杂度？

答案：O(N)
相当于在字符数组里面查找一个字符的算法

while(*str){
	if(*str==character)
		return str;
	else
		++str;
}

另外有些算法的时间复杂度存在最好,平均和最坏的情况:

最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期待运行次数
最好情况:任意输入规模的最小运行数(下界)

在实际中一般情况关注的是算法的最坏运行情况
所以数组中搜索数据时间复杂度为O(N)
(降低预期,底线思维)

实例6:计算BubbleSort的时间复杂度？(冒泡排序）

答案：时间复杂度O(N^2)
准确的时间复杂度:
比较次数
第一趟 n-1次
第二塘 n-2次
第三趟 n-3次
…
4
3
2
余两数 1次

每个次数构成一个等差数列,准确的总次数=N*(N-1)/2
时间复杂度O(N^2)

✨补充知识点：快速排序qsort的时间复杂度是 O(N*logN)
对比冒泡排序和快速排序的效率

实例7:二分查找的时间复杂度

答案：

区间有N个值，每找一次就缩小一半
找一次 剩余N/2个值
找两次 剩余N/2/2个值
… …

找了多少次，就要除以多少个2
假设找了x次,那么除以x个2
N/2/2/2/2…/2=1
N / (2^x) =1
N=2^x
x=log2(N)

二分查找的效率有多高，下面来对比一下暴力查找（顺序查找）和二分查找

实例8:计算阶乘递归Fac的时间复杂度

答案是O(N)

Fac(N)
调用
Fac(N-1)
调用
Fac(N-2)
…
…
Fac(2)
调用
Fac(1)
调用
Fac(0)
实际总共调用了N+1次,每一次里面判断一次,加起来就是O(N)

变形：在函数中加入一个for循环

答案：时间复杂度O(N^2)

每次调用的时候里面判断也可以算一次,但是影响很小可以忽略

所以大概算一下量级是O(N^2)

实例9:计算斐波那契递归Fib的时间复杂度

答案：时间复杂度为O(2^N)
斐波那契数递归的过程：

时间复杂度计算过程:

---

今日寄语：

那些看似不起波澜的日复一日，终会在某天让你看见拿到坚持的意义。
共勉🐍