python常用的简单算法，二分查找、冒泡排序、数组翻转等以及时间复杂度相关知识...-CSDN博客

1、二分查找：主要用于查询元素数量较多的列表，采用二分查找，取中位值，进行大小比较，可以提高效率

 1 #二分查找，用于在较大的数据列表中查询某个值，考虑到元素比较多，单纯的遍历会造成内存压力过大，考虑使用二分查找
 2 #二分查找的关键在于查询中间值，将需要查找的值与中间值进行比较，然后确定查找方向
 3 def binary_search(data_source,find_n):
 4     #取中位数
 5     mid=int(len(data_source)/2)
 6 
 7     if len(data_source)>=1:
 8         if data_source[mid]>find_n:  #中位数大于要查找的数，则要查找的数在左半部分，继续调用二分算法进行查找
 9             binary_search(data_source[:mid],find_n)
10         elif data_source[mid]<find_n:  #中位数小于要查找的数，则要查找的数在右半部分
11             binary_search(data_source[mid:],find_n)
12         else:   #中位数等于要查找的数
13             print("找到了：",data_source[mid])
14 
15     else:
16         print("没有找到")
17 
18 
19 if __name__=="__main__":
20     data=list(range(1,100000))
21     binary_search(data,88888)

2、生成一个5*5的2维数组，并按顺时针方向旋转90度

 1 #算法基础：生成一个4*4的2维数组并将其顺时针旋转90度
 2 
 3 array=[[col for col in range(5)]for row in range(5)]  #初始化一个4X4的数组
 4 #输出数组，查看数组旋转前其格式
 5 for row in array:
 6     print(row)
 7 ''' 分析
 8 数组旋转前
 9 [0, 1, 2, 3]
10 [0, 1, 2, 3]
11 [0, 1, 2, 3]
12 [0, 1, 2, 3]
13 '''
14 '''
15 数组旋转后,顺时针旋转90度,由上下图对比可知，每次只需将第一行的元素和第一列的元素位置互换
16 即形成部分旋转，以此类推循环，实现最终的旋转
17 [0, 0, 0, 0]
18 [1, 1, 1, 1]
19 [2, 2, 2, 2]
20 [3, 3, 3, 3]
21 '''
22 name="旋转前后分割线"
23 print(name.center(60,"*"))
24 for i,row in enumerate(array):   #把行先遍历出来
25     # print(i,row)
26     for index in range(i,len(row)):   #获取每一行元素的下标，并且每次循环不断缩小调整的范围
27         temp=array[i][index]           #获取
28         array[i][index]=array[index][i]
29         array[index][i]=temp
30     for r in array:print(r)
31     print("------one loop---------")

3、冒泡排序，将一组列表中的元组按从小到大的顺序排列；每次内部循环只移一位元素

 1 #冒泡排序，将一组列表中的元组按从小到大的顺序排列；每次内部循环只移一位元素
 2 #冒泡排序相对较费时间，本例中加入算法运行耗时的计算
 3 import time
 4 time1=time.time()
 5 data = [10,4,33,21,54,3,8,11,5,22,2,1,17,13,6]
 6 print("冒泡排序之前：",data)
 7 
 8 for i in range(len(data)):   #外层循环，用于遍历所有的元素
 9     for j in range(len(data)-1):  #内层循环，用于取值与其之后的元素对比，每次循环只改变一个值的位置
10         if data[j]>data[j+1]:
11             tmp=data[j]
12             data[j]=data[j+1]
13             data[j+1]=tmp
14         print(data)
15 print("冒泡排序之后：",data)
16 time2=time.time();
17 print('花费的时间为：',time2-time1)

时间复杂度
（1）时间频度一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。

（2）时间复杂度 在刚才提到的时间频度中，n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入时间复杂度概念。一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),使得当n趋近于无穷大时， T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作 T(n)=Ｏ(f(n)),称 Ｏ(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。

指数时间一个问题求解所需要的计算时间m(n)，依数据输入的大小，呈指数增长（即输入数据的数量依线性增长，而所花的时间以指数增长），如下第二个例子所示：

for (i=1; i<=n; i++)
       x++;
for (i=1; i<=n; i++)
    　for (j=1; j<=n; j++)
          x++;

第一个for循环的时间复杂度为Ο(n)，第二个for循环的时间复杂度为Ο(n²)，则整个算法的时间复杂度为Ο(n+n²)=Ο(n²)。第一个循环的时间复杂度可以忽略

常数时间：

若对于一个算法，的上界与输入大小无关，则称其具有常数时间，记作时间。一个例子是访问数组中的单个元素，因为访问它只需要一条指令。但是，找到无序数组中的最小元素则不是，因为这需要遍历所有元素来找出最小值。这是一项线性时间的操作，或称时间。但如果预先知道元素的数量并假设数量保持不变，则该操作也可被称为具有常数时间。

对数时间：

若算法的T(n) = O(log n)，则称其具有对数时间

常见的具有对数时间的算法有二叉树的相关操作和二分搜索。

对数时间的算法是非常有效的，因为每增加一个输入，其所需要的额外计算时间会变小。

递归地将字符串砍半并且输出是这个类别函数的一个简单例子。它需要O（log n）的时间因为每次输出之前我们都将字符串砍半。这意味着，如果我们想增加输出的次数，我们需要将字符串长度加倍。

线性时间　

如果一个算法的时间复杂度为O(n)，则称这个算法具有线性时间，或O(n)时间。非正式地说，这意味着对于足够大的输入，运行时间增加的大小与输入成线性关系。例如，一个计算列表所有元素的和的程序，需要的时间与列表的长度成正比。

转载于:https://www.cnblogs.com/eric8899/p/5974150.html