一、环境设置(工欲善其事必先利其器)
1、电脑设置
- Mac:iTerm2 + zsh(oh my zsh)
Windows: Microsoft new terminal:(https://github.com/microsoft/terminal) - VSCode; Java:IntelliJ; Python:Pycharm
- LeetCode plugin(VSCode & IntelliJ)
- https://vscodethemes.com/ (VSCode 优化)
- 骚操作:https://juejin.im/entry/587e0f2f570c352201113e14https://juejin.im/post/5ce1365151882525ff28ed47
2、Code Style
Java、Python、...
- Google code style
- Airbnb
3、LeetCode
- leetcode-cn.com 和 题解
- leetcode.com 和 Disscuss board(国际站:五遍练习法的第三遍和第四遍 Most Votes,看大牛代码,)
4、指法和小操作
- home, end(行头、行尾)
- Word单词、选单词、选整行
- IDE自动补全
- Top tips for<IDE-name>(刻意去练习IDE的快捷键)
- 培养自顶向下的编程方式(最开始就是思考大层次的逻辑,不纠结细节,也就是以主干逻辑为主。
二、常见时间、空间复杂度分析
1、Big O notation(最常见的7种复杂度)
- O(1): Constant Complexity 常数复杂度
- O(log n): Logarithmic Complexity 对数复杂度
- O(n): Linear Complexity 线性时间复杂度
- O(n^2): N square Complexity 平方
- O(n^3): N cube Complexity 立方
- O(2^n): Exponential Growth 指数
- O(n!): Factorial 阶乘
Notice:
- 只看最高复杂度的运算
- 常数系数不用考虑
2、怎么看复杂度
- 直接看函数
- 代码根据n的不同情况它会运行多少次
O(1)常数复杂度示例(java):
int n = 100;
System.out.printIn("Hey - your input is:" + n);
int n = 1000;
System.out.printIn("Hey - your input is:" + n);
System.out.printIn("Hmm..I'm doing more stuff with:" + n);
System.out.printIn("And more:" + n);
O(N)线性时间复杂度示例(java):
for(int i=1;i<=n;i++){
System.out.printIn("Hey - your input is:" + i);
O(N^2)平方复杂度示例(java):
for(int i=1;i<=n;i++){
for(int j=1;j<=n;j++){
System.out.printIn("Hey I'm busy looking at:" + i + "and" +j);
}
}
O(log(n))对数复杂度示例(java):
for(int i =1; i<n; i=i*2){
System.out.printIn("Hey I'm busy looking at:" + i);
}
O(k^n) 指数级的时间复杂度示例[k是常数]
int fib(int n){
if(n<=2) return n;
return fib(n-1) + fib(n-2);
}
Notice:
- 写程序的时候,一定要下意识的分析出这段代码的时间和空间复杂度。
- 用最简洁的时间和空间复杂度完成这段程序的话,基本上是一个顶尖职业选手的必备素养。
3、示例说明不同复杂度解决相同问题:
# 计算:1 + 2 + 3 + ... + n
方法一:[复杂度为O(n)]
y=0
for i=1 to n:
y+=i
方法二:求和公式 sum = n(n+1)/2 [程序只执行一次,复杂度为O(1)]
y=n*n(n+1)/2
4、递归情况下怎么分析时间复杂度
关键了解递归,总共执行了语句多少次?
- 循环,n次循环执行了n次
- 把递归的执行顺序画出一个树型结构(递归状态的递归树)
# 求斐波那契的第n项,
# Fib: 0,1,1,2,3,5,8,13,21,...
# 通项公式为 F(n) = F(n-1)+F(n-2)
方法一:(直接采用递归)
int fib(int n){
if(n<=2) return n;
return fib(n-1)+fib(n-2);
}
- 每一层的节点数目成指数级增长
- 很多重复的节点计算
Master Theorem (主定理,解决任何分治或者递归函数计算它的时间复杂度)
- 二分查找:数列本身有序的情况,找到目标数,每次一分为二,只查一边,最后时间复杂度为O(log n)的。
- 二叉树的遍历:通过主定理可知,每次需要一分为二,每一边是相等的时间复杂度,最后的递推公式就变成了 T(n) = 2T(n/2) + O(1),可以推算出运行时间为O(n),[n代表二叉树里面的树的节点总数,有一个简单的思考方法是二叉树的遍历,每一个节点都访问一次,且仅访问一次,所以时间复杂度是线性于二叉树的节点总数,O(n)的。]
- 有序的二维矩阵中进行二分查找:根据主定理得出,时间复杂度为O(n)的。[如果是一维的数组进行二分查找就是O(log n)]
- 归并排序:所有排序最优的办法就是n log n的。
小结:
- 二叉树的前序、中序、后序的时间复杂度为O(n)
- 二叉树的前序、中序、后序的时间复杂度为O(n)总数
- 搜索算法:DFS、BFS时间复杂度为O(n)的,n指的是收缩空间里面的节点总数
- 二分查找时间复杂度为 O(log n)