python 某个数是不是在某个范围内_非CS专业的Python学习指南（3）

点击蓝字关注我们

大家好，我是Ernest，一名在英国Amazon工作的软件开发攻(工)城(程)狮(师)?️。欢迎跟我继续学习Python!

此系列的前两篇文章 非CS专业的Python学习指南(1)和 非CS专业的Python学习指南(2)分别讲了 Python 火的原因和学习方法，以及 Python 语法基本功都需要学些什么。接下来的几篇文章我们就要进入到 Python 的算法部分。今天我们先来聊一聊什么是算法，以及如何通过复杂度分析来比较算法的优劣。

今天我们先来聊一聊什么 是算法，以及如何通过复杂度分析来比较算法的优劣。 算法的定义 计算机科学对 算法(algorithm) 的定义是：

“一系列定义明确的具体计算步骤，可通用于解决一类问题。”

这个定义是不是有点天马星空？那我们先来看一个简单的例子：

大家小学学习多位数加法的时候，老师都是教大家从最低数位开始做单位数加法，必要时进行进位操作，然后一步步推进到更高的数位，直至完成整个多位数加法。

多位数加法其实就是一个很简单的算法：它明确地定义了一系列具体计算步骤(i.e. 从低数位到高数位的推进、每个数位的单位数加法、进位操作等)，从而解决了多位数加法这一类的问题。这里需要明确一个概念： 算法是一种相对抽象的问题解决方法，即独立于你的实现方式。还是以上面的多位数加法为例：不论你是采用在草稿纸上徒手计算的方式，还是通过 Python/C++ 编程的方式，该运算方法的核心思想都是不变的。 Fun fact：LeetCode 有一道经典的算法题就是让你在只允许单位数加法和进位的前提下，如何实现多位数加法运算。链接在这里 https://leetcode.com/problems/add-two-numbers/  复杂度分析 现实生 活中，遇到的问题通常都会有多种解决方法。 我们会通过比较不同解决方法的 pros & cons ，来选用最有效的那一种来执行。 在算法的世界里也是一样的： 在解决同一个问题上，我们需要复杂度分析来比较不同算法的优劣，然后采用最有效的那一个 。 计算机科学对 复杂度分析(Complexity Analysis) 的定义是：

“用来分析某个算法所需消耗的计算资源的数量，可分为步骤数量(i.e.时间复杂度Time Complexity)和存储空间数量(i.e.空间复杂度Space Complexity)。”

一般来说，复杂度分析注重于一个算法在应对一个超大数据集时的最坏情况。为什么要重点考虑超大数据呢？因为我们使用计算机代替手动计算的目的，就是为了能够更高效地处理大量数据。为什么要重点考虑最坏的情况呢？因为最好的情况就是第一步就很幸运地找到了答案，这样的分析没有什么实际意义。而且超大数据集这个情况本身就代表了一种最坏情况，即数据大到超出手动计算的范围。

什么意思呢？我们来举一个简单的例子： 假设有一个长度为 N 的递增数列，我们想要寻找其中是否存在一个目标值。 我们当然可以使用最无脑的暴力搜索算法(Brute-Force Search)，把这个数列从头到尾地扫一遍。如果长度 N 变得非常大，那么整个递增数列就变成了超大数据集。如果你要寻找的目标值在最后一步才找到，或者不存在于此数列中，那么最坏的情况就出现了：你需要扫完整个数列才能得出答案。所以，如果在 该问题 上运用暴力搜索算法的话，时间复杂度和数列长度 N 是线性关系，最坏的情况即进行 N 次比较。 但是我们可不可以巧妙运用问题陈述当中“递增数列”这个特性来找到更高效的算法呢？ 回答是当然是可以的啦。 这种巧妙的算法叫做二分搜索算法(Binary Search)：在每一次迭代中，你先通过 index 找到这个递增数列的中位数；如果中位数正好是目标值，那么完成搜索；如果目标值小于中位数 ，那么你可以丢掉中位数右侧的所有数值，把搜索范围缩小到中位数左侧；反之，如果目标值大于中位数，那么你可以丢掉中位数左侧的所有数值，把搜索范围缩小到中位数右侧；以此往复，不断缩小搜索范围，直至找到目标值，或搜索范围大小为0(i.e. 目标值不存在)。 二分搜索 vs 暴力搜索 在二分搜索算法中，我们通过对搜索范围不断“对折”的方法，快速地缩小范围，最坏的情况是进行 log(N) 次对折(i.e. 进行 log(N) 次比较)。当数列长度 N 变得非常大(i.e. 超大数据集)时，二分搜索算法的 log(N) 次比较是远远小于暴力搜索算法的 N 次比较的，所以二分搜索算法更加高效。 题外话：既然都来拿举例子了，那递增数列的二分搜索算法自然肯定逃不了 LeetCode 经典题的地位的。 链接在这里 https://leetcode.com/problems/binary-search/ Big O Notation在前面比较暴力搜索算法和二分搜索算法的时候，我们讲到最坏的情况我们要分别进行 N 次比较和 log(N) 次比较。为了方便表达，我们可以用  Big O Notation 来表达一个算法的复杂度上限(upper bound)。例如，我们可以说长度为 N 的递增数列的二分搜索算法的时间复杂度为 O(log(N))，意为其时间复杂度一定小于等于log(N)。 在用 Big O Notation 表达算法的复杂度时，如果遇到遇到一个多项式函数，我们可以只保留最高项，并且省略最高项的系数。例如 f(N) = 3N + 20000log(N) + 1 ，当 N 变得无穷大时，20000log(N) + 1 的变化相比 3N 来说小得可以忽略不计。我们可以说 f(N) = O(N)。 关于 Big O Notation 中不同函数分类的大小比较，这里给大家一张表格，具体的数学原理就不深入展开啦。 常用的函数阶：N 变大时增长速度越慢的函数靠前

ErnestX

 July

30.2020

到这里，本期的Python小课堂就结束了。不知道你学会了吗？欢迎公众号留言反馈给我们。ErnestX老师也在我们的求职社群里，还想听点什么，关注我们的公众号并添加小烈爸爸微信，来社群听Ernest老师的更多精彩分享吧～

往期推荐

非CS专业的Python学习指南(1)

毕业才开始找工作的我是如何拿到RBS offer的(上)

【在英求职】毕业才开始找工作的我是如何拿到RBS offer的(下)

【在英工作】在VISA UK做程序员的一天

【在英求职】投行必备的财务基础——财务建模Financial Modeling

UKCNSS，一个专注于英国求职，工作与交友，扩展与提高你人脉圈子的高品质网络社群

我知道你Wow在看哟