python数据结构与算法分析_算法与数据结构-算法分析

大 O 表示法

我们从一个计算矩阵的例子来引入，这里我参考了 《Data Structures and Algorithms in Python》中给的一个例子:

考虑计算一个 n * n 矩阵所有元素的和（如果你不知道矩阵，就理解为一个二维数组）：

⎡⎣⎢036147258⎤⎦⎥[012345678]

这里列举两种方式:

​

v1 版本的关键操作在 j 循环里，两步加法操作，由于嵌套在第一个循环里，操作步骤是 (2n)∗n=2n2(2n)∗n=2n2。

v2 版本的 total_sum 只有 n 次操作，它的操作次数是 n+n∗n=n2+nn+n∗n=n2+n。

这里你可能还感觉不到它们有多大差别，因为计算机执行的太快了，但是当 n 增长特别快的时候，总的操作次数差距就很明显了：

​

通常我们不太关注每个算法具体执行了多少次，而更关心随着输入规模 n 的增加，算法运行时间将以什么速度增加。为此计算机科学家定义了一个符号， 用来表示在最糟糕的情况下算法的运行时间，大 O 符号，在数学上称之为渐进上界（《算法导论》）。

如何计算时间复杂度

上边我们列举了两个版本的计算矩阵和的代码，你看到了两个公式:

• v1: 2n∗n=2n22n∗n=2n2
• v2: n+n∗n=n+n2n+n∗n=n+n2

当 n 非常大的时候，n2n2 的数值这里将占主导，我们可以忽略 n 的影响

• v1: 2n∗n=2n22n∗n=2n2
• v2: n+n∗n=n+n2≤2n2n+n∗n=n+n2≤2n2

这里我们可以认为两个算法的时间复杂度均为 O(n2)O(n2)

常用时间复杂度

这里我们列举一些常用的时间复杂度，按照增长速度排序，日常我们的业务代码中最常用的是指数之前的复杂度，指数和阶乘的增长速度非常快， 当输入比较大的时候用在业务代码里是不可接受的。

​

空间复杂度

相比时间复杂度，空间复杂度讨论比较少。因为用户老爷等不及，况且现在存储越来越白菜价了，更多时候我们为了提升响应速度宁可多 使用点空间。 空间复杂度相对好算一些，就是每个元素的空间占用乘以总的元素数，有些算法需要额外的空间存储，有些可以本地解决。 如果能本地搞定的我们成为 in place 的，原地操作，比如交换一个 数组中的某两个位置的元素。但是有些操作可能就需要申请额外的空间 来完成算法了，后边我们介绍排序算法的时候会讲到。

常见复杂度增长趋势图

为了让你有个直观的感觉，我们来看看一些经典的时间复杂度和对应的增长趋势图，不同函数在输入规模增长的时候很快就会有巨大的增长差异

​

​

时间换空间，空间换时间

有一些时候时间和空间两者不可兼得，我们会牺牲其中之一来换取另一个。

空间换时间：比如典型的就是 python 中的集合（后面会讲到它的实现原理），虽然它比较浪费空间，但是却能用 O(1) 的时间复杂度来判重。

时间换空间：当我们空间不够用，典型的就是缓存失效算法，我们不可能缓存下无限容量的数据，就会使用一些缓存淘汰算法来保证空间可用。

思考题

• 回头看看前几章我们讲到的数据结构，以及每个操作的时间复杂度，你能理解了吗？
• 二分查找是针对有序元素的一种经典的查找算法，你知道的它的时间复杂度吗？你能简单证明下吗。
• 斐波那契数列你肯定很熟悉，它的公式是 F(n) = F(n-1) + F(n-2)，你知道计算一个斐波那契数 F(n) 的时间复杂度吗？你会用数学公式证明吗？
• 你能指出时间和空间权衡的例子吗？往往很多高效的数据结构能同时兼顾时间和空间复杂度，但是有时候我们却得做出一定的权衡