python数据结构与算法知识_Python 学习 -- 数据结构与算法 （一）

从广义上讲，数据结构就是指一组数据的存储结构，算法就是操作数据的一组方法。数据结构是为算法服务的，算法要作用在特定的数据结构之上。

数据结构与算法的知识地图如下：

image.jpeg

常用的10个数据结构有： 数组、链表、栈、队列、散列表、二叉树、堆、跳表、图、Trie树；

常用的10个算法：递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法。

复杂度分析：

大 O 复杂度表示：

大 O 时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作 渐进时间复杂度，简称时间复杂度。

只关注循环执行次数最多的一段代码

加法法则：总复杂度等于量级最大的那段代码的复杂度

乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

几种常见复杂度分析：

image.jpeg

这几种复杂度量级，可以粗略的分为两类，多项式量级和非多项式量级，其中非多项式量级只有两个： O(2的n次方) 和 O(n!)。

时间复杂度为非多项式量级的算法问题叫作 NP (Non-Deterministic Polynomial，非确定多项式) 问题。

当数据规模n越来越大时，非多项式量级算法的执行时间会急剧增加，求解问题的执行时间会无限增长。所以、非多项式时间复杂度的算法其实是非常低效的算法。下面介绍一下几种常见的多项式时间复杂度：

O(1)

O(1) 是指代码执行时间不随 n 的增大而增长，一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行代码，其时间复杂度也是 O(1)

O(logn), O(nlogn)

i = 1

while i <= n:

i = i * 2

第三行代码执行次数最多，变量 i 的取值从1 开始取，每循环一次就乘以2,。当大于等于n时，循环结束。这里 i 的取值就是一个等比数列：

image.jpeg

image.png

image.png

，这段代码的时间复杂度就是

image.png

。

在采用大 O 标记复杂度的时候，可以忽略系数，即 O(Cf(n)) = O(f(n))，所以在对数阶时间复杂度的表示方法里，忽略对数的 底，统一表示为 O(logn)

如果将时间复杂度为 O(logn) 的代码执行 n 遍，那么复杂度就 是O(nlogn)。

O(m +n), O(m * n)

def cal(m, n):

sum_1 = 0

i = 1

for i in range(m):

sum_1 += i

sum_2 = 0

j = 1

for j in range(n):

sum_2 += j

return sum_1 + sum_2

在这个代码中，m 和 n 表示两个数据规模，但是无法事先评估 m 和 n 谁的量级大，所以在表示复杂度的时候，就不能简单的利用加法法则，省略其中的一个，所以 上面代码的时间复杂度就是 O(m+n)。