python数据分析学习笔记
第一节
1、算法的概念
算法:
算法是计算机处理信息的本质,是一个算法来告诉计算机确切的步骤执行一个指定的此程序
算法的特征
①输入:算法具有0个或多个输入
②输出:算法至少有一个或者多个输出
③有穷性:算法在有限的步骤之后会自动结束而不会无限循环,并且每一个步骤可以在可接受的时间内完成
④确定性:算法中的每一步都有确定的含义,不会出现二义性
⑤可行性:算法的每一步都是可行的,也就是说每一步都能够执行有限的次数完成
2、时间复杂度与“大O记法”
数学角度出发理解“大O记法”和时间复杂度
”大O记法“:
对于单调的整数函数f,如果存在一个整数函数g和实常数c>0,使得对于充分大的n总有f(n)<=c*g(n),就说函数g是f的一个渐近函数(忽略常数),记为f(n)=O(g(n))。
在趋向无穷的极限意义下,函数f的增长速度受到函数g的约束,亦即函数f与函数g的特征相似。
时间复杂度:
设存在函数g,使得算法A处理规模为n的问题示例所用时间为T(n)=O(g(n)),则称O(g(n))为算法A的渐近时间复杂度,简称时间复杂度,记为T(n)
2.1. 分析算法
以下几种可能需要考虑:
算法完成工作最少需要多少基本操作,即最优时间复杂度。
算法完成工作最多需要多少基本操作,即最坏时间复杂度。
算法完成工作平均需要多少基本操作,即平均时间复杂度(一般情况是不考虑,只看最优和最坏)
2.2. 时间复杂度基本计算规则
①基本操作: 即只有常数项,认为其时间复杂度为O(1)
②顺序结构: 时间复杂度按加法进行计算
③循环结构: 时间复杂度按乘法进行计算
④分支结构: 时间复杂度取最大值
⑤判断一个算法的效率时,往往只需要关注操作数量的最高次项,其它次要项和常数项可以忽略
⑥在没有特殊说明时,我们所分析的算法的时间复杂度都是指最坏时间复杂度
3、常见时间复杂度表格
执行次数函数举例 | 阶 | 非正式术语 |
---|---|---|
12 | O(1) | 常数阶 |
2n+3 | O(n) | 线性阶 |
3n2+2n+1 | O(n2) | 平方阶 |
5log2n+20 | O(logn) | 对数阶 |
2n+3nlog2n+19 | O(nlogn) | nlogn阶 |
6n3+2n2+3n+4 | O(n3) | 立方阶 |
2n | O(2n) | 指数阶 |
4、算法与数据结构的区别
数据结构:
数据结构指数据对象中数据元素之间的关系。
数据结构只是静态的描述了数据元素之间的关系。
程序 = 数据结构 + 算法
算法是为了解决实际问题而设计的,数据结构是算法需要处理的问题载体
抽象数据类型(Abstract Data Type)
抽象数据类型(ADT)的含义是指一个数学模型以及定义在此数学模型上的一组操作。
常用数据运算:
插入
删除
修改
查找
排序