时间复杂度(Time Complexity)是指算法执行所需的时间量级。它描述了算法执行时间与输入规模之间的关系。通常用大O符号(O)来表示。时间复杂度越低,算法执行效率越高。
空间复杂度(Space Complexity)是指算法执行所需的额外空间量级。它描述了算法所需的额外空间与输入规模之间的关系。同样,通常用大O符号(O)来表示。空间复杂度越低,算法所需的额外空间越少。
在Python中,我们常用以下方式来衡量时间复杂度和空间复杂
-
时间复杂度的计算
- 我们通过分析算法中每个操作需要的时间来计算时间复杂度。
- 通常,我们关注算法中最耗时的操作,并基于输入规模n来估计执行时间的数量级。
- 在进行时间复杂度分析时,我们可以忽略常数项、系数项和低阶项,只关注最高阶的项。
- 使用大O符号表示时间复杂度,例如O(1)、O(log n)、O(n)、O(n log n)、O(n^2)等。
-
空间复杂度的计算
- 我们通过分析算法执行时需要的额外空间来计算空间复杂度。
- 除了算法中的输入数据所占用的空间外,我们还需要考虑额外的数据结构、临时变量等所需的额外空间。
- 与时间复杂度类似,我们可以忽略常数项、系数项和低阶项,只关注最高阶的项。
- 使用大O符号表示空间复杂度,例如O(1)、O(n)、O(n^2)等。
print('Hello world') # O(1) # O(1) print('Hello World') print('Hello Python') print('Hello Algorithm') for i in range(n): # O(n) print('Hello world') for i in range(n): # O(n^2) for j in range(n): print('Hello world') for i in range(n): # O(n^2) print('Hello World') for j in range(n): print('Hello World') for i in range(n): # O(n^2) for j in range(i): print('Hello World') for i in range(n): for j in range(n): for k in range(n): print('Hello World') # O(n^3)
几次循环就是n的几次方的时间复杂度
n = 64 while n > 1: print(n) n = n // 2
26 = 64,log264 = 6,所以循环减半的时间复杂度为O(log2n),即O(logn)
如果是循环减半的过程,时间复杂度为O(logn)或O(log2n)
当我们在分析算法的时间复杂度时,通常会省略对数底数的表示,因为对数的底数对于时间复杂度分析来说并不重要。在大O表示法中,对数的底数被认为是常量,因此不会对时间复杂度的增长率产生影响。 以下是一些常见的对数底数的情况: O(log n):通常表示以2为底数的对数,即log base 2 n。在计算机科学中,以2为底数的对数是最常见的。比如,二分查找的时间复杂度就是O(log n),其中n表示输入规模。 O(log2 n):明确指定以2为底数的对数。在相对罕见的情况下,当底数为2时,可能会明确写出log2 n,以强调底数的特定值。 O(log10 n):以10为底数的对数。在计算机科学中,以10为底数的对数并不常见,但在某些特定领域(例如与数字相关的计算)中可能会遇到。
-
常见的时间复杂度高低排序:O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n2logn)<O(n3)
空间复杂度
空间复杂度:用来评估算法内存占用大小的一个式子
a = 'Python' # 空间复杂度为1
# 空间复杂度为1
a = 'Python'
b = 'PHP'
c = 'Java'
num = [1, 2, 3, 4, 5] # 空间复杂度为5
num = [[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]] # 空间复杂度为5*4
num = [[[1, 2], [1, 2]], [[1, 2], [1, 2]] , [[1, 2], [1, 2]]] # 空间复杂度为3*2*2
定义一个或多个变量,空间复杂度都是为1,列表的空间复杂度为列表的长度