数据结构与算法 引入篇

引入问题

枚举法：

基本思想：挨个举例，挨个往里套。是最简单，效率最低的思想。此处运用time模块来计算程序运行的时间

import time
start_time=time.time()
for a in range(1001):
    for b in range(1001):
        for c in range(1001):
            if a+b+c==1000 and a**2+b**2==c**2:
                print("a,b,c:%d,%d,%d"%(a,b,c))
end_time=time.time()
print("枚举法times:%d"%(end_time-start_time))
print("finished")

运行结果为：
枚举法用了102秒，可见其改进空间不小。

算法的五大特性

1.输入：算法具有0个活多个输入

2.输出：算法至少有一个或多个输出

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：算法中每一步都有确定的含义，无二义性

5.可行性：算法的每一步都是可行的，也就是说每一步都能执行有限的次数完成

上例算法改进：因为a b c之间存在等式关系 因此可取消一个循环和一个条件判断。

import time
start_time=time.time()
for a in range(1001):
    for b in range(1001):
        c=1000-a-b
        if a**2+b**2==c**2:
            print("a,b,c:%d,%d,%d"%(a,b,c))
end_time=time.time()
print("改进后算法times:%d"%(end_time-start_time))
print("finished")

稍微对算法进行改进，其运行时间减少至1秒，比之前快了99%。
那么怎么去衡量算法的效率高低呢？

算法的效率衡量：

1.看程序运行时间，但不够客观，因为机器性能不同，运行时间也不同

2.时间复杂度与大O计法：不同的机器虽然性能不同，但代码执行的次数相同

该问题枚举法运行次数：T=1000x1000x1000x2

改进后运行次数：T=1000x1000

在判断时间复杂度时 只在数量级的层面考虑而不去计较具体运行多少次,比如枚举法中条件判断的两次可忽略不计。

python内置类型性能分析

timeit模块——用来测试一小段python程序执行速度 Timer(stmt,setup,timer)

测试列表

from timeit import Timer


def t1():
    li = []
    for i in range(10000):
        li.append(i)


def t2():
    li = []
    for i in range(10000):
        li += [i]


def t3():
    li = [i for i in range(10000)]


def t4():
    li = []
    for i in range(10000):
        li.extend([i])
def t5():
    li=[]
    for i in range(10000):
        li.insert(0,i)


timer1 = Timer("t1()", "from __main__ import t1")
print("append", timer1.timeit(1000))
timer2 = Timer("t2()", "from __main__ import t2")
print("+:", timer2.timeit(1000))
timer3 = Timer("t3()", "from __main__ import t3")
print("列表生成器", timer3.timeit(1000))
timer4 = Timer("t4()", "from __main__ import t4")
print("extend", timer4.timeit(1000))
timer5 = Timer("t5()", "from __main__ import t5")
print("insert", timer5.timeit(1000))

可以看出创建列表的时间效率排序为：列表生成器>append>+>extend>insert。