递归函数
递归 Recursion
-
函数直接或者间接调用自身就是递归
-
递归需要有边界条件、递归前进段、递归返回段
-
递归一定要有边界条件
-
当边界条件不满足的时候,递归前进
-
当边界条件满足的时候,递归返回
-
斐波那契数列Fibonacci number:1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, …
-
如果设F(n)为该数列的第n项(n∈N*),那么这句话可以写成如下形式::F(n)=F(n-1)+F(n-2)
-
F(0)=0,F(1)=1, F(n)=F(n-1)+F(n-2)
a = 0
b = 1
n = 10 # 55 -
循环实现
n = int(input('>>>'))
a = 0
b = 1
for i in range(n):
a,b, = b,a+b
print(a)
- 递归实现:
- F(0)=0,F(1)=1, F(n)=F(n-1)+F(n-2)
def fib(n):
return 1 if n<3 else fib(n-2)+fib(n-1)
>>>fib(10)
>>>55
fib(5)解析:
fib(4) + fib(3)
fib(4)调用fib(3)、fib(2)
fib(3)调用fib(2)、fib(1)
fib(2)、fib(1)是边界return 1,所有函数调用逐层返回(重复计算的数较多)
- 递归要求
- 递归一定要有退出条件,递归调用一定要执行到这个退出条件。没有退出条件的递归调用,就是无限调用
- 递归调用的深度不宜过深
- Python对递归调用的深度做了限制,以保护解释器
- 超过递归深度限制,抛出RecursionError:maxinum recursion depth exceeded 超出最大深度
- sys.getrecursionlimit()
递归的性能fib35项比较
#for 循环
import datetimestart = datetime.datetime.now()
a = 0
b = 1
n = 35 # 循环实现
for i in range(n - 1):
a, b = b, a + b
else:
pass #print(b) 9227465
delta = (datetime.datetime.now() -start).total_seconds()
print(delta)
#递归
import datetimen = 35
def fib(n):
return 1 if n < 3 else fib(n-1) + fib(n-2)
start = datetime.datetime.now()
fib(35)
delta = (datetime.datetime.now() -start).total_seconds()
print(delta)
递归的性能
- 循环稍微复杂一些,但是只要不是死循环,可以多次迭代直至算出结果
- fib函数代码极简易懂,但是只能获取到最外层的函数调用,内部递归结果都是中间结果。而且给定一个n都要进行近2n次递归,深度越深,效率越低。为了获取斐波那契数列需要外面再套一个n次的循环,效率就更低了
- 递归还有深度限制,如果递归复杂,函数反复压栈,栈内存很快就溢出了
斐波那契数列的改进
def fib(n, a=0, b=1):
a, b = b, a+b
if n == 1:
return a
return fib(n-1, a, b)
print(fib(4))
改进
- 左边的fib函数和循环的思想类似
- 参数n是边界条件,用n来计数
- 上一次的计算结果直接作为函数的实参
- 效率提高
- 和循环比较,性能相近。所以并不是说递归一定效率低下。但是递归有深度限制
递归
- 间接递归
def foo1():
foo2()
def foo2():
foo1()
foo1()
间接递归,是通过别的函数调用了函数自身,但是,如果构成了循环递归调用是非常危险的,但是往往这种情况在代码复杂的情况下,还是可能发生这种调用。要用代码的规范来避免这种递归调用的发生
递归总结
- 递归是一种很自然的表达,符合逻辑思维
- 递归相对运行效率低,每一次调用函数都要开辟栈帧
- 递归有深度限制,如果递归层次太深,函数反复压栈,栈内存很快就溢出了
- 如果是有限次数的递归,可以使用递归调用,或者使用循环代替,循环代码稍微复杂一些,但是只要不是死循环,可以多次迭代直至算出结果
- 绝大多数递归,都可以使用循环实现
- 即使递归代码很简洁,但是能不用则不用递归