数据结构&算法基础——复杂度分析

复杂度分析（上）

• 什么是复杂度
  • 一段程序它执行所需要的时间（次数）

代码演示

def func():
	a = 1
    b = 2
    c = 3

if __name__ =='__main__':
    func()
# 时间复杂度？ -> 执行次数

上述代码他的复杂度：

假设每次执行都花了 unit_t 时间，上述代码（func) 执行了3次，花费 3 * unit_t 的时间。

代码演示2

# 代码演示2
def func2(n):
    sum = 0 # unit_t
    for i in range(n): # n * unit_t
        sum += i # n * unit_t
    return sum

分析：

上述代码执行的次数：2*n +1;

执行时间： T = (2 * n + 1) * unit_t

代码演示3

# 代码演示3
def func3(n):
    for i in range(n): # n 次
        for j in range(n):# n*n 次
            print(i * j) # n*n 次

分析：

执行次数： n^2次

时间： 2*n^2 * unit_t

• 时间复杂度
  • 大O表示法
• 对于有限次数，例如代码示例1——执行次数有限，O（1）
• 线性相关的，比如实例2——O（n），比如实例3——O(n^2)
• 复杂度只取最高次幂；

代码演示4

# 代码演示4
def func1(n):  # O(n)
    sum = 0
    for i in range(n):
        sum += i
    return sum

def func2(m): # O(n^2)
    sum = 0
    for i in range(m):
        for j in range(m):
            sum += i * j
    return sum

def fun3(o): # O(n) + O(n^2) 
    return func1(o) + func2(o)

分析： func3的时间复杂度？

T(n) = O(n)+O(n^2)

O(n^2)

代码示例5

# 示例5
def func5(n):
    i = 1
    while i < n:
        i *= 3

假如，n = 27;

第一次： i = 3

第二次： i = 9

第三次： i = 27

log 3 27 = 3

• 时间复杂度： O(log3N) -> O(3logC * log N) -> O(logn)

• 小结

  • 明确了复杂度和计算机执行时间的关系
  • 复杂度的概念
  • 常见的复杂度 O（1）、O（n) 、O（n^2) 、O(logn)