数据结构&算法基础——复杂度分析2

复杂度分析（下）

最好、最坏；平均；均摊时间复杂度

最好、最坏时间复杂度

代码示例1

# 代码示例1
def find(x, list_):
    for item in list_:
        if item == x:
            pos = list_.index(x)
    return pos

上述代码时间复杂度：等于len(list_)=n => O(n)

# 改写
def find2(x,list_):
    for item in list_:
        if item == x:
            return list_.index(x)

假如list_=[1,2,3,4,5,6,7]，目标值：x=1；此时就能在O（1）的时间复杂度内找到该值；#最好

当x不存在这个列表中，需要对整个列表进行遍历，此时O（n）#最坏

以上就是最好、最坏时间复杂度的例子；

平均时间复杂度

上述代码中，list_长度为n，寻找list的值是否与目标值相等的情况：

1+2+3+……+n-1+n => n(n-1)/2; 值存在于list中的情况：n+1

T(n) = n(n-1)/(2(n+1))

通常，我们会忽略掉常数，系数；得到O（n）。

加权平均时间复杂度

上述X存在于list中的情况，是不可能会一样的，假设，X存在与不存在的概率都是1/2，

存在与0~n-1，概率=1/n，总的概率 = 1/(2n)；

平均时间复杂度变成：

1（1/(2n)）+2（1/(2n)）+3*（1/(2n)）+4*（1/(2n)）+……+n*（1/(2n)）=n(n-1)/2 * 1/(2n) = n(n-1)/(4n)

得出结论：加权平均时间复杂度：O(n)

均摊（摊还）时间复杂度

在python内部，列表是动态的，因为他能够实现动态扩容；列表创建的时候会预估你需要存的长度，当你要存的东西快要超出长度的时候，他会申请两倍于自身的空间，进行扩容。

假设我们这个列表在存放满了的时候才进行扩容；会出现以下两种情况：

第一：列表还没存满，直接往后面插值；list.append(X),时间复杂度：O(1)

第二：列表刚好满了，我还要再插值，先申请两倍大的空间，将内容复制到新的空间，再插值;

时间复杂度：O（n）

摊还分析：当我们进行一次O（n）的操作，都会有n-1次的O(1)的操作；

动态插入的的均摊时间复杂度：O（1）。