Python数据结构与算法（第1节)

一、算法

1.概念

算法是独立存在的一种解决问题的方法和思想。对于算法而言，实现的语言并不重要，重要的是思想。（推荐书籍：裘宗燕《数据结构与算法 Python语言描述》）

2.五大特性

输入: 算法具有0个或多个输入
输出: 算法至少有1个或多个输出
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
确定性：算法中的每一步都有确定的含义，不会出现二义性
可行性：算法的每一步都是可行的，也就是说每一步都能够执行有限的次数完成

二、算法效率衡量

1.执行时间反应算法效率

实现算法程序的执行时间可以反应出算法的效率，即算法的优劣。

2.单纯依靠运行的时间来比较算法的优劣并不一定是客观准确的！

3.时间复杂度与“大O记法”

算然对于不同的机器环境而言，确切的单位时间是不同的，但是对于算法进行多少个基本操作（即花费多少时间单位）在规模数量级上却是相同的，由此可以忽略机器环境的影响而客观的反应算法的时间效率。
**“大O记法”：**对于单调的整数函数f，如果存在一个整数函数g和实常数c>0，使得对于充分大的n总有f(n)<=c*g(n)，就说函数g是f的一个渐近函数（忽略常数），记为f(n)=O(g(n))。也就是说，在趋向无穷的极限意义下，函数f的增长速度受到函数g的约束，亦即函数f与函数g的特征相似。

**时间复杂度：**假设存在函数g，使得算法A处理规模为n的问题示例所用时间为T(n)=O(g(n))，则称O(g(n))为算法A的渐近时间复杂度，简称时间复杂度，记为T(n)

4.最坏时间复杂度

• 算法完成工作最少需要多少基本操作，即最优时间复杂度
• 算法完成工作最多需要多少基本操作，即最坏时间复杂度
• 算法完成工作平均需要多少基本操作，即平均时间复杂度
  我们主要关注算法的最坏情况，亦即最坏时间复杂度。

5.时间复杂度的基本计算规则

• 基本操作，即只有常数项，认为其时间复杂度为O(1)
• 顺序结构，时间复杂度按加法进行计算
• 循环结构，时间复杂度按乘法进行计算
• 分支结构，时间复杂度取最大值
• 判断一个算法的效率时，往往只需要关注操作数量的最高次项，其它次要项和常数项可以忽略
  在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度
  

三、Python内置类型性能分析

1.测试方法

timeit模块可以用来测试一小段Python代码的执行速度。

class timeit.Timer(stmt='pass', setup='pass', timer=<timer function>)
timeit.Timer.timeit(number=1000000)

2.list内置操作的时间复杂度

3.dict内置操作的时间复杂度

四、数据结构

1.概念

数据是一个抽象的概念，将其进行分类后得到程序设计语言中的基本类型。如：int，float，char等。数据元素之间不是独立的，存在特定的关系，这些关系便是结构。数据结构指数据对象中数据元素之间的关系，通俗地讲，数据结构就是数据的组织方式。

2.算法与数据结构的区别

程序 = 数据结构 + 算法

算法是为了解决实际问题而设计的，数据结构是算法需要处理的问题载体

3.抽象数据类型(Abstract Data Type)

抽象数据类型(ADT)的含义是指一个数学模型以及定义在此数学模型上的一组操作。即把数据类型和数据类型上的运算捆在一起，进行封装。