时间复杂度
时间复杂度是判断算法运算效率的式子,是用来表示算法速度快慢的一个式子
# 时间复杂度O(1)
print("Hello World")
# 时间复杂度O(n)
for i in range(n):
print("Hello World")
# 时间复杂度O(n^2)
for i in range(n):
for j in range(n):
print("Hello World")
# 时间复杂度O(n^3)
for i in range(n):
for j in range(n):
for k in range(n):
print("Hello World")
对于时间复杂度O里面的1、n、n^2...,其实我们可以理解为一个单位,并且时间复杂度是一个约数,而不是一个精确的数值。
# 下面两行代码的时间复杂度依旧是O(1)
print("Hello World")
print("Jv Jv Boy")
# 下面代码的时间复杂度依旧为O(n^2),而不是O(n^2+n)
for i in range(n):
print("Hello World")
for j in range(n):
print("Hello World")
常用的时间复杂度单位还有O(log2n),对应出现的情况即为减半情形。
# 下面为时间复杂度为O(log2n)
n=128
while n>1:
print("Hello World")
n//2
快速判断算法复杂度(简单情况):
1、确定问题规模n
2、循环减半过程—>logn
3、k层关于n的循环—>n^k
复杂过程通过算法执行过程进行判断
总结:
1、时间复杂度越高,算法运算的速度就会越慢,一般情况我们优先选择时间复杂度低的代码
2、常见时间复杂度排列顺序:O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n2logn)<O(n3)
3、常见的时间复杂度:O(n!) O(2n) O(nn)
空间复杂度
空间复杂度是用来评估算法内存占用大小的式子
且空间复杂度的表大方式与时间复杂度的计算方式一致
几个变量:O(1)
使用了长度为n的一维列表:O(n)
使用m行n列的二维列表:O(mn)
为了让代码跑的更快,我们经常用“空间换取时间”的方式。