时间复杂度测试实例——python

突然想起讲课的时候提过，检测各种方法实现同一个目的的时间复杂度测试，除了常规的算法分析方法，也可以使用时间分析下。

1. 问题：计算从1到1000的平方和，执行10000次。
2. 使用了常规python内置的列表list和Numpy库函数计算，废话不多说了，贴代码：

import timeit
normal_py_sec = timeit.timeit('sum(x*x for x in range(1000))', number=10000)
naive_np_sec = timeit.timeit('sum(na*na)', setup="import numpy as np;na=np.arange(1000)", number=10000)
good_np_sec = timeit.timeit('na.dot(na)', setup="import numpy as np;na=np.arange(1000)", number=10000)
print("Normal python:%f sec" % normal_py_sec)
print("Navie numpy:%f sec" % naive_np_sec)
print("Good numpy:%f sec" % good_np_sec)

3. 测试结果：

Normal python:10.616108 sec
Navie numpy:2.013840 sec
Good numpy:1.080338 sec

4. 总结：从上面的结果可以总结出两个非常有意思的现象：
   （1）仅仅使用Numpy作为数据存储用（Naive)，使用了2秒，它的核心是用C写的。常规的太高了，可能的原因是从python本身获取元素代价较高吧；
   （2）另外一个非常恐怖的是，使用Numpy中的dot()函数，速度更快。所以以后写代码的时候尽量使用库函数，别老是常规的那种写法，一样的效果，在电脑上等待时间可不是一丁点了。