一个程序员的成长之路。。。

算法是一组完成任务的指令。任何代码片段都可视为算法运行时间：一般而言，应选择效率最高的算法，以最大限度地减少运行时间或占用时间。 算法的速度指的并非时间，而是操作数的增速，即随着输入的增加，其运行时间将以什么样的速度增加大Ｏ表示法算法的运行时间用大Ｏ表示法表示，例如Ｏ(n)，ｎ代表了操作数，指出了最糟情况下的运行时间。例如，在最糟的情况下，通过简单查找，查看电话簿中的每个条目，对应的运行时间为Ｏ(

简单查找对于包含 n 个元素的列表，用简单查找最多需要 n 步二分查找：前提条件：列表必须是有序的 操作过程：若要查找的元素包含在列表中，二分查找返回其位置；否则返回None 结果：对于包含 n 个元素的列表，用二分查找最多需要 log n步示例代码：'''若猜的数字小了，就相应地修改 low若猜的数字大了，就相应地修改 high'''def binary_search(list, it

选择排序理解该代码前提条件：必须熟悉数组、链表、大Ｏ表示法 运行时间：Ｏ(nlog n)示例代码：#coding: utf-8def find_smallest(arr): smallest = arr[0] #存储最小的值 smallest_index = 0 #存储最小元素的索引 for i in range(1, len(arr)): i

递归只是让你解决方案更加清晰，并没有性能上的优势。实际上，在有些情况下，使用循环的性能更好。正如，在Stack Overflow 上，Leigh Caldwell　说了一句话：“如果使用循环，程序的性能可能更高；如果使用递归，程序可能更容易理解。如何选择要看什么对你来说更重要。”递归函数包括两个部分： 边界条件：函数不再调用自己，从而避免形成无限循环。 递归条件：函数调用自己调用栈的定义：存储多

分而治之（Ｄ＆Ｃ）并非可用于解决问题的算法，而是一种解决问题的思路。分而治之算法是递归的，使用分而治之(D&C)解决问题的过程包括两个步骤：找出递归边界条件，这种条件必须尽可能简单不断地将问题分解（或者说缩小规模），直到符合递归边界条件。 注意：假设要将一块地均匀地分成方块，确保分出的方块最大的条件，应采取Ｄ＆Ｃ策略：适用于这小块地的最大方块，也是适用于整块地的最大方案。原因可参考欧几里得算

1、给你一个列表 L, 对L进行升序排序并输出排序后的列表。 例如：L = [8,2,50,3] 则输出：[2,3,8,50]print(sorted(L))2、给你一个字符串 a， 请你输出逆序之后的a。例如：a=‘xydz’则输出：zdyxprint (''.join(sorted(a,reverse=True)))3、给你一字典a，如a={1:1,2:2,3:3}，输出字典a的key