1.讓我們了解大O符號(hào)的含義是什么?

在算法中執(zhí)行許多操作。這些操作可能包括遍歷集合，復(fù)制項(xiàng)目或整個(gè)集合，將項(xiàng)目追加到集合中，在集合的開始或結(jié)尾處插入項(xiàng)目，刪除項(xiàng)目或更新集合中的項(xiàng)目。

Big-O衡量算法運(yùn)算的時(shí)間復(fù)雜度。它測(cè)量算法計(jì)算所需運(yùn)算所需的時(shí)間。盡管我們也可以測(cè)量空間復(fù)雜度(算法占用多少空間)，但本文將重點(diǎn)介紹時(shí)間復(fù)雜度。

用最簡(jiǎn)單的術(shù)語來說，BigO表示法是一種基于輸入大小(稱為n)來衡量操作性能的方法。

2.BigO表示法有何不同?

我們需要熟悉許多常見的BigO符號(hào)。

讓我們考慮n為輸入集合的大小。就時(shí)間復(fù)雜度而言：

O(1)：無論您的集合有多大，執(zhí)行操作所花費(fèi)的時(shí)間都是恒定的。這是恒定的時(shí)間復(fù)雜度符號(hào)。這些操作盡可能快。例如，檢查集合內(nèi)部是否有任何項(xiàng)目的操作是O(1)操作。

O(logn)：當(dāng)集合的大小增加時(shí)，執(zhí)行操作所花費(fèi)的時(shí)間對(duì)數(shù)增加。這是對(duì)數(shù)時(shí)間復(fù)雜度表示法。潛在優(yōu)化的搜索算法為O(logn)。

O(n)：執(zhí)行操作所需的時(shí)間與集合中的項(xiàng)目數(shù)成線性正比。這是線性時(shí)間復(fù)雜度符號(hào)。就性能而言，這介于兩者之間或中等。作為一個(gè)實(shí)例，如果我們想對(duì)一個(gè)集合中的所有項(xiàng)目求和，那么我們將不得不遍歷該集合。因此，集合的迭代是O(n)操作。

(nlogn)：執(zhí)行某項(xiàng)操作的性能是集合中項(xiàng)目數(shù)量的擬線性函數(shù)。這稱為準(zhǔn)線性時(shí)間復(fù)雜度表示法。優(yōu)化排序算法的時(shí)間復(fù)雜度通常為n(logn)。

O(n平方)：執(zhí)行操作所需的時(shí)間與集合中項(xiàng)目的平方成正比。這稱為二次時(shí)間復(fù)雜度表示法。

(n!)：當(dāng)在操作中計(jì)算集合的每個(gè)單個(gè)排列時(shí)，因此執(zhí)行操作所需的時(shí)間取決于集合中項(xiàng)目的大小。這稱為階乘時(shí)間復(fù)雜度表示法。非常慢。

該圖像概述了Big-O符號(hào)。

O(1)很快。O(n平方)很慢。O(n!)非常慢。

大O符號(hào)是相對(duì)的。大O表示法與機(jī)器無關(guān)，忽略常量，并且被包括數(shù)學(xué)家，技術(shù)人員，數(shù)據(jù)科學(xué)家等在內(nèi)的廣泛讀者所理解。

最佳，平均，最差情況

當(dāng)我們計(jì)算操作的時(shí)間復(fù)雜度時(shí)，我們可以根據(jù)最佳，平均或最壞情況產(chǎn)生復(fù)雜度。

最佳情況方案：顧名思義，這是當(dāng)數(shù)據(jù)結(jié)構(gòu)和集合中的項(xiàng)目以及參數(shù)處于最佳狀態(tài)時(shí)的方案。例如，假設(shè)我們要在集合中找到一個(gè)項(xiàng)目。如果該項(xiàng)目恰好是集合的第一項(xiàng)，那么這是該操作的最佳情況。

平均情況是根據(jù)輸入值的分布定義復(fù)雜度。

最壞的情況是可能需要一種操作，該操作需要在大型集合(例如列表)中找到位于最后一個(gè)項(xiàng)目的項(xiàng)目，并且算法會(huì)從第一個(gè)項(xiàng)目開始對(duì)集合進(jìn)行迭代。

以上內(nèi)容為大家介紹了Python數(shù)據(jù)結(jié)構(gòu)的時(shí)間復(fù)雜性，希望對(duì)大家有所幫助，如果想要了解更多Python相關(guān)知識(shí)，請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。http://www.jsszjs.cn/