先来看一道题：

在一个1000000个元素的列表中，所及检索一个数据，请问需要多长时间？

import timeit
import randomarr = [i for i in range(1000000)]
target = random.choice(arr)
print('target:\t',target)def traverse(array,target):'''随机查找'''for number in array:if target == number:return numberreturn Falsedef binary_search_normal(array,data):'''二分查找法 - 非递归实现'''start, end = 0, len(array) - 1while start <= end:mid_index = (start + end) // 2while start <= end:mid_index = (start + end) // 2if array[mid_index] == data:return array.index(data)if data > array[mid_index]:start = mid_index + 1else:end = mid_index - 1return Falsesetup1 = """
from __main__ import traverse:
import random;
arr = [i for i in range(1000000)]
target = random.choice(arr)
"""setup2 = '''
from __main__ import binary_search_normal;
import random;
arr = [i for i in range(1000000)]
target = random.choice(arr)
'''
timer1 = timeit.Timer(stmt = "traverse(array,target)",setup = setup1)
timer2 = timeit.Timer(stmt = "binary_search_normal(array,target)",setup = setup2)print("traverse: %f" % timer1.timeit(number = 100))
print("binary : %f" % timer2.timeit(number = 100))

输出结果如下

traverse:1.750101
binary:0.247522

1.2.1 算法效率衡量

执行时间反映算法效率

对于同一问题，我们给出了两种解决算法，在两种算法的实现中，我们对程序执行的时间进行了测算，发现两段程序执行的时间相差悬殊（1.750101秒相比于0.247522秒），由此我们可以得出结论：实现算法的执行时间可以反映出算法的效率，即算法的优劣。

单靠时间值绝对可信吗？

假设我们将第二次尝试的算法程序运行在一台配置古老性能低下的计算机中，情况会如何？很可能运行的时间并不会比在我们的电脑中运行算法一的1.750101秒快多少。

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！

程序的运行离不开计算机环境（包括硬件和操作系统），这些客观原因会影响程序运行的速度并反映在程序的执行时间上，那么如何才能客观的评价一个算法的优劣呢？

1.2.2 时间复杂度与“大O计法”

我们假定计算机执行算法每一个基本操作的时间是固定的一个时间单位，那么有多少个基本操作就代表会花费多少时间单位，显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映算法的时间效率。

对于算法的时间效率，我们可以用“大O记法”来表示。

“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的一个渐进函数（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，也即函数f与函数g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的渐进时间复杂度，简称时间复杂度，记为T（n）

如何理解“大O记法”

对于算法进行特别具体的细致分析虽然很好，但在实践中的实际价值有限，对于算法的时间性质和空间性质，最重要的是其数量级和趋势，这些是分析算法效率的重要部分。而计量算法基本操作数量的规模函数中那些常量因子可以忽略不计。例如，可以认为 $3n^{^{2}}$ 和 $100n^{2}$ 属于同一个量级，如果两个算法处理同样规模实例的代价分别为这两个函数，就认为他们的效率差不多，都为 $n^{2}$ 级。

常见时间复杂度

执行次数函数举例	阶	非正式术语
1 2	O(1)	常数阶
2n+3	O(n)	线性阶
$3n^{2}+2n+1$	O( $n^{2}$ )	平方阶
5 $\log_{2}n$ +20	O（logn）	对数阶
2n+3n $\log_{2}n$ +19	O(nlogn)	nlogn阶
$6^{3}+2^{2}+3n+4$	O( $n^{3}$ )	立方阶
$2^{^{n}}$	O(2n)	指数阶

注意，经常将 $\log_{2}n$ （以2为底的对数）简写成logn

常见时间复杂度之间的关系：

O(1) < O(logn) < O(n) < O(n）<O(nlogn) < O(n^2）< O(n^3) < O(2^n) < O(n!) < O(n^n)

最坏时间复杂度

分析算法时，存在几种可能的考虑：

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

对于最优时间复杂度，其价值不大，因为他没有提供什么有用信息，其反映的只是最乐观最理想的情况，没有参考价值。

对于最坏时间复杂度，提供了一种保证，表明算法在此种程度的基本操作中一定能完成工作。

对于平均时间复杂度，是对算法的一个全面评价，因此他完整全面的反映了这个算法的性质，但另一方面，这种衡量并没有保证，不是每个计算都能在这个基本操作内完成。而且，对于平均情况的计算，也会因为应用算法的实例分布可能并不均匀而难以计算。

因此，我们主要关注算法的最坏情况，亦即最坏时间复杂度。

时间复杂度的几条基本计算规则

1、基本操作，即只有常数项，认为其时间复杂度为O（1）

2、顺序结构，时间复杂度按加法进行计算

3、循环结构，时间复杂度按乘法进行计算

4、分支结构，时间复杂度取最大值

5、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，其他次要项和常数项可以忽略

6、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

空间复杂度

类似于时间复杂度的讨论，一个算法的空间复杂度S（n），定义为该算法所耗费的存储空间，它也是问题规模n的函数。

渐进空间复杂度也常常简称为空间复杂度。

空间复杂度（SpaceComplexity）是对一个算法在运行过程中临时占用存储空间大小的量度。

算法的时间复杂度和空间复杂度合称为算法的复杂度。

1.2.3 内置类型性能分析

timeit 模块

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>)

Timer是测量小段代码执行速度的类。

stmt参数是要测试的代码语句（statment）;

setup参数是运行代码时需要的设置；

timer参数是一个定时器函数，与平台有关。

timeit.Timer.timeit(number = 1000000)

Timer类中测试语句执行速度的对象方法，number参数是测试代码时的测试次数，默认为1000000次。方法返回执行代码的平均耗时，一个float类型的秒数，

【数据结构与算法】1.2 数据结构与算法分析相关推荐

Python数据结构与算法（1.7）——算法分析
Python数据结构与算法(1.7)--算法分析 0. 学习目标 1. 算法的设计要求 1.1 算法评价的标准 1.2 算法选择的原则 2. 算法效率分析 2.1 大 OOO 表示法 2.2 常见算法 ...
浅谈数据结构与算法分析学习及如何进行算法分析
一.前言都说数据结构与算法分析是程序员的内功,想要理解计算机世界就不能不懂点数据结构与算法,然而这也备受争议,因为大多数的业务需求都用不上数据结构与算法,又或者说已经有封装好的库可以直接调用,例如J ...
数据结构与算法详解（含算法分析、动图图解、Java代码实现、注释解析）
数据结构和算法的重要性算法是程序的灵魂,优秀的程序可以在海量数据计算时,依然保持高速计算数据结构和算法的关系: 程序 = 数据结构 + 算法数据结构是算法的基础, 换言之,想要学好算法,需要把数 ...
【自学笔记】尚硅谷数据结构与算法Chapter 1 数据结构与算法概述
Chapter 1 数据结构与算法概述文章目录 Chapter 1 数据结构与算法概述 1.1.1 数据结构和算法的关系 1.2.1 线性结构 1.2.2 非线性结构尚硅谷数据结构B站学习视频地址 ...
python数据结构与算法知识点_数据结构和算法基础知识点(示例代码)
数据结构和算法基础知识点链表 1.链表是一种由节点组成的线性数据集合,每个节点通过指针指向下一个节点.它是一种由节点组成,并能用于表示序列的数据结构. 2.单链表:每个节点仅指向下一个节点,最后一 ...
【数据结构排序算法系列】数据结构八大排序算法
排序算法在计算机应用中随处可见,如Windows操作系统的文件管理中会自动对用户创建的文件按照一定的规则排序(这个规则用户可以自定义,默认按照文件名排序)因此熟练掌握各种排序算法是非常重要的,本博客将 ...
【数据结构与算法】常见数据结构及基本操作
数据结构及基本操作 1.数据结构与算法常见概念: 2.数据结构: 2.1线性结构: 基本概念数组字符串队列栈链表 2.2树形结构基本概念二叉树的递归遍历二叉树的非递归遍历 2.3图形结 ...
Python数据结构与算法篇（一）-- 算法分析基础
1 前言算法分析主要就是从计算资源消耗的角度来评判和比较算法,更高效利用计算资源,或者更少占用计算资源的算法,就是好算法.计算资源主要分为两种,一种是算法解决问题过程中需要的存储空间或内存,另一种是 ...
【数据结构和算法笔记】:数据结构概述
数据结构包括数据的逻辑结构,数据的存储结构和数据的运算逻辑结构包括线性结构和非线性结构(集合,线性结构,树形结构,图形结构) 线性结构:元素关系一对一,第一个节点没有前驱节点,其余每一个节点只有一个 ...
Python数据结构与算法(3)--基本数据结构
文章目录基本数据结构 1. 线性结构 1. 栈抽象数据类型及Python实现 2. 队列抽象数据类型及Python实现 3. 双端队列抽象数据类型及Python实现 4. 列表 1.抽象数据类型:无 ...

【数据结构与算法】1.2 数据结构与算法分析