Python算法：关于数据的线性增长与二次方增长的比较

t1 = time.time()
count = 10**5
nums = []for i in range(count):nums.insert(0, i)t2 = time.time()
print(t2-t1)

对于上方的一次数据比较计算得到的时间为：3.6809728145599365

目的：是因为在实际应用中，为了实现数值最近优先的原则，我们希望这些数值在被添加到list当中时候，前后表现出顺序是相反的，即实现整个列表的数值反转。

在上述方法中：我们将每次出现的数值i直接插入到的list的头部

优化：上述的方法极大的影响或者说是拖慢了程序的效率，我们可以采用其他的形式，对该程序进行优化，接下来使用的是Python的reverse()方法实现。

t1 = time.time()
count = 10**5
nums = []for i in range(count):nums.append(i)
nums.reverse()t2 = time.time()
print(t2-t1)

运行结果时间为：0.03437614440917969

可以观察到前后效率提升到超过100倍，如果数值列表继续增大，其效率将会更为表现明显，将会超过500倍有余，这就极大体现出了算法的优劣性。

更多精彩资讯：请关注公众号「py_coder」,谢谢！

Python算法：关于数据的线性增长与二次方增长的比较相关推荐

python降维之时间类型数据的处理_【Python算法】数据降维概述
数据降维概述 1.数据降维概述所谓的数据降维就是指采用某种映射方法,将原高维空间中的数据点映射到低维度的空间中,可以解决大规模特征下的数据显示问题,使得数据集更易使用,降低后续算法的计算,消除噪声影 ...
python数据拟合怎么做的,python如何实现数据的线性拟合
实验室老师让给数据画一张线性拟合图.不会matlab,就琢磨着用python.参照了网上的一些文章,查看了帮助文档,成功的写了出来这里用到了三个库 import numpy as np import ...
测试开发基础 | Python 算法与数据结构面试题系列一（附答案）
1.时间复杂度问题已知 AList = [1, 2, 3],BSet = {1, 2, 3} (1)从AList和BSet中查找4,最坏时间复杂度哪个大?(2)从AList和BSet中插入4,最坏时 ...
neo4j python 算法_图论与图学习（二）：图算法
选自towardsdatascience 作者:Maël Fabien机器之心编译参与:熊猫图(graph)近来正逐渐变成机器学习的一大核心领域,比如你可以通过预测潜在的连接来理解社交网络的结构.检 ...
Python算法：决策树分类
Python算法:决策树分类文章目录 Python算法:决策树分类一.前言二.决策树算法原理介绍 1.决策树原理 2.决策树构造 3.交叉验证三.决策树算法函数介绍 1. train_test ...
python 物理实验_基于Python和梯度下降算法的物理实验数据一元线性拟合方法
基于 Python 和梯度下降算法的物理实验数据一元线性拟合方法关毅铬 ; 程敏熙 [期刊名称] < <物理通报> > [年 ( 卷 ), 期] 2019(000)010 ...
卡尔曼滤波算法——基本原理及举例（python实现radar数据滤波）
卡尔曼滤波算法--基本原理及举例(python实现radar数据滤波) 一.基本原理 1.1 预测 1.2 更新 1.2.1 写法一 1.2.2 写法二二.举例 2.1 数据说明 2.2 代码 2. ...
Python实现部分地区男人身高/体重数据的线性拟合
# Python实现部分地区男人身高/体重数据的线性拟合 import numpy as np import matplotlib.pyplot as plt from scipy import op ...
大数据算法概述及算法分解之亚线性算法
一.大数据算法的难度 1.访问全部数据时间过长 --读取部分数据---------------时间亚线性算法 2.数据难于放入内存计算 --将数据存储在磁盘上--------外存算法 --仅基于少量数 ...
python回归算法预测数据_数据回归分类预测的基本算法及python实现
数据回归分类预测的基本算法及python实现关于数据的回归和分类以及分析预测.讨论分析几种比较基础的算法,也可以算作是比较简单的机器学习算法. 一．KNN算法邻近算法,可以用来做回归分析也可以用来 ...

Python算法：关于数据的线性增长与二次方增长的比较

Python算法：关于数据的线性增长与二次方增长的比较相关推荐

最新文章

热门文章