1.Python内置类型性能分析
list内置操作的时间复杂度
dict内置操作的时间复杂度
2.排序算法
常见排序算法效率比较
冒泡排序
冒泡排序(Bubble Sort)也是一种简单直观的排序算法。它重复地走访过要排序的数列,一次比较两个元素,如果他们的顺序错误就把他们交换过来。走访数列的工作是重复地进行直到没有再需要交换,也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢”浮”到数列的顶端。
def bubble_sort(arr):
_len = len(arr)
if _len <= 1:
return
for i in range(_len - 1):
for j in range(_len - 1 - i):
if arr[j + 1] < arr[j]:
arr[j], arr[j + 1] = arr[j + 1], arr[j]
a_list = [54, 26, 93, 17, 77, 31, 44, 55, 20]
bubble_sort(a_list)
print(a_list)
选择排序
选择排序(Selection sort)是一种简单直观的排序算法。它的工作原理如下。首先在未排序序列中找到最小(大)元素,存放到排序序列的起始位置,然后,再从剩余未排序元素中继续寻找最小(大)元素,然后放到已排序序列的末尾。以此类推,直到所有元素均排序完毕。
def select_sort(arr):
_len = len(arr)
if _len <= 1:
return
for i in range(_len - 1):
min_idx = i
for j in range(i + 1, _len):
if arr[j] < arr[min_idx]:
min_idx = j
arr[i], arr[min_idx] = arr[min_idx], arr[i]
a_list = [54, 26, 93, 17, 77, 31, 44, 55, 20]
select_sort(a_list)
print(a_list)
插入排序
插入排序(Insertion Sort)是一种简单直观的排序算法。它的工作原理是通过构建有序序列,对于未排序数据,在已排序序列中从后向前扫描,找到相应位置并插入。
def insert_sort(lst):
_len = len(lst)
if _len <= 1:
return
for i in range(1, _len):
for j in range(i, 0, -1):
if lst[j] < lst[j - 1]:
lst[j], lst[j - 1] = lst[j - 1], lst[j]
else:
break
a_list = [1, 12, 2, 11, 13, 5, 6, 18, 4, 9, -5, 3, 11]
insert_sort(a_list)
print(a_list)
快速排序
快速排序使用分治法(Divide and conquer)策略来把一个序列(list)分为较小和较大的2个子序列,然后递归地排序两个子序列。
步骤为:
- 挑选基准值:从数列中挑出一个元素,称为”基准”(pivot);
- 分割:重新排序数列,所有比基准值小的元素摆放在基准前面,所有比基准值大的元素摆在基准后面(与基准值相等的数可以到任何一边)。在这个分割结束之后,对基准值的排序就已经完成;
- 递归排序子序列:递归地将小于基准值元素的子序列和大于基准值元素的子序列排序。
递归到最底部的判断条件是数列的大小是零或一,此时该数列显然已经有序。
选取基准值有数种具体方法,此选取方法对排序的时间性能有决定性影响。
def quick_sort(arr):
if len(arr) <= 1:
return arr
pivot = arr[0]
low = [x for x in arr[1:] if x < pivot]
high = [x for x in arr[1:] if x >= pivot]
return quick_sort(low) + [pivot] + quick_sort(high)
a_list = [54, 26, 93, 17, 77, 31, 44, 55, 20]
a_list = quick_sort(a_list)
print(a_list)
归并排序
归并排序(Merge sort),是创建在归并操作上的一种有效的排序算法。该算法是采用分治法(Divide and Conquer)的一个非常典型的应用。
分治法:
- 分割:递归地把当前序列平均分割成两半。
集成:在保持元素顺序的同时将上一步得到的子序列集成到一起(归并)。 ```python def merge_sort(arr): _len = len(arr) if _len <= 1:
return arr
mid = _len // 2 left = merge_sort(arr[:mid]) right = merge_sort(arr[mid:])
merged = [] while left and right:
merged.append(left.pop(0) if left[0] <= right[0] else right.pop(0))
merged.extend(right if right else left)
return merged
a_list = [54, 26, 93, 17, 77, 31, 44, 55, 20] a_list = merge_sort(a_list) print(a_list)
<a name="2u7MO"></a>
## 3.搜索算法
<a name="ofrFd"></a>
### 二分法查找
二分搜索是一种在有序数组中查找某一特定元素的搜索算法。搜索过程从数组的中间元素开始,如果中间元素正好是要查找的元素,则搜索过程结束;如果某一特定元素大于或者小于中间元素,则在数组大于或小于中间元素的那一半中查找,而且跟开始一样从中间元素开始比较。如果在某一步骤数组为空,则代表找不到。这种搜索算法每一次比较都使搜索范围缩小一半。<br />![二分查找.png](https://cdn.nlark.com/yuque/0/2020/png/1987609/1606473931636-c4c9bc11-580d-41c8-afbb-e4e3058b983d.png#align=left&display=inline&height=244&margin=%5Bobject%20Object%5D&name=%E4%BA%8C%E5%88%86%E6%9F%A5%E6%89%BE.png&originHeight=244&originWidth=382&size=5067&status=done&style=none&width=382)
```python
def binary_search(arr, l, r, target):
if r >= l:
mid_idx = (r - l) // 2 + l
mid = arr[mid_idx]
if mid > target:
return binary_search(arr, l, mid_idx - 1, target)
elif mid < target:
return binary_search(arr, mid_idx + 1, r, target)
else:
return '{}在列表中,下标为 [{}]'.format(target, mid_idx)
else:
return '{}不在列表中'.format(target)
a_list = [17, 20, 26, 31, 44, 54, 55, 77, 93]
# a_list = [18]
print(binary_search(a_list, 0, len(a_list) - 1, 17))
4.栈
5.队列
队列是一种先进先出的(First In First Out)的线性表,简称FIFO。
6.堆
import heapq
a_list = [54, 26, 93, 17, 77, 31, 44, 55, 20]
print(a_list)
print(heapq.nlargest(3, a_list)) # 输出列表中最大的三个数
7.树与树算法
树的概念
树(英语:tree)是一种抽象数据类型(ADT)或是实作这种抽象数据类型的数据结构,用来模拟具有树状结构性质的数据集合。它是由n(n>=1)个有限节点组成一个具有层次关系的集合。把它叫做“树”是因为它看起来像一棵倒挂的树,也就是说它是根朝上,而叶朝下的。它具有以下的特点:
- 每个节点有零个或多个子节点;
- 没有父节点的节点称为根节点;
- 每一个非根节点有且只有一个父节点;
- 除了根节点外,每个子节点可以分为多个不相交的子树;
比如说:
树的术语
- 节点的度:一个节点含有的子树的个数称为该节点的度;
- 树的度:一棵树中,最大的节点的度称为树的度;
- 叶节点或终端节点:度为零的节点;
- 父亲节点或父节点:若一个节点含有子节点,则这个节点称为其子节点的父节点;
- 孩子节点或子节点:一个节点含有的子树的根节点称为该节点的子节点;
- 兄弟节点:具有相同父节点的节点互称为兄弟节点;
- 节点的层次:从根开始定义起,根为第1层,根的子节点为第2层,以此类推;
- 树的高度或深度:树中节点的最大层次;
- 堂兄弟节点:父节点在同一层的节点互为堂兄弟;
- 节点的祖先:从根到该节点所经分支上的所有节点;
- 子孙:以某节点为根的子树中任一节点都称为该节点的子孙。
-
树的种类
无序树:树中任意节点的子节点之间没有顺序关系,这种树称为无序树,也称为自由树;
- 有序树:树中任意节点的子节点之间有顺序关系,这种树称为有序树;
- 二叉树:每个节点最多含有两个子树的树称为二叉树;
- 完全二叉树:对于一颗二叉树,假设其深度为d(d>1)。除了第d层外,其它各层的节点数目均已达最大值,且第d层所有节点从左向右连续地紧密排列,这样的二叉树被称为完全二叉树,其中满二叉树的定义是所有叶节点都在最底层的完全二叉树;
- 平衡二叉树(AVL树):当且仅当任何节点的两棵子树的高度差不大于1的二叉树;
- 排序二叉树(二叉查找树(英语:Binary Search Tree),也称二叉搜索树、有序二叉树);
- 霍夫曼树(用于信息编码):带权路径最短的二叉树称为哈夫曼树或最优二叉树;
- B树:一种对读写操作进行优化的自平衡的二叉查找树,能够保持数据有序,拥有多余两个子树。
树的存储与表示
顺序存储:将数据结构存储在固定的数组中,然在遍历速度上有一定的优势,但因所占空间比较大,是非主流二叉树。二叉树通常以链式存储。
- 二叉树:每个节点最多含有两个子树的树称为二叉树;
链式存储:
由于对节点的个数无法掌握,常见树的存储表示都转换成二叉树进行处理,子节点个数最多为2
常见的一些树的应用场景
- xml,html等,那么编写这些东西的解析器的时候,不可避免用到树
- 路由协议就是使用了树的算法
- mysql数据库索引
- 文件系统的目录结构
- 所以很多经典的AI算法其实都是树搜索,此外机器学习中的decision tree也是树结构