Python常见操作的时间复杂度
本文整理了Python中常见数据结构操作的时间复杂度,旨在帮助大家了解Python操作的性能,协助大家写出更快的代码。
文章目录
标注方法
程序时间复杂度一般用"大O表示法(Big-O notation)"来表示。假如有如下代码:
def list_check(to_check, the_list):
for item in the_list:
if to_check == item:
return True
return False
上面代码功能很简单,就是检查to_check
是否在列表the_list
中。我们称这个函数的时间复杂度为 O ( n ) O(n) O(n),其中 n n n 指列表the_list
中的元素个数, O ( n ) O(n) O(n)的意思是算法所需时间的_上限_随列表中的元素个数线性增长。
在我们描述时间复杂度时,通常会涉及2个数量:
- O ( n ) O(n) O(n) 中的 n n n 通常表示容器中元素个数
- O ( k ) O(k) O(k) 中的 k k k 通常表示参数或传入容器中元素个数
常见复杂度表
Big-O
复杂度
解释
O ( 1 ) O(1) O(1)
常量复杂度
无论输入的大小,运行时间始终保持一个常数。-
例如从哈希表中取值的时间复杂度就是 O ( 1 ) O(1) O(1)。
O ( n ) O(n) O(n)
线性复杂度
运行时间随输入大小线性增长。-
遍历列表就是一个时间复杂度为 O ( n ) O(n) O(n)的操作。
O ( n 2 ) O(n^{2}) O(n2)
平方复杂度
运行时间与输入大小呈平方关系。-
比如冒泡排序、插入排序的时间复杂度为 O ( n 2 ) O(n^2) O(n2)。
O ( 2 n ) O(2^{n}) O(2n)
指数复杂度
运行时间与输入大小呈指数关系。指数复杂度的算法性能非常低。-
例如图论中的三色问题就是指数复杂度。
O ( log n ) O(\log_{n}) O(logn)
对数复杂度
当输入呈指数增长是,运行时间按线性增长。-
二分法查找就是典型的对数复杂度。
常见复杂度的图像展示
List操作
List是Python中使用最多的数据结构,熟悉List中各操作的时间复杂度对我们优化程序性能有很大帮助
操作
时间复杂度(平均情况)
追加 append()
O ( 1 ) O(1) O(1)
拷贝 copy()
O ( n ) O(n) O(n)
删除元素 remove()
O ( n ) O(n) O(n)
删除切片 del lst[2:4]
O ( n ) O(n) O(n)
插入 insert()
O ( n ) O(n) O(n)
获取元素 lst[0]
O ( 1 ) O(1) O(1)
设置元素 lst[0] = 1
O ( 1 ) O(1) O(1)
迭代
O ( n ) O(n) O(n)
获取切片 lst[0:3]
O ( k ) O(k) O(k)
设置切片 lst[0:3] = [4, 5]
O ( n + k ) O(n+k) O(n+k)
扩展 extend()
O ( k ) O(k) O(k)
排序 lst.sort()
O ( n log n ) O(n \log_n) O(nlogn)
获取长度 len()
O ( 1 ) O(1) O(1)
in
O ( n ) O(n) O(n)
min()``max()
O ( n ) O(n) O(n)
Set操作
操作
时间复杂度(平均情况)
时间复杂度(最差情况)
in
O ( 1 ) O(1) O(1)
差集 s-t
O ( len ( s ) ) O(\text{len}(s)) O(len(s))
交集 s&t
O ( min ( len ( s ) , len ( t ) ) ) O(\text{min}(\text{len}(s), \text{len}(t))) O(min(len(s),len(t)))
O ( len ( s ) × len ( t ) ) O(\text{len}(s) \times \text{len}(t)) O(len(s)×len(t))
并集 s\|t
O ( len ( s ) + len ( t ) ) O(\text{len}(s) + \text{len}(t)) O(len(s)+len(t))
对称差集 s^t
O ( len ( s ) ) O(\text{len}(s)) O(len(s))
O ( len ( s ) × len ( t ) ) O(\text{len}(s) \times \text{len}(t)) O(len(s)×len(t))
多重交集 s1&s2&s3&...&sn
( n − 1 ) ∗ O ( l ) (n-1) * O(l) (n−1)∗O(l) 其中 l = max ( len ( s 1 ) , … , len ( s n ) ) l = \text{max}( \text{len}(s_1),\dots,\text{len}(s_n)) l=max(len(s1),…,len(sn))
s.difference_update(t)
O ( len ( t ) × len ( s ) ) O(\text{len}(t) \times \text{len}(s)) O(len(t)×len(s))
s.symetric_difference_update(t)
O ( len ( t ) ) O(\text{len}(t)) O(len(t))
Deque操作
deque
是python标准库提供的双向队列
操作
时间复杂度(平均情况)
队尾追加 append()
O ( 1 ) O(1) O(1)
队首追加 appendleft()
O ( 1 ) O(1) O(1)
队尾扩展 extend()
O ( k ) O(k) O(k)
队首扩展 extendleft()
O ( k ) O(k) O(k)
队尾移除 pop()
O ( 1 ) O(1) O(1)
队首移除 popleft()
O ( 1 ) O(1) O(1)
拷贝 copy()
O ( n ) O(n) O(n)
删除 remove()
O ( n ) O(n) O(n)
轮转 rotate(k)
O ( k ) O(k) O(k)