摘要:參數(shù)是要測(cè)試的代碼語(yǔ)句參數(shù)是運(yùn)行代碼時(shí)需要的設(shè)置參數(shù)是一個(gè)定時(shí)器函數(shù),與平臺(tái)有關(guān)。類中測(cè)試語(yǔ)句執(zhí)行速度的對(duì)象方法。參數(shù)是測(cè)試代碼時(shí)的測(cè)試次數(shù),默認(rèn)為次。方法返回執(zhí)行代碼的平均耗時(shí),一個(gè)類型的秒數(shù)。
[TOC]
這里主要是算法的介紹以及一些判斷算法好壞的標(biāo)準(zhǔn)和方式
引入如果a+b+c = 1000,且a^2 + b^2 = c^2,如何求出所有a,b,c可能的組合?
第一次嘗試:import time print("開始") start_time = time.time() for a in range(1001): for b in range(1001): for c in range(1001): if a + b + c==1000 and a ** 2+b ** 2 == c ** 2: print("a,b,c:%d,%d,%d" % (a, b, c)) end_time = time.time() print("time:{}".format(end_time - start_time)) print("結(jié)束") # 時(shí)間復(fù)雜度:T(n) = n^3 *2
開始 a,b,c:0,500,500 a,b,c:200,375,425 a,b,c:375,200,425 a,b,c:500,0,500 time:140.17622900009155 結(jié)束算法 算法的概述
算法是獨(dú)立存在的一種解決問(wèn)題的方法和思想
算法的五大特性:輸入: 0個(gè)或多個(gè)輸入
輸出: 1個(gè)或多個(gè)輸出
有窮性: 有限步驟,可接受時(shí)間范圍內(nèi)完成
確定性: 每一步具有確定的意義,不會(huì)出翔二義性
可行性: 能不能實(shí)現(xiàn)
第二次嘗試:提示:c=1000-a-b
import time print("開始") start_time = time.time() for a in range(1001): for b in range(1001): c = 1000 - a - b if a ** 2+b ** 2 == c ** 2: print("a,b,c:%d,%d,%d" % (a, b, c)) end_time = time.time() print("time:{}".format(end_time - start_time)) print("結(jié)束") # 時(shí)間復(fù)雜度:T(n) = n^2 *3
開始 a,b,c:0,500,500 a,b,c:200,375,425 a,b,c:375,200,425 a,b,c:500,0,500 time:1.0204615592956543 結(jié)束
解決一個(gè)問(wèn)題有多個(gè)算法,每個(gè)算法的效率還是有差距的,如何判斷算法的效率呢?
算法的效率衡量 時(shí)間復(fù)雜度和大O記法時(shí)間復(fù)雜度:算法進(jìn)行了多少個(gè)基本操作(即花費(fèi)了多少個(gè)時(shí)間單位),漸進(jìn)函數(shù)
時(shí)間復(fù)雜度的幾條基本計(jì)算規(guī)則基本操作,即只有常數(shù)項(xiàng),時(shí)間復(fù)雜度為O(1)
順序結(jié)構(gòu),時(shí)間復(fù)雜度按加法進(jìn)行計(jì)算
循環(huán)結(jié)構(gòu),時(shí)間復(fù)雜度按乘法計(jì)算
分支結(jié)構(gòu),時(shí)間復(fù)雜度取最大值
判斷一個(gè)算法的效率時(shí),往往只需要關(guān)注操作數(shù)量的最高次項(xiàng),其他次要項(xiàng)和常數(shù)項(xiàng)可以忽略
在沒(méi)有特殊說(shuō)明時(shí),我們所分析的算法的時(shí)間復(fù)雜度都是指最壞時(shí)間復(fù)雜度
python內(nèi)置類型性能分析 timeit模塊timeit模塊可以用來(lái)測(cè)試一小段Python代碼的執(zhí)行速度。
class timeit,Timer(stmt="pass",setup="pass",timer= <.timer function> )
Timer是測(cè)量小段代碼執(zhí)行速度的類。
stmt參數(shù)是要測(cè)試的代碼語(yǔ)句(statment);
setup參數(shù)是運(yùn)行代碼時(shí)需要的設(shè)置;
timer參數(shù)是一個(gè)定時(shí)器函數(shù),與平臺(tái)有關(guān)。
timeit.Timer.timeit(number=1000000)
Timer類中測(cè)試語(yǔ)句執(zhí)行速度的對(duì)象方法。number參數(shù)是測(cè)試代碼時(shí)的測(cè)試次數(shù),默認(rèn)為1000000次。方法返回執(zhí)行代碼的平均耗時(shí),一個(gè)float類型的秒數(shù)。
下面是timeit模塊的使用方式
from timeit import Timer def t1(): li1 = [] for i in range(10000): li1.append(i) def t2(): li = [] for i in range(10000): # li= li+[i] # 兩個(gè)列表相加放到一個(gè)新的列表中 li += [i] # 這個(gè)做過(guò)優(yōu)化,速度比相加快的多 def t3(): li = [i for i in range(10000)] def t4(): li = list(range(10000)) def t5(): li = [] for i in range(10000): li.extend([i]) # 放到li列表中 def t6_end(): li1 = [] for i in range(10000): li1.append(i) # 在列表最后加元素 def t6_start(): li1 = [] for i in range(10000): li1.insert(0,i) # 在列表最前面加元素 timer = Timer("t1()","from __main__ import t1") print("t1",timer.timeit(1000)) timer = Timer("t2()","from __main__ import t2") print("t2",timer.timeit(1000)) timer = Timer("t3()","from __main__ import t3") print("t3",timer.timeit(1000)) timer = Timer("t4()","from __main__ import t4") print("t4",timer.timeit(1000)) timer = Timer("t5()","from __main__ import t5") print("t5",timer.timeit(1000)) timer = Timer("t6_start()","from __main__ import t6_start") print("t6_start",timer.timeit(1000)) timer = Timer("t6_end()","from __main__ import t6_end") print("t6_end",timer.timeit(1000))
t1 0.8016083359998447 t2 211.04629018700052 t3 0.43422231000022293 t4 0.17026640999938536 t5 1.0775756929997442 t6_start 0.7481699620002473 t6_end 25.572036152000692
文章版權(quán)歸作者所有,未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址:http://m.specialneedsforspecialkids.com/yun/44150.html
摘要:選擇排序算法實(shí)現(xiàn)實(shí)現(xiàn)選擇排序,記錄最小元素的索引,最后才交換位置說(shuō)明交換兩個(gè)數(shù)組中的元素,在中有更簡(jiǎn)單的寫法,這是的語(yǔ)法糖,其它語(yǔ)言中是沒(méi)有的。和語(yǔ)言中比較器的實(shí)現(xiàn)前面我們說(shuō)到了,我們?yōu)榱送怀雠判蛩惴ǖ乃枷耄瑢⑺械睦觾H限在數(shù)組排序中。 showImg(https://segmentfault.com/img/remote/1460000017909538?w=1949&h=1080...
摘要:算法是一種數(shù)據(jù)分類算法,以距離樣本個(gè)最鄰近數(shù)據(jù)的類別代表樣本的類別,因此也叫作近鄰算法。排序后訪問(wèn)元素的方式與訪問(wèn)二維數(shù)組元素的方式一致 KNN算法是一種數(shù)據(jù)分類算法,以距離樣本k個(gè)最鄰近數(shù)據(jù)的類別代表樣本的類別,因此也叫作k-近鄰算法。KNN算法是數(shù)據(jù)挖掘中最簡(jiǎn)單的方法之一,大致可分為以下幾個(gè)步驟: 訓(xùn)練數(shù)據(jù):原數(shù)據(jù)集中所有數(shù)據(jù)類別的數(shù)據(jù)。 測(cè)試數(shù)據(jù):我們將要拿來(lái)測(cè)試的數(shù)據(jù)樣本。 ...
摘要:分詞的算法中文分詞有難度,不過(guò)也有成熟的解決方案。例如通過(guò)人民日?qǐng)?bào)訓(xùn)練的分詞系統(tǒng),在網(wǎng)絡(luò)玄幻小說(shuō)上,分詞的效果就不會(huì)好。三的優(yōu)點(diǎn)是開源的,號(hào)稱是中,最好的中文分詞組件。 showImg(https://segmentfault.com/img/remote/1460000016359704?w=1350&h=900); 題圖:by Lucas Davies 一、前言 分詞,我想是大多數(shù)...
閱讀 2836·2021-11-19 11:35
閱讀 2588·2021-11-02 14:40
閱讀 1410·2021-09-04 16:48
閱讀 3015·2019-08-30 15:55
閱讀 1769·2019-08-30 13:11
閱讀 1963·2019-08-29 11:12
閱讀 1097·2019-08-27 10:52
閱讀 3168·2019-08-26 18:36