使用Python可视化O(n)。

梦枫吖_4786

梦枫吖_4786

2023-09-02

1628人浏览

转载

介绍

在计算机科学和编程领域中,了解算法的效率是至关重要的,因为它有助于创建既优化又快速执行的软件。时间复杂度在这个背景下是一个重要的概念,因为它衡量了算法的运行时间随着输入规模增长的变化情况。常用的时间复杂度类O(n)表示输入规模和执行时间之间的线性关系。

定义

计算机科学中的算法复杂性是根据算法的输入大小评估所需的资源,如时间和空间利用率。更进一步地说,它支持我们理解算法在考虑其输入大小时执行的速度。用于描述算法复杂性的主要符号是大O符号(O(n))。

语法

for i in range(n):
   # do something

一个`for`循环,根据从0到`n-1`的范围运行特定的一组指令,并在每次迭代中执行一个操作或一组操作。其中'n'表示迭代次数。

在O(n)时间复杂度下,随着输入规模'n'的增加,执行时间成比例增长。随着'n'的增加,循环的迭代次数和完成循环所需的时间将成比例增加。线性时间复杂度表现出输入规模和执行时间之间的直接比例关系。

可以在循环中执行任何任务或任务序列,而不考虑输入大小'n'。这里需要注意的主要方面是循环执行'n'次迭代,导致线性时间复杂度。

算法

  • 步骤1:将一个变量sum初始化为0

  • 步骤2:遍历提供的列表中的每个元素

  • 步骤3:将该元素合并到当前的总和值中。

  • 第四步:循环结束后应返回总和。

  • 步骤 5:结束

方法

  • 方法1:绘制时间与输入大小的关系

  • 方法二:绘制操作与输入规模之间的关系

方法1:绘制时间与输入大小的关系图

Example

import time
import matplotlib.pyplot as plt

def algo_time(n):
    sum = 0
    for i in range(n):
        sum += i
    return sum

input_sizes = []
execution_times = []

for i in range(1000, 11000, 1000):
    start_time = time.time()
    algo_time(i)
    end_time = time.time()
    input_sizes.append(i)
    execution_times.append(end_time - start_time)

plt.plot(input_sizes, execution_times)
plt.xlabel('Input Size')
plt.ylabel('Execution Time (s)')
plt.show()

输出

使用Python可视化O(n)。

这段代码是用来测量`algo_time()`算法在不同输入大小下的运行时间。我们将把希望测试的输入大小以及它们相应的执行时间存储在这些列表中。

使用'for'循环来迭代一系列的输入大小。在这种情况下,循环将从1000运行到接近11000之前,每次增加1000。进一步说明,我们计划通过改变从1000到10000的'n'值来评估算法,增量为1000。

在循环内部,我们针对每个输入大小测量`algo_time()`函数的执行时间。为了开始跟踪时间,我们在调用函数之前使用`time.time()`,并在函数完成运行后立即停止。然后,我们将持续时间存储在名为'execution_time'的变量中。

我们将每个给定输入大小的输入值('n')及其相应的执行时间添加到它们各自的列表('input_sizes'和'execution_times')中。

循环完成后,我们拥有生成绘图所需的数据。'plt.plot(input_sizes, execution_times)' 使用我们收集到的数据生成一个基本的折线图。x轴显示的是代表不同输入大小的 'input_sizes' 值。

'plt.xlabel()'和'plt.ylabel()'最后用于分别标记坐标轴的含义,而调用'plt.show()'函数使我们能够呈现图形。

通过运行这段代码,我们可以通过绘制图表来可视化执行时间随着输入大小('n')的增加而增加。假设算法的时间复杂度为O(n),我们可以近似认为当绘制图表时,输入大小和执行时间之间存在几乎直线的相关性。

方法二:绘制操作与输入大小的关系

Example

import matplotlib.pyplot as plt

def algo_ops(n):
    ops = 0
    sum = 0
    for i in range(n):
        sum += i
        ops += 1
    ops += 1  # for the return statement
    return ops

input_sizes = []
operations = []

for i in range(1000, 11000, 1000):
    input_sizes.append(i)
    operations.append(algo_ops(i))

plt.plot(input_sizes, operations)
plt.xlabel

plt.xlabel('Input Size')
plt.ylabel('Number of Operations')
plt.show()

输出

使用Python可视化O(n)。

这段代码旨在分析`algo_ops()`算法在不同输入大小下执行的操作次数。通过利用`algo_ops()`函数,可以计算从零到给定输入参数'n'范围内所有数值的求和结果,并同时跟踪和记录每次计算过程中执行的每个操作。

我们首先导入'matplotlib.pyplot'模块,该模块允许我们创建诸如图形之类的可视化。

接下来,我们定义 algo_ops() 函数,该函数接受一个输入数字 'n'。在函数内部,我们初始化两个变量:'ops' 用于计算操作次数,'sum' 用于存储数字的累积和。

这些数组将存储我们希望检查的维度及其相应的执行持续时间。

我们利用迭代循环的一种方式是在多个输入尺度内进行循环。在这种情况下,循环执行范围从1000到10000(除了11000)。这意味着我们将评估变量'n'在1000到10000之间以100为增量的技术。

在循环中,我们计算所有输入大小的`algo_time()`过程的性能。我们在调用该过程之前使用`time.time()`开始一个秒表,并在子程序执行结束后直接结束它。接下来,我们将时间间隔保存在一个名为'execution_period'的变量中。

对于每个输入的大小,我们将输入的值('n')包含在名为'input_sizes'的列表中。此外,我们还将相应的处理时间附加在'execution_times'集合中。

循环完成后,我们已经累积了制作图表所需的基本数据。语句 'plt.plot(input_sizes, execution_times)' 使用收集到的数据创建了一个基本的折线图。'input_sizes' 的值显示在 x 方向轴上,表示不同的输入大小。'execution_times' 的值显示在垂直轴上,表示执行 `algo_time()` 函数所需的时间,其输入大小各不相同。

最后,我们通过 'plt.xlabel()' 和 'plt.ylabel()' 来标记坐标系,以展示每个轴的含义。接下来,执行 'plt.show()' 函数来呈现图形。

一旦我们执行程序,图表将向我们展示当输入的规模('n')增长时,处理时间如何上升。

结论

总之,掌握使用Matplotlib在Python中的时间复杂度和可视化是任何寻求创建高效和优化软件解决方案的程序员的宝贵技能。了解算法在不同输入规模下的行为,使我们能够解决复杂问题并构建健壮的应用程序,以及及时高效地提供结果。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

python速学教程(入门到精通)
python速学教程(入门到精通)

python怎么学习?python怎么入门?python在哪学?python怎么学才快?不用担心,这里为大家提供了python速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
GoFrame框架Web开发与路由中间件
GoFrame框架Web开发与路由中间件

本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。

2026.11.17

20

15

GoFrame框架安装与gf命令行工具
GoFrame框架安装与gf命令行工具

本专题围绕GoFrame框架的安装与工具链配置展开,讲清Go版本要求、gf命令行的安装方式、代理镜像与依赖准备,说明项目初始化、热编译、交叉编译打包的做法,并整理安装阶段的常见报错与验证步骤。

2026.11.17

60

15

GoFrame框架零基础入门
GoFrame框架零基础入门

本专题整理GoFrame框架的入门知识,从模块化设计理念、环境准备到跑通第一个Web服务,讲清目录分层、配置加载、日志与中间件的用法,并对比Gin、Go-Zero的差异,帮助Go开发者建立整体认知。

2026.11.17

60

15

SQLAlchemy 一对多关系怎么建立
SQLAlchemy 一对多关系怎么建立

SQLAlchemy 一对多关系怎么建立?本专题整理父子表外键、relationship 双向映射、关联查询、级联删除和加载优化等相关文章,帮助你理解并实现常见的 ORM 关系建模。

2026.11.17

20

10

SQLAlchemy 如何增删改查
SQLAlchemy 如何增删改查

SQLAlchemy 如何增删改查?本专题整理 ORM 新增记录、条件查询、更新和删除、Session 事务提交与批量处理等实用文章,帮助你掌握 Python 数据库操作流程。

2026.11.17

60

11

SQLAlchemy ORM 模型怎么写
SQLAlchemy ORM 模型怎么写

SQLAlchemy ORM 模型怎么写?本专题整理模型类定义、Mapped 字段映射、主键与约束、表结构创建和常见报错的相关文章,帮助你从基础配置到实际建模逐步掌握 SQLAlchemy。

2026.11.17

40

16

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

2026.11.12

180

15

Go-Zero安装与goctl环境配置教程
Go-Zero安装与goctl环境配置教程

本专题围绕Go-Zero的安装与工具链配置展开,讲清Go版本要求、goctl安装方式、代理镜像、protoc依赖与环境变量设置,说明多版本共存、升级回退与CI流水线安装的做法,并整理安装阶段的常见报错与验证步骤。

2026.11.12

140

15

Go-Zero零基础入门教程
Go-Zero零基础入门教程

本专题整理Go-Zero的入门知识,从框架定位、环境准备到跑通第一个API服务,讲清目录分层、配置加载、日志与中间件的基本用法,并对比Gin、Kratos的差异,帮助Go开发者建立整体认知,判断它是否适合当前项目。

2026.11.12

160

15

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.7万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.3万人学习