Курс Python → Big O оптимизация
Big O оптимизация — это важная задача для разработчиков. Оценка скорости работы программы на разных устройствах может быть сложной из-за различий в аппаратном обеспечении. Для универсальной оценки был разработан подход, использующий понятие Big O. Например, простой алгоритм перебора всех значений имеет сложность O(n), где n — количество значений, так как используется только один цикл. Если же есть два вложенных цикла, как в программе для вывода таблицы умножения, то сложность уже будет O(n^2). Из формул видно, что второй алгоритм работает намного медленнее.
Главное правило — чем больше данных, тем дольше будет работать программа. Например, бинарный поиск имеет сложность O(log n) и работает намного быстрее, но требует отсортированного списка. При оценке сложности учитывается количество проходов по данным, а не количество строк кода. График скорости работы алгоритмов показывает, что чем меньше операций выполняется, тем лучше.
Пример кода:
def linear_search(array, target):
for i in range(len(array)):
if array[i] == target:
return i
return -1
def binary_search(array, target):
low = 0
high = len(array) - 1
while low <= high:
mid = (low + high) // 2
if array[mid] == target:
return mid
elif array[mid] < target:
low = mid + 1
else:
high = mid - 1
return -1
В приведенных примерах кода показаны алгоритмы линейного и бинарного поиска. Линейный поиск имеет сложность O(n), так как выполняет n операций в худшем случае. Бинарный поиск имеет сложность O(log n) и работает быстрее, но требует отсортированного списка. Понимание Big O помогает разработчикам выбирать наиболее эффективные алгоритмы для своих задач.
Другие уроки курса "Python"
- Порядок и длина множеств в Python
- Вывод переменной и строки в Python
- Работа с парами ключ-значение
- Оператор is в Python
- Подсчет вхождений элементов
- Настройка вывода в Numpy
- Генераторы в Python
- Сортировка данных в Python
- Подсказки типов в Python
- Измерение времени выполнения кода с использованием time
- Модуль math: константы π и e
- Работа с CSV файлами в Python
- Numpy: объединение массивов
- Метод округления чисел
- JMESPath в Python
- Умножение строк и списков
- Переопределение метода divmod
- Шаблоны и наследование в Flask
- Логирование с Loguru
- Создание словарей в Python
- Методы работы со строками в Python
- Форматирование строк с помощью f-строк
- Создание циклической ссылки
- Проверка наличия элемента в списке
- Работа с часовыми поясами в Python
- Передача аргументов в Python
- Копирование объектов в Python
- Обработка исключений с блоком else
- Подчеркивание в REPL
- Область видимости переменных
- Работа с утверждениями в Python
- Конвертация текстовых чисел с помощью Numerizer
- Списковое включение в Python
- Метод rxor для операции побитового исключающего «или»
- Python Calendar Usage
- Парсинг веб-страниц с Beautiful Soup
- Генераторы словарей и множеств
- Работа с collections в Python.
- Сложение матриц в NumPy
- Форматирование кода на Python
- Работа с массивами в Python
