最好、最壞；平均；均攤時間複雜度
最好、最壞時間複雜度
**示例1
# **示例1
deffind
(x, list_)
:for item in list_:
if item == x:
pos = list_.index(x)
return pos
# 改寫
deffind2
(x,list_)
:for item in list_:
if item == x:
return list_.index(x)
當x不存在這個列表中，需要對整個列表進行遍歷，此時o（n）#最壞
以上就是最好、最壞時間複雜度的例子；
平均時間複雜度
上述**中，list_長度為n，尋找list的值是否與目標值相等的情況：
1+2+3+……+n-1+n => n(n-1)/2; 值存在於list中的情況：n+1
t(n) = n(n-1)/(2(n+1))
通常，我們會忽略掉常數，係數；得到o（n）。
加權平均時間複雜度
上述x存在於list中的情況，是不可能會一樣的，假設，x存在與不存在的概率都是1/2，
存在與0~n-1，概率=1/n，總的概率 = 1/(2n)；
平均時間複雜度變成：
1（1/(2n)）+2（1/(2n)）+3*（1/(2n)）+4*（1/(2n)）+……+n*（1/(2n)）=n(n-1)/2 * 1/(2n) = n(n-1)/(4n)
得出結論：加權平均時間複雜度：o(n)
均攤（攤還）時間複雜度
在python內部，列表是動態的，因為他能夠實現動態擴容；列表建立的時候會預估你需要存的長度，當你要存的東西快要超出長度的時候，他會申請兩倍於自身的空間，進行擴容。
假設我們這個列表在存放滿了的時候才進行擴容；會出現以下兩種情況：
第二：列表剛好滿了，我還要再插值，先申請兩倍大的空間，將內容複製到新的空間，再插值;
時間複雜度：o（n）
攤還分析：當我們進行一次o（n）的操作，都會有n-1次的o(1)的操作；
動態插入的的均攤時間複雜度：o（1）。
資料結構 演算法基礎 複雜度分析
演示 def func a 1 b 2 c 3if name main func 時間複雜度？執行次數上述 他的複雜度 假設每次執行都花了 unit t 時間，上述 func 執行了3次，花費 3 unit t 的時間。演示2 演示2 deffunc2 n sum 0 unit t for i in...
資料結構與演算法基礎 複雜度分析基礎2
1 為什麼需要考量乙個演算法的複雜度?事後統計法 就我個人而言,演算法的好壞,可以考量我們應用效率,有些公司通過大量的測試去考量乙個演算法，通過測試監控執行的時間複雜度,空間等複雜度,這都必須經過通過資料測試來求得,這種結果相對來說還是比較準確的，畢竟是經過實踐測試得到,但是是這種測試依賴集群環境,...
1 1資料結構 演算法複雜度分析
1 演算法時間複雜度分析 1 原操作 定義語句 賦值語句 輸入輸出語句 即非迴圈 順序 分支等控制結構 2 頻度 tn 原操作執行的次數 4 演算法時間複雜度o n 頻度的數量級 5 問題規模n 把任何要解決的問題的輸入都轉化成乙個陣列，那麼陣列長度就是問題規模。6 o 1 即常數階，乙個演算法中沒...