Arrays 什么'；用MATLAB删除数组中最后一个元素的时间复杂度？

我不知道MATLAB中数组的数据结构。它使用FiFo吗

我尝试从列和行向量中删除最后一个元素。时间复杂度取决于大小

N

如何删除

O（1）

中的最后一个元素

---

基本上

pop（）

A = ones(1,50);
B = ones(1,10);

tic
A(1) = [];
toc
tic
A(49) = [];
toc
tic
B(1) = [];
toc
tic
B(9) = [];
toc

Elapsed time is 0.000195 seconds.
Elapsed time is 0.000085 seconds.
Elapsed time is 0.000061 seconds.
Elapsed time is 0.000051 seconds.

您可以看到，删除数组的最后一个元素要比删除第一个元素快。
根据数组长度，使用
tic toc
，来测量时间

A = ones(1,50);
B = ones(1,10);

tic
A(1) = [];
toc
tic
A(49) = [];
toc
tic
B(1) = [];
toc
tic
B(9) = [];
toc

Elapsed time is 0.000195 seconds.
Elapsed time is 0.000085 seconds.
Elapsed time is 0.000061 seconds.
Elapsed time is 0.000051 seconds.

您可以看到，删除数组的最后一个元素要比删除第一个元素快。
经过快速测试，我发现就地重新分配要比删除元素快得多。但这两种操作的性能仍然取决于向量大小。。。我只是认为这不可能如您所愿在
O（1）
中实现，因为Matlab内部处理内存的方式

第一种方法：

A = rand(100,1);

tic();
A(end) = [];
toc(); % Average elapsed time: 0.000015 seconds

B = rand(10000,1);

tic();
B(end) = [];
toc(); % Average elapsed time: 0.000061 seconds

A = rand(100,1);

tic();
A = A(1:end-1);
toc(); % Average elapsed time: 0.000007 seconds

B = rand(10000,1);

tic();
B = B(1:end-1);
toc(); % Average elapsed time: 0.000017 seconds

第二种方法：

A = rand(100,1);

tic();
A(end) = [];
toc(); % Average elapsed time: 0.000015 seconds

B = rand(10000,1);

tic();
B(end) = [];
toc(); % Average elapsed time: 0.000061 seconds

A = rand(100,1);

tic();
A = A(1:end-1);
toc(); % Average elapsed time: 0.000007 seconds

B = rand(10000,1);

tic();
B = B(1:end-1);
toc(); % Average elapsed time: 0.000017 seconds

我对Matlab的了解不够深入，无法准确解释引擎盖下发生了什么，以及为什么这两种方法之间存在如此大的差异。但我可以猜一猜

在第一种方法中，Matlab必须：


将
end
计算为实向量偏移量
找出需要移除的元素数量
分配一个新的大小数组
total_elements-removed_elements

取数组中未触及的部分，缓冲区将其复制到新数组中
用新的数组引用替换以前的数组引用
取消分配上一个数组

在第二种情况下，Matlab必须：


将
end
计算为实向量偏移量
分配一个大小
索引元素的新数组

获取所需的数组范围并将其复制到新数组中
用新的数组引用替换以前的数组引用
取消分配上一个数组

然而，我们离O（1）

还有很长的路要走。经过快速测试，我发现就地重新分配要比元素删除快得多。但这两种操作的性能仍然取决于向量大小。。。我只是认为这不可能如您所愿在

O（1）

中实现，因为Matlab内部处理内存的方式

第一种方法：

A = rand(100,1);

tic();
A(end) = [];
toc(); % Average elapsed time: 0.000015 seconds

B = rand(10000,1);

tic();
B(end) = [];
toc(); % Average elapsed time: 0.000061 seconds

A = rand(100,1);

tic();
A = A(1:end-1);
toc(); % Average elapsed time: 0.000007 seconds

B = rand(10000,1);

tic();
B = B(1:end-1);
toc(); % Average elapsed time: 0.000017 seconds

第二种方法：

A = rand(100,1);

tic();
A(end) = [];
toc(); % Average elapsed time: 0.000015 seconds

B = rand(10000,1);

tic();
B(end) = [];
toc(); % Average elapsed time: 0.000061 seconds

A = rand(100,1);

tic();
A = A(1:end-1);
toc(); % Average elapsed time: 0.000007 seconds

B = rand(10000,1);

tic();
B = B(1:end-1);
toc(); % Average elapsed time: 0.000017 seconds

我对Matlab的了解不够深入，无法准确解释引擎盖下发生了什么，以及为什么这两种方法之间存在如此大的差异。但我可以猜一猜

在第一种方法中，Matlab必须：

• 将

  end

  计算为实向量偏移量
• 找出需要移除的元素数量
• 分配一个新的大小数组

  total_elements-removed_elements

• 取数组中未触及的部分，缓冲区将其复制到新数组中
• 用新的数组引用替换以前的数组引用
• 取消分配上一个数组

在第二种情况下，Matlab必须：

• 将

  end

  计算为实向量偏移量
• 分配一个大小

  索引元素的新数组

• 获取所需的数组范围并将其复制到新数组中
• 用新的数组引用替换以前的数组引用
• 取消分配上一个数组

---

然而，我们远远没有遵循来自的计时脚本，它处理相反的问题——增长一个向量，我尝试了两种方法来删除最后一个元素：

building_array = building_array(1:end-1);
building_array(end) = [];

如图所示，前者（蓝色）比后者（红色）快：

关于这两种形式的计时方式不同的原因，我的猜测是，MATLAB的JIT（实时编译器）针对一种语法比另一种更优化。没有技术上的理由说明一个比另一个快

我真的很惊讶，成本在元素数量上是线性的，这与当时添加元素的行为非常不同

测试代码（修改自）：

---

按照中处理相反问题的计时脚本——增长向量，我尝试了两种方法来删除最后一个元素：

building_array = building_array(1:end-1);
building_array(end) = [];

如图所示，前者（蓝色）比后者（红色）快：

关于这两种形式的计时方式不同的原因，我的猜测是，MATLAB的JIT（实时编译器）针对一种语法比另一种更优化。没有技术上的理由说明一个比另一个快

我真的很惊讶，成本在元素数量上是线性的，这与当时添加元素的行为非常不同

测试代码（修改自）：

---

免责声明：这不是一个真正的建议，它只是一个愚蠢的方式来实际获取O（1）运行时

对，在给出免责声明后，实际上可以在“Matlab”中生成O（1）pop命令。解决方案不是用Matlab，而是用Python。困惑

基本上，使用

py.list（）

将向量转换为Python列表，然后可以执行O（1）

pop

命令。因此，您可以执行以下操作：

a = randn(1,1e4);
li=py.list(a);
b = li.pop;

然而，正如您可能已经猜到的，通过Matlab进行类型转换和运行python并不是我所说的快速。所以，即使我们可以保持一个恒定的运行时，这个常数对于它来说太大了，没有任何用处

在图中，蓝色是Matlab/Python解决方案，而红色（-ish）是最佳解决方案，如Tommaso和Cris所示

很明显，我们保持了O（1）的样子，但这是有代价的

参考代码：

num_averages = 100;
num_sims = 10000;
time_store = nan(num_sims, num_averages);
for i = 1:num_averages
    building_array = rand(1,num_sims);
    li = py.list(building_array);
    for j = 1:num_sims
        tic;
        li.pop;
        time_store(j, i) = toc;
    end
end

编辑：此方法比纯Matlab解决方案快的大小实际上在某个合理的限制范围内~150000

注：f