Big o 什么'；那是我的大O？

我的值排序程序时钟位于：

• 100000 8秒
• 1000000 82秒
• 10000000 811秒

是O（n）吗？

我觉得它像O（n）。

是的，我觉得它像O（n）-从第一个到第二个，从第二个到第三个，你的输入要大10倍，花费的时间要长10倍

特别是，看起来您可以通过以下方法预测困难时期：

f(n) = n / 12500

或

对于所提供的数据，它给出了O（n）的最简单解释

编辑：但是。。。正如已经指出的那样，数据可能会以各种方式误导你——我很喜欢丹尼斯·帕尔默的观点，即IO成本比其他成本都小。例如，假设您有一个运算绝对数为：

f(n) = 1000000000000n + (n^2)

在这种情况下，复杂度仍然是O（n^2），但在n非常大之前，从观察结果来看，这不会变得明显

---

我认为可以准确地说，这些观察结果暗示了O（n）算法，但这并不意味着它肯定是这样。

看起来是这样，但实际上，你确实需要分析算法，因为根据数据可能会有不同的情况。例如，有些算法在预排序数据方面做得更好或更差。你的算法是什么？

是的，这是O（n），因为它随项目数量而变化

1000000 = 10 * 100000

及

---

时间行为不是这样的。实际上，这三个数据集之间的距离大致为O（n）。这并不意味着算法是O（n）

第一个问题是，我可以很容易地画出一条指数曲线（O（e**n）），它仍然包括这三个点

但最大的问题是你没有说任何关于数据的事情。对于排序或接近排序的输入（例如：Mergesort），有许多排序算法接近O（n）。然而，它们的平均情况（通常是随机排序的数据）和最坏情况（通常是反向排序的数据）总是O（nlogn）或更差。

是的，它看起来是O（n），但我认为您无法根据算法的定时性能对其进行决定性分析。您可能正在使用效率最低的排序算法，但由于数据读/写时间占总执行时间的大部分，因此会产生O（n）个计时结果

---

编辑：Big-O由算法的效率和扩展方式决定。随着输入项数量的增加，它应该预测执行时间的增长。反之亦然。观察执行时间的增长可能意味着一些不同的事情。如果它与您给出的示例数字保持一致，那么您可以得出这样的结论：您的程序以O（n）运行，但正如其他人所说，这并不意味着您的排序算法是O（n）。

您不能依靠它来说它是O（n）。例如，Bubblesort可以在n个步骤中完成，但它是一个O（n^2）算法。

你说不出来

首先，时间取决于数据、环境和算法。如果您有一个零数组并尝试对其进行排序，那么对于1000或1000000个元素，程序运行时间应该不会有太大差异

第二，O表示法说明了从n0开始的大值n的函数行为。这可能是因为您的算法可以很好地扩展到特定的输入大小，然后其行为会发生变化，比如g（n）函数

---

通常情况下：如果输入的数据大n倍，则需要的时间会长n倍。@Stephan202：事实上-我只是按照给出的示例数字进行操作。（我更新了答案以使其更清楚-谢谢。）是的：如果时间被I/O之类的内容所支配，那么算法可能是bogosort（平均性能为O（n！n））1.我没有投反对票。然而，我也没有投赞成票，因为我担心你可能助长了他的错觉，即一个人可以从三个数据点得出算法的时间行为。也许这与此有关？当然可能是基数排序-但我同意，通用O（n）排序有点可疑：）+1 Landau符号适用于算法而不是程序。@nojo:我使用std:：sort（introsort？）和0-10000范围内的随机值（stdlib:：rand（））。我猜这些事实将不得不作为这些样本的O（n）的假设？嗯-我猜你没有使用随机输入-我不确定O（n）是否可能用于某种随机输入（如Jon Skeet所说），尽管你的结果看起来确实如此。深入研究Jon Skeet的评论，基数排序可能看起来是O（n）（），所以这可能就是你看到的。也可能是元素大小足够小，以至于其计算的n log n部分还没有占据主导地位。这是一个非常小的样本大小，可以肯定地得出任何结论。要进行正确的统计分析，您需要更多。@outis:您的意思是，尽管这些样本的O（n）稳定，100000000个值的O（）可能会偏离？这正是他的意思：）它可能是对数的。回想一下对数图。如果您将其分解为足够多的部分，它们可以轻松地线性表示。谁说1000000000的下一个值不是5000000000？

1000000 = 10 * 100000

82s = 10 * 8s (roughly)