Python O(n)及"x2B ;；O（n）=O（n）？
根据Alex Martelli在O'Reilly的Python中的概括，复杂性类Python O(n)及"x2B ;；O（n）=O（n）？,python,algorithm,big-o,Python,Algorithm,Big O,根据Alex Martelli在O'Reilly的Python中的概括，复杂性类O（n）+O（n）=O（n）。所以我相信。但是我很困惑。他解释说，“两个N的线性函数之和也是一个N的线性函数。” 根据，在函数分析中，线性函数是一个线性映射，例如f（x+y）=f（x）+f（y）。发现了一个似乎更简单的定义，简单地说，“线性函数是一个函数，它的图形是一条直线。”它还包括了一些比维基百科文章更不深奥的例子 y = f(x) = a + bx 以及： 也许可以公平地预期，两个线性方程组的和可以在一个图上
O（n）+O（n）=O（n）f（x+y）=f（x）+f（y）y = f(x) = a + bx
from timer import Timer
def complex(it):
result = []
for i in it:
result.append(i)
result.reverse()
return result
def simple(it):
result = list(it)
longlist = list(range(0, 1000000))
with Timer() as t:
reverse_(longlist)
print "=> elapsed time reverse: %s." % t.secs
with Timer() as t:
straight(longlist)
print "=> elapsed time straight: %s" % t.secs
from timer import Timer
def complex(it):
result = []
for i in it:
result.append(i)
result.reverse()
return result
def simple(it):
result = list(it)
longlist = list(range(0, 1000000))
with Timer() as t:
reverse_(longlist)
print "=> elapsed time reverse: %s." % t.secs
with Timer() as t:
straight(longlist)
print "=> elapsed time straight: %s" % t.secs
O（n）O（3n）O（Cn）O（n^2）O（n^3）O（n^C）O（n^2）O（n^5）和O（2^n），
O（3^n）O（C^n）- f是O（g）
- f（n）与g（n）的比率随着n的增加趋于非负值
在我们的例子中，我们有g（n）=n。现在，如果我们让f（n）=f1（n）+f2（n）并假设f1和f2都是O（n），那么上面的极限将等于α=α1+α2，其本身必须大于或等于零（因为根据定义α1≥ 0和α2≥ 0）。因此，根据我们的定义，f1（n）+f2（n）也是O（n）。是的，这是因为Big-O符号不是用来计算绝对运行时间，而是用来描述输入不断增加的算法行为 换句话说，如果你有一些算法在
O（3n）O（n）n当然，在数学上，一切都可以用定义来证明。这句话是正确的，因为两个线性函数的相加也是一个线性函数。以这两项为例：
y = 6*x + 10
y = 20*x + 2
y = 26*x + 12
y = A*x + B
y = C*x + D
-----------
y = (A+C)*x + (B+D)
假设第一个
O（n）y1 = f1(x) = a1 + b1.x
y2 = f2(x) = a2 + b2.x
O（n）y1 = f1(x) = a1 + b1.x
y2 = f2(x) = a2 + b2.x
y1 + y2 = f1(x) + f2(x) = (a1+a2) + (b1+b2).x
这表明
y1+y2O（n）x=C1ny=C2nO（C1n）=>O（n）=g（x）=xn