为什么python的时间复杂性是'；s list.append（）方法O（1）？

如的文档所示，Python的

list

类型是使用数组实现的

因此，如果正在使用一个数组，并且我们进行了一些附加操作，那么最终您将不得不重新分配空间并将所有信息复制到新空间。

---

毕竟，这怎么可能是O（1）最坏的情况呢？

如果您查看链接文档中的脚注，您会发现其中包含一条警告：

这些业务依赖于“摊销”部分的“摊销”部分 案例”。个人行动可能需要惊人的时间，这取决于 容器的历史记录

使用，即使我们必须偶尔执行昂贵的操作，当把它们看作序列，而不是单独地。 因此，任何单独的操作都可能非常昂贵——O（n）或O（n^2）或更大的东西——但由于我们知道这些操作非常罕见，我们保证一系列的O（n）操作可以在O（n）时间内完成。

它是O（1）摊销，而不是O（1）

假设列表保留的大小是8个元素，当空间用完时，它的大小会加倍。你想推50个元素

前8个元件推入O（1）。 第九次触发重新分配和8个拷贝，然后是O（1）推送。 下一个7推入O（1）。 第十七个触发重新分配和16个拷贝，然后是O（1）推送。 下一个15推入O（1）。 第三十三个触发重新分配和32个拷贝，然后是O（1）推送。 下一个17推入O（1）

所有的推送都有O（1）复杂度，在O（1）处有56个拷贝，在O（n）处有3个重新分配，n=8、16和32。请注意，这是一个几何级数，渐近等于O（n），n=列表的最终大小。这意味着将n个对象推到列表上的整个操作是O（n）。如果我们按元素摊销，它是O（n）/n=O（1）。

这很容易

我们可以通过将n个元素添加到arraylist中的总时间累加并除以n来计算

首先，我们需要重新定位log（n）次，每次重新定位都是2的两倍。因此我们有一个比例级数，其比率为2，长度为log（n）

比例级数的和是a（1-r^n）/（1-r） 因此，迁移的总时间为（1-n）/（1-2）=n

---

时间复杂度将是n/n=1。

我理解您在这里链接的内容，但这意味着“摊销最坏情况”实际上是“摊销平均情况”，因为如果假设每n个追加，您需要进行一次大的分配+复制，这意味着您对追加进行了o（1）的平均，而您的最坏情况是o（n）否，摊销平均数和摊销最坏情况之间存在差异。摊销平均情况是序列的平均运行时间除以序列中的操作数。摊销最坏情况是序列的最坏可能运行时间除以序列中的操作数。（你可以看到“平均值”是以两种不同的方式使用的，这有点令人困惑。）摊销成本与每个单独操作的成本是不同的，它可以更低——关键是通过“平均”序列，你可以得到一个更有用的界限。