python数组的时间复杂性？

array.array

和

np.array

的

.append

时间复杂度是多少

---

我在中看到了

list

、

collections.deque

、

set

和

dict

的时间复杂度，但我找不到

array.array

和

np.array

的时间复杂度。在哪里可以找到它们？

了解

数组

数据结构对于回答您的问题很重要。由于这两个

array

对象都基于C数组（，），因此它们共享许多相同的功能

将项目添加到数组中是摊销的，但在大多数情况下，最终是摊销时间。这是因为您的数组对象可能尚未填充，因此将一些数据附加到内存中的该位置是一个相对简单的操作，这就是

O（1）

。但是，在大多数情况下，数组已满，因此需要在内存中完全复制，并添加新项。这是一个非常昂贵的操作，因为需要复制

n

大小的数组，从而使插入

O（n）

为了使这更清楚，考虑因素是<代码> 2 < /代码>的情况。 初始数组大小为

1

。然后考虑复制成本来增长数组。 从大小1到足够容纳的位置，任意尺寸的2^k+1个元素

k>=0

。此大小为

2^（k+1）

。总拷贝成本将包括所有 复制要在2次因子步骤中变得如此巨大：

---

理解

数组

数据结构对于回答您的问题非常重要。由于这两个

array

对象都基于C数组（，），因此它们共享许多相同的功能

将项目添加到数组中是摊销的，但在大多数情况下，最终是摊销时间。这是因为您的数组对象可能尚未填充，因此将一些数据附加到内存中的该位置是一个相对简单的操作，这就是

O（1）

。但是，在大多数情况下，数组已满，因此需要在内存中完全复制，并添加新项。这是一个非常昂贵的操作，因为需要复制

n

大小的数组，从而使插入

O（n）

为了使这更清楚，考虑因素是<代码> 2 < /代码>的情况。 初始数组大小为

1

。然后考虑复制成本来增长数组。 从大小1到足够容纳的位置，任意尺寸的2^k+1个元素

k>=0

。此大小为

2^（k+1）

。总拷贝成本将包括所有 复制要在2次因子步骤中变得如此巨大：

因此，为了链接您提供的（也是一个TLDR）

列表在内部“表示为一个数组”，它应该是O（1），底部有一个注释：

这些操作依赖于“摊余最坏情况”中的“摊余”部分。根据集装箱的历史，单个操作可能需要惊人的长时间


更多详细信息

文档中没有详细介绍，但如果你看一下，你会真正看到发生了什么。Python
array
s具有内部缓冲区，允许快速调整自身大小，并且在其增长/收缩时将
realloc

array.append
使用which调用操作的主要部分。顺便提一下，
array.extend
也使用它，但它只提供了
Py_SIZE（self）
作为插入索引

因此，如果我们阅读
arraymodule.ins1
中的注释，它从以下内容开始：



This over-allocates proportional to the array size, making room
for additional growth.  The over-allocation is mild, but is
enough to give linear-time amortized behavior over a long
sequence of appends() in the presence of a poorly-performing
system realloc().
The growth pattern is:  0, 4, 8, 16, 25, 34, 46, 56, 67, 79, ...
Note, the pattern starts out the same as for lists but then
grows at a smaller rate so that larger arrays only overallocate
by about 1/16th -- this is done because arrays are presumed to be more
memory critical.


因此，为了链接您提供的（也是一个TLDR）
列表在内部“表示为一个数组”，它应该是O（1），底部有一个注释：

这些操作依赖于“摊余最坏情况”中的“摊余”部分。根据集装箱的历史，单个操作可能需要惊人的长时间


更多详细信息

文档中没有详细介绍，但如果你看一下，你会真正看到发生了什么。Python
array
s具有内部缓冲区，允许快速调整自身大小，并且在其增长/收缩时将
realloc

array.append
使用which调用操作的主要部分。顺便提一下，
array.extend
也使用它，但它只提供了
Py_SIZE（self）
作为插入索引

因此，如果我们阅读
arraymodule.ins1
中的注释，它从以下内容开始：



This over-allocates proportional to the array size, making room
for additional growth.  The over-allocation is mild, but is
enough to give linear-time amortized behavior over a long
sequence of appends() in the presence of a poorly-performing
system realloc().
The growth pattern is:  0, 4, 8, 16, 25, 34, 46, 56, 67, 79, ...
Note, the pattern starts out the same as for lists but then
grows at a smaller rate so that larger arrays only overallocate
by about 1/16th -- this is done because arrays are presumed to be more
memory critical.


你是说
array.array
？对于numpy来说，这绝对是linear@juanpa.arrivillaga是~
np.append（）
相当慢，它将涉及复制整个arrayList append相对高效，因为它只是将对象的引用添加到列表的“扩展”空间
np.append
是
np.concatenate
的一个构思糟糕的覆盖函数。它每次都会生成一个全新的数组。最佳实践是在循环中列出append，并在最后只进行一次连接以形成一个数组。
array.array
和
numpy.ndarray
是完全不同的实现。一个人可以成长，成长的方式与
list
差不多。另一个不能
ndarray
主要用于高效的多维计算。去年我回答了一个类似的问题——你是说
array.array
？对于numpy来说，这绝对是linear@juanpa.arrivillaga是~
np.append（）
相当慢，它将涉及复制整个arrayList append相对高效，因为它只是将对象的引用添加到列表的“扩展”空间<代码>np.append
是一个构思拙劣的封面游戏
This over-allocates proportional to the array size, making room
for additional growth.  The over-allocation is mild, but is
enough to give linear-time amortized behavior over a long
sequence of appends() in the presence of a poorly-performing
system realloc().
The growth pattern is:  0, 4, 8, 16, 25, 34, 46, 56, 67, 79, ...
Note, the pattern starts out the same as for lists but then
grows at a smaller rate so that larger arrays only overallocate
by about 1/16th -- this is done because arrays are presumed to be more
memory critical.