Python内置方法中嵌套模块的大O表示法

我想知道确定Python中内置方法背后的大O值的基本原理。鉴于以下操作：

i_arr = ['1','2','5','3','4','5','5']

s_arr = sorted(set(i_arr))

我的基本原理是，这是

排序（set）=n^2

表示两个嵌套循环

根据建议，我深入研究了更高级别的模块，作为Python源代码中原始函数的一部分：

 def sorted(lst):
        l = list(lst)
        l.sort()
        return l

def sort(self):
        sortable_files = sorted(map(os.path.split, self.files))

def set(self):
        if not self._value:
            self._value = True

            for fut in self._waiters:
                if not fut.done():
                    fut.set_result(True)

---

现在我真的很困惑：）

排序算法的复杂度上限通常是O（n*log（n）），如图所示。 然后，它取决于将数组强制转换到集合所需的时间。从您发布的示例中，我们可以看到列表被迭代，并且在每个步骤中，检查值是否已经在集合中。 根据对集合中元素存在性的检验，集合的复杂性为常数O（1），因此集合的整体构造由于迭代所有元素而具有复杂性O（n）。 但假设它是通过逐个添加每个元素来实现的，我们必须迭代列表以将其转换为集合，即O（n），然后我们对其进行排序，即O（n*log（n）），结果是总复杂度O（n*log（n）+n）=O（n*log（n））

更新：

映射也具有线性复杂性，因为它迭代整个集合并映射每个元素，但由于线性函数的增长速度比n*log（n）慢，因此这里的任何线性操作都不会影响O（n*log（n）），因此，即使使用映射，渐近复杂性也保持不变。

（n logN）是某些排序算法的下限​ 像快速排序、堆排序、合并排序。它们是基于比较的通用算法。在最坏的情况下，它可以是O（N*N）

如果元素是数字的，那么有O（N）个上界算法，比如基数排序、计数排序和桶排序

如果我们在谈论python库的“排序”实现，那么它就是排序实现。TimSort是一种优化的合并排序算法。它比常规的mergesort算法稳定且速度更快。在最坏的情况下，它在O（N log N）上运行，在最好的情况下（当列表已经排序时）在O（N）上运行。

超出“通用排序”性能答案；正如您所提到的

sorted（）

我假设您在询问python中内置方法背后的大O值

那么python正在使用,；引用维基百科：

Timsort是一种混合稳定排序算法，源于合并排序和插入排序，设计用于处理多种实际数据

在最坏的情况下，Timsort需要进行O（n logn）比较来对n个元素的数组进行排序。在最佳情况下，当输入已经排序时，它以线性时间运行，这意味着它是一种自适应排序算法

---

函数

sorted

可能会对传递的项目进行排序。有许多可能实现的

排序

，每个都具有不同的性能特征。您的示例没有告诉我们正在使用的

sorted

的具体实现。@AndrewShepherd

sorted

是一个python内置函数。所以问题归结为：python默认值在做什么……组合是加法的，而不是乘法的。在O（n）时间内创建集合，然后在O（n）时间内对结果集合进行排序。忽略符号的滥用，O（n）+O（n lgn）=O（n+n lgn）=O（n lgn）。是的，我在写完后立即纠正了这个错误。