数据结构与算法前戏

为什么要学习算法？

我有幸看过一遍文章是这样说的：

如果将最终写好运行的程序比作战场，我们码农便是指挥作战的将军，而我们所写的代码便是士兵和武器。

那么数据结构和算法是什么？答曰：兵法！

我们可以不看兵法在战场上肉搏，如此，可能会胜利，可能会失败。即使胜利，可能也会付出巨大的代价。我们写程序亦然：没有看过数据结构和算法，有时面对问题可能会没有任何思路，不知如何下手去解决；大部分时间可能解决了问题，可是对程序运行的效率和开销没有意识，性能低下；有时会借助别人开发的利器暂时解决了问题，可是遇到性能瓶颈的时候，又不知该如何进行针对性的优化。

如果我们常看兵法，便可做到胸有成竹，有时会事半功倍！同样，如果我们常看数据结构与算法，我们写程序时也能游刃有余、明察秋毫，遇到问题时亦能入木三分、迎刃而解。

故，数据结构和算法是一名程序开发人员的必备基本功，不是一朝一夕就能练成绝世高手的。冰冻三尺非一日之寒，需要我们平时不断的主动去学习积累。

算法的五大特性

1. 输入：算法具有0个或多个输入
2. 输出：算法至少有1个或多个输出
3. 有穷性：算法在有限的步骤之后会自动结束而不会无限循环，并且每一个步骤可以在可接受的时间内完成
4. 确定性：算法中每一步都有确定的含义，不会出现二义性
5. 可行性：算法的每一步都是可行，也就是说每一步都能执行有限的次数完成

时间复杂度与“大O记法”

# 1）执行时间反应算法效率
"""
执行时间的快慢，并不能直接确定算法的优劣，还应考虑程序运行的计算机环境（包括硬件和操作系统）
"""

# 2）如何客观评价算法的优劣
"""
我们假定计算机执行算法每一个基本操作的时间是固定的一个时间单位，那么有多少个基本操作就代表会花费多少时间单位。算然对于不同的机器环境而言，确切的单位时间是不同的，但是对于算法进行多少个基本操作（即花费多少时间单位）在规模数量级上却是相同的，由此可以忽略机器环境的影响而客观的反应算法的时间效率。
"""

# 3) 大O记法
"""
对于算法的时间性质和空间性质，最重要的是其数量级和趋势，这些是分析算法效率的主要部分。所以常数因子是可以忽略不记的，例如：3n^2和1000n^2数量级是相同的
"""

# 4）时间复杂度的考虑
"""
最好时间复杂度：价值不大
平均时间复杂度：没能准确衡量
最坏时间复杂度：提供了一种保证，表明算法在此种程度的基本操作中一定能完成工作。
"""

# 时间复杂度所消耗的时间从小到大
"""
O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)
"""

时间复杂度的几条基本计算规则

1. 基本操作，即只有常数项，认为其时间复杂度为O(1)
2. 顺序结构，时间复杂度按加法进行计算
3. 循环结构，时间复杂度按乘法进行计算
4. 分支结构，时间复杂度取最大值
5. 判断一个算法的效率时，往往只需要关注操作数量的最高次项，其他次项和常数项可以忽略
6. 在没有特殊说明时，我们所分析的算法时间复杂度都是指最坏时间复杂度

内置类型测试代码性能

# python内置模块timeit

数据结构

# 概念
"""
数据是一个抽象的概念，将其进行分类后得到程序设计语言中的基本类型。如：int，float，char等。数据元素之间不是独立的，存在特定的关系，这些关系便是结构。数据结构指数据对象中数据元素之间的关系。
"""

# 算法与数据结构的区别
"""
数据结构只是静态的描述了数据元素之间的关系。
高效的程序需要在数据结构的基础上设计和选择算法。
程序 = 数据结构 + 算法

总结：算法是为了解决实际问题而设计的，数据结构是算法需要处理的问题载体
"""

# 常见的数据运算有五种：
1.插入
2.删除
3.修改
4.查找
5.排序