递 归
递归的定义：在数学和计算机科学中，递归是指在函数的定义中调用函数自身的方法。
递归举例：斐波那契数列。
>>> def fib(n): ... '''This is Fibonacci by Recursion''' ... if n == 0: # 函数结束的条件 ... return 0 ... elif n == 1: ... return 1 ... else: ... return fib(n-1) + fib(n-2) # 递归，定义函数的内部调用函数自身 ... >>> fib(10) 55
从上面的计算过程可以看出，每个递归的过程都是向着最初的已知条件(结束条件)方向挺近一步，直到通过这个最底层的条件得到结果，然后再一层一层向上回馈(返回)计算结果。
将上面的例子优化：
>>> m = {0:0, 1:1} # n=1和n=0的值已知，直接定义出来，省去每次的多个判断
>>> def fib(n):
... if not n in m:
... m[n] = fib(n-1) + fib(n-2)
... return m[n]
...
>>> fib(10)
55
递归的要素：
结束条件：满足条件时，函数调用结束，直接返回一个值，即有一个明确的递归结束条件，称为递归出口。
递归调用：包含一个或多个调用，这些调用旨在解决问题的一部分。
这里的关键是，通过一次次的分解问题，将问题分解为较小的部分，最终分解到结束条件。
递归的回溯与递推：
递推：像上边递归实现所拆解，递归每一次都是基于上一次进行下一次的执行，这叫递推；
回溯：则是在遇到终止条件，则从最后往回返，一级一级的把值返回，这叫回溯。
>>> lst =[1, 2, [3, [4, 5, 6, [7, 8, [9, 10, [11, 12, 13, [14, 15,[16,[17,]],19]]]]]]] >>> def search(lst): ... for item in lst: ... if type(item) is list: ... search(item) ... else: # 递归调用结束条件 ... print(item, end=' ') ... >>> search(lst) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 19
深刻理解：每次递归调用函数时，都将为这个递归调用的函数创建一个新的命名空间。各自的命名空间是相互独立的，每个递归函数在各自的命名空间内生存并依次按顺序执行；当执行到结束条件时，从结束的位置开始向前一次次的反馈(返回)并继续执行每个命名空间内剩余的部分。关键在于每次递归时都会创建各自相互独立的命名空间。
两个经典案例：阶乘和幂
阶乘：1的阶乘为1；
对于大于1的数字n，其阶乘为n-1的阶乘再乘以n。
>>> def func(n): ... if n == 1: ... return 1 ... return n * func(n-1) ... >>> func(5) 120
幂：对于任何数字x，power(x, 0)都为1；
n>0时，power(x, n)为power(x, n-1)与x的乘积。
>>> def func(n, m): ... if m == 0: ... return 1 ... if m < 0: ... return (1/n) * func(n, m+1) ... else: ... return n * func(n, m-1) ... >>> func(3, 3) 27 >>> func(3, 1) 3 >>> func(3, 0) 1 >>> func(3, -1) 0.3333333333333333 >>> func(3, -2) 0.1111111111111111 >>> func(3, -3) 0.037037037037037035
递归的特点：
必须有一个明确的结束条件；
每次进入更深一层递归时，问题的规模相比上次递归都应有所减少；
递归效率不高，递归层次太多，会导致栈溢出。在计算机中，函数调用是通过栈(stack)这种数据结构实现的。每当进入一个函数调用，栈就会增加一层栈帧；每当函数返回，栈就会减少一层栈帧。由于栈的大小不是无限的，所以递归调用次数过多，会导致栈溢出。
递归的优缺点:
优点：
递归使代码看起来更加整洁、优雅；
可以用递归将复杂任务分解成更简单的子问题；
使用递归比使用一些嵌套迭代更容易。
缺点:
递归的逻辑很难调试、跟进；
递归调用的代价高昂（效率低），因为占用了大量的内存和时间。
注意：Python3默认递归的深度不能超过997层。
尾递归调用优化：
在函数的最后一步进入递归调用。这样每层函数的调用就直接结束了，不会去等待下一次递归调用的返回值，这样每次执行完毕进入下一次后，就不会占用内存去保存当前层的状态，节省内存空间。
