我希望遍歷串列中的每三個元素。但是在考慮 Big-O 表示法時，Big-O 復雜度是 O(n)，其中 n 是串列中的元素數，還是 O(n/3) 每三個元素？
換句話說，即使我指定串列應該只在每三個元素上迭代一次，Python 是否仍然遍歷整個串列？
示例代碼：
def function(lst):
#iterating over every third list
for i in lst[2::3]:
pass
uj5u.com熱心網友回復：
使用 Big-O 表示法時，我們會忽略函式前面的任何標量倍數。這是因為該演算法仍然需要“線性時間”。我們這樣做是因為 Big-O 表示法考慮了演算法在擴展到大輸入時的行為。
這意味著演算法是否考慮串列的每個元素或每三個元素都無關緊要，時間復雜度仍然與輸入大小成線性比例。例如，如果輸入大小加倍，則無論您是查看每個元素還是每三個元素，執行時間都會加倍。
在數學上我們可以這樣說，因為定義中的 M 項（https://en.wikipedia.org/wiki/Big_O_notation）：
abs(f(x)) <= M * O(f(x))
uj5u.com熱心網友回復：
大 O 符號將在這里保持 O(n)。
考慮以下：
n = some big number
for i in range(n):
print(i)
print(i)
print(i)
做 3 個動作算作 O(3n) 還是 O(n)？在）。執行三個操作而不是一個操作會降低現實世界的性能嗎？絕對地！
Big O 表示法是關于查看函式的增長率，而不是關于物理運行時間。
考慮來自熊貓庫的以下內容：
# simple iteration O(n)
df = DataFrame([{a:4},{a:3},{a:2},{a:1}])
for row in df:
print(row["a"])
# iterrows iteration O(n)
for idx, row in df.iterrows():
print(row["a"])
# apply/lambda iteration O(n)
df.apply(lambda x: print(x["row"])
所有這些實作都可以被視為 O(n)（常量被洗掉），但這并不一定意味著運行時將相同。事實上，方法 3 應該比方法 1 快 800 倍左右（https://towardsdatascience.com/how-to-make-your-pandas-loop-71-803-times-faster-805030df4f06）！
另一個可能對您有幫助的答案：為什么常量總是從大 O 分析中洗掉？
轉載請註明出處，本文鏈接：https://www.uj5u.com/caozuo/367967.html