基于执行时间的时间复杂度经验估计
big_O的Python项目详细描述
===
big_o
=
big_o是一个python模块，用于根据其执行时间估算python代码的时间复杂性。它可用于分析函数如何随着输入大小的增加而扩展。
big撸o对大小为"n"的输入执行python函数，并测量其执行时间。从测量结果来看，big_o适合一组时间复杂度
的类，并返回最适合的类。这是计算"big-o"中函数渐近类的经验方法。表示法。（严格地说，我们是在经验计算大θ类。）
>；定义查找最大值（x）：
…""在正整数列表中查找最大元素。""
…最大值=0
…对于x中的el:
…如果el>；最大值：
…最大值=el
…返回max_
…
，10000）
>；>；best，others=big_o.big_o（find_max，正整数发生器，n_repeats=100）
>；>；print（best）
线性：time=-0.00035+2.7e-06*n（sec）
"big_o"推断"find_max"函数的渐近行为为
线性，并返回n对象，包含
复杂度类的拟合系数。第二个返回参数"others"包含所有fitted类的字典
，其中fit的残差作为键：
>；>；对于class_u，残差位于others.items（）：
…打印（{！s:<；60s}（res:{.2g}）。格式（类残差））
…
指数：时间=-5*4.6e-05^n（秒）（res:15）
线性：时间=-0.00035+2.7e-06*n（秒）（res:6.3e-05）
二次：时间=0.046+2.4e-11*n^2（秒）（res:0.0056）
线性度：时间=0.0061+2.3e-07*n*log（n）（秒）（res:0.00016）
立方：时间=0.067+2.3e-16*n^3（秒）（res:0.013）
对数：时间=-0.2+0.033*log（n）（秒）（res:0.03）
常数：time=0.13（秒）（res:0.071）
多项式：time=-13*x^0.98（秒）（res:0.0056）
或者简单地返回n（`datagen.n`），以及返回长度为n
（`datagen.integers`）的随机整数列表的数据
生成器。
-`big\u.complexties`：此子模块定义适合执行时间的复杂度类。除非您想定义新类，否则不需要担心它。
rs（n，10000，50000））
（位于0x031da9d0>；处的大o.complexties.linearithmic对象，…）
在列表开头插入元素是o（n）：
>lst.insert（0，0）
…
>；>print（big_o.big_o（insert_0，big_o.datagen.range_n，n_measures=100）[0]）
线性：时间=-4.2e-06+7.9e-10*n（秒）
定义插入队列（队列）：
…队列。插入（0，0）
…
>；>>定义队列生成器（n）：
…return deque（range（n））
…
>>>gt>gt；print（big_o.big_o.big_o（insert_0_队列，队列发生器，n_度量值=100[0 0]）
常量：time=2.2e-06（sec）
`numpy示例
>>
>>>>
>
>
>>
（<；class'big_o.big_o.big o.o.线性大O.linear'gt；，…）
>>
-`numpy.empty`而只分配内存，因此O（1）：
>>>>br>>>>>gt；big大O大O大O大O大O大O（NP.empt，big_o.o大O大O大O大O大O大O大O大O大O大O大O大O大O大O大O大O大.datagen.n_u，最大值n=100000，n_repeats=100）
（<；class"big_o.big_o.constant">；…）
其他示例
----
我们可以比较不同fibonacci数实现的估计时间复杂度。原始实现是指数o（2^n）。因为这个
实现非常低效，我们将减少测试的最大n:
>；>；def fib_u naive（n）：
…如果n<；0:
…返回-1
…如果n<；2:
…返回n
…return-fib-naive（n-1）+fib-naive（n-2）
…
>gt>gt>gt；打印（big_o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o u u u u n，n重复次数=20，min_n=2，max_n=25[0]）
指数：时间=-11*0.47^n（sec）
>寻找斐波纳契数的更高效的实现方法涉及使用动态规划和线性规划，动态规划（n）：
>br/>
>；>；定义光纤dp（n）：
…如果n<；0:
…返回-1
…如果n<；2:
…返回n
…A=0
…B=1
…对于范围（2，n+1）内的i：
…a，b=b，a+b
…返回b
…
>；>print（big_o.big_o（fib_dp，big_o.datagen.n_，n_repeats=100，min_n=200，max_n=1000）[0]）
线性：时间=-1.8e-06+7.3e-06*n（秒）
license
----
big_o在bsd-3下发布。参见license.txt.
版权所有（C）2011-2018，Pietro Berkes。保留所有权利。
big_o
=
big_o是一个python模块，用于根据其执行时间估算python代码的时间复杂性。它可用于分析函数如何随着输入大小的增加而扩展。
big撸o对大小为"n"的输入执行python函数，并测量其执行时间。从测量结果来看，big_o适合一组时间复杂度
的类，并返回最适合的类。这是计算"big-o"中函数渐近类的经验方法。表示法。（严格地说，我们是在经验计算大θ类。）
>；定义查找最大值（x）：
…""在正整数列表中查找最大元素。""
…最大值=0
…对于x中的el:
…如果el>；最大值：
…最大值=el
…返回max_
…
，10000）
>；>；best，others=big_o.big_o（find_max，正整数发生器，n_repeats=100）
>；>；print（best）
线性：time=-0.00035+2.7e-06*n（sec）
"big_o"推断"find_max"函数的渐近行为为
线性，并返回n对象，包含
复杂度类的拟合系数。第二个返回参数"others"包含所有fitted类的字典
，其中fit的残差作为键：
>；>；对于class_u，残差位于others.items（）：
…打印（{！s:<；60s}（res:{.2g}）。格式（类残差））
…
指数：时间=-5*4.6e-05^n（秒）（res:15）
线性：时间=-0.00035+2.7e-06*n（秒）（res:6.3e-05）
二次：时间=0.046+2.4e-11*n^2（秒）（res:0.0056）
线性度：时间=0.0061+2.3e-07*n*log（n）（秒）（res:0.00016）
立方：时间=0.067+2.3e-16*n^3（秒）（res:0.013）
对数：时间=-0.2+0.033*log（n）（秒）（res:0.03）
常数：time=0.13（秒）（res:0.071）
多项式：time=-13*x^0.98（秒）（res:0.0056）
或者简单地返回n（`datagen.n`），以及返回长度为n
（`datagen.integers`）的随机整数列表的数据
生成器。
-`big\u.complexties`：此子模块定义适合执行时间的复杂度类。除非您想定义新类，否则不需要担心它。
rs（n，10000，50000））
（位于0x031da9d0>；处的大o.complexties.linearithmic对象，…）
在列表开头插入元素是o（n）：
>lst.insert（0，0）
…
>；>print（big_o.big_o（insert_0，big_o.datagen.range_n，n_measures=100）[0]）
线性：时间=-4.2e-06+7.9e-10*n（秒）
定义插入队列（队列）：
…队列。插入（0，0）
…
>；>>定义队列生成器（n）：
…return deque（range（n））
…
>>>gt>gt；print（big_o.big_o.big_o（insert_0_队列，队列发生器，n_度量值=100[0 0]）
常量：time=2.2e-06（sec）
`numpy示例
>>
>>>>
>
>
>>
（<；class'big_o.big_o.big o.o.线性大O.linear'gt；，…）
>>
-`numpy.empty`而只分配内存，因此O（1）：
>>>>br>>>>>gt；big大O大O大O大O大O大O（NP.empt，big_o.o大O大O大O大O大O大O大O大O大O大O大O大O大O大O大O大O大.datagen.n_u，最大值n=100000，n_repeats=100）
（<；class"big_o.big_o.constant">；…）
其他示例
----
我们可以比较不同fibonacci数实现的估计时间复杂度。原始实现是指数o（2^n）。因为这个
实现非常低效，我们将减少测试的最大n:
>；>；def fib_u naive（n）：
…如果n<；0:
…返回-1
…如果n<；2:
…返回n
…return-fib-naive（n-1）+fib-naive（n-2）
…
>gt>gt>gt；打印（big_o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o u u u u n，n重复次数=20，min_n=2，max_n=25[0]）
指数：时间=-11*0.47^n（sec）
>寻找斐波纳契数的更高效的实现方法涉及使用动态规划和线性规划，动态规划（n）：
>br/>
>；>；定义光纤dp（n）：
…如果n<；0:
…返回-1
…如果n<；2:
…返回n
…A=0
…B=1
…对于范围（2，n+1）内的i：
…a，b=b，a+b
…返回b
…
>；>print（big_o.big_o（fib_dp，big_o.datagen.n_，n_repeats=100，min_n=200，max_n=1000）[0]）
线性：时间=-1.8e-06+7.3e-06*n（秒）
license
----
big_o在bsd-3下发布。参见license.txt.
版权所有（C）2011-2018，Pietro Berkes。保留所有权利。
欢迎加入QQ群-->： 979659372
