技术标签: 2024年程序员学习 算法 python 开发语言
Map():创建一个空映射,返回空映射对象;
put(key, val):将key‐val关联对加入映射中,如果key已存在,将val替换旧关联值;
get(key):给定key,返回关联的数据值,如不存在,则返回None;
del:通过del map[key]的语句形式删除key‐val关联;
len():返回映射中key‐val关联的数目;
in:通过key in map的语句形式,返回key是否存在于关联中,布尔值
#我们用一个HashTable类来实现ADT Map,该类包含了两个列表作为成员
class HashTable:
def init (self):
self.size = 11
self.slots = [None]*self.size
self.data = [None]*self.size
def hashfunction(self, key):
return key% self.size
def rehash( self, oldhash):
return (oldhash+ 1)% self.size
def put(self,key,data):
hashvalue = self.hashfunction(key)
if self.slots [hashvalue] == None:
self.slots[hashvalue] = key
self.data [hashvalue] = data
else:
if self.slots [hashvalue] == key:
self.data[hashvalue] = data #replace
else:
nextslot = self.rehash(hashvalue)
while self.slots[nextslot] != None and self.slots [nextslot] != key:
nextslot = self.rehash(nextslot)
if self.slots [nextslot] == None:
self . slots[nextslot]=key
self . data [nextslot]=data
else:
self.data[nextslot] = data #replace
def get(self,key):
startslot = self.hashfunction(key) # 标记散列值为搜索起点
data = None
stop = False
found = False
position = startslot
while self.slots[position] != None and not found and not stop:
if self.slots[position] == key:
found = True
data = self . data[position]
else:
position=self.rehash( position) # 未找到key,再散列继续找
if position == startslot: # 回到起点 , 停
stop = True
return data
def getitem(self, key):
return self.get(key)
def setitem(self, key, data):
self.put(key, data)
H=HashTable()
H[54]=“cat”
H[26]= “dog”
H[93]=“lion”
H[17]=“tiger”
H[77]=“bird”
H[31]=“cow”
H[44]=“goat”
H[55]=“pig”
H[ 20]= “chicken”
print(H.slots)
print(H.data)
print(H[20])
print(H[17])
H[20]= ‘duck’
print(H[20])
print(H[99])
“”"
[77, 44, 55, 20, 26, 93, 17, None, None, 31, 54]
[‘bird’, ‘goat’, ‘pig’, ‘chicken’, ‘dog’, ‘lion’, ‘tiger’, None, None, ‘cow’, ‘cat’]
chicken
tiger
duck
None
“”"
❖ 散列在最好的情况下,可以提供O(1)常数级时间复杂度的搜索性能
由于散列冲突的存在,搜索比较次数就没有这么简单
❖ 评估散列冲突的最重要信息就是负载因子λ,
一般来说:
如果λ较小,散列冲突的几率就小,数据项通常会保存在其所属的散列槽中
如果λ较大,意味着散列表填充较满,冲突会越来越多,冲突解决也越复杂,也就需要更多的比较来找到空槽;如果采用数据链的话,意味着每条链上的数据项增多
❖ 如果采用线性探测的开放定址法来解决冲突(λ在0~1之间)
成功的搜索,平均需要比对次数为:0.5*(1 + 1/(1-λ)) 不成功的搜索,平均比对次数为: 0.5*(1 + 1/(1-λ)^2)
❖ 如果采用数据链来解决冲突(λ可大于1)
成功的搜索,平均需要比对次数为: 1 + λ/2
不成功的搜索,平均比对次数为: λ
================================================================
def bubbleSort(alist):
for passnum in range(len(alist)-1,0,-1):
for i in range(passnum):
if alist[i]>alist[i+1]:
temp = alist[i]
alist[i] = alist[i+1]
alist[i+1] = temp
alist = [54,26,93,17,77,31,44,55,20]
bubbleSort(alist)
print(alist)
“”"
❖ 关于交换次数,时间复杂度也是O(n^2),通常每次交换包括3次赋值
❖ 最好的情况是列表在排序前已经有序,交换次数为0
❖ 最差的情况是每次比对都要进行交换,交换次数等于比对次数
❖ 平均情况则是最差情况的一半
❖ 冒泡排序通常作为时间效率较差的排序算法,来作为其它算法的对比基准。
❖ 其效率主要差在每个数据项在找到其最终位置之前,必须要经过多次比对和交换,其中大部分的操作是无效的。
❖ 但有一点优势,就是无需任何额外的存储空间开销。
“”"
“”"
❖ 另外,通过监测每趟比对是否发生过交换,可以提前确定排序是否完成
❖ 这也是其它多数排序算法无法做到的
❖ 如果某趟比对没有发生任何交换,说明列表已经排好序,可以提前结束算法"
“”"
def shortBubbleSort(alist):
exchanges = True
passnum = len(alist)-1
while passnum > 0 and exchanges:
exchanges = False
for i in range(passnum):
if alist[i]>alist[i+1]:
exchanges = True
temp = alist[i]
alist[i] = alist[i+1]
alist[i+1] = temp
passnum = passnum - 1
alist=[20,30,40,90,50, 60,70, 80, 100,110]
shortBubbleSort(alist)
print(alist)
“”"
❖ 选择排序对冒泡排序进行了改进,保留了其基本的多趟比对思路,每趟都使当前最大项就位。
❖ 但选择排序对交换进行了削减,相比起冒泡排序进行多次交换,每趟仅进行1次交换,记录最大项的所在位置,最后再跟本趟最后一项交换
❖ 选择排序的时间复杂度比冒泡排序稍优
比对次数不变,还是O(n2)
交换次数则减少为O(n)
“”"
def selectionSort(alist):
for fillslot in range(len(alist)-1,0,-1):
positionOfMax=0
for location in range(1, fillslot+1):
if alist[location]>alist[positionOfMax]:
positionOfMax = location
temp = alist[fillslot]
alist[fillslot] = alist[positionOfMax]
alist[positionOfMax] = temp
alist = [54,26,93,17,77,31,44,55,20]
selectionSort(alist)
print(alist)
“”"
❖ 第1趟,子列表仅包含第1个数据项,将第2个数据项作为“新项” 插入到子列表的合适位置中,这样已排序的子列表就包含了2个数据项
❖ 第2趟,再继续将第3个数据项跟前2个数据项比对,并移动比自身大的数据项,空出位置来,以便加入到子列表中
❖ 经过n-1趟比对和插入,子列表扩展到全表,排序完成
❖ 插入排序的比对主要用来寻找“新项” 的插入位置
❖ 最差情况是每趟都与子列表中所有项进行比对,总比对次数与冒泡排序相同,数量级仍是O(n2)
❖ 最好情况,列表已经排好序的时候,每趟仅需1次比对,总次数是O(n)
“”"
def insertionSort(alist):
for index in range(1,len(alist)):
currentvalue = alist[index] #新项/插入项
position = index
while position>0 and alist[position-1]>currentvalue:
alist[position]=alist[position-1]
position = position-1 # 比对、移动
alist[position]=currentvalue # 插入新项
alist = [54,26,93,17,77,31,44,55,20]
insertionSort(alist)
print(alist)
我们注意到插入排序的比对次数,在最好的情况下是O(n),这种情况发生在列表已是有序的情况下,实际上, 列表越接近有序,插入排序的比对次数就越少
从这个情况入手,谢尔排序以插入排序作为基础,对无序表进行“间隔” 划分子列表,每个子列表都执行插入排序
随着子列表的数量越来越少,无序表的整体越来越接近有序,从而减少整体排序的比对次数
间隔为3的子列表,子列表分别插入排序后的整体状况更接近有序
最后一趟是标准的插入排序,但由于前面几趟已经将列表处理到接近有序,这一趟仅需少数几次移动即可完成
子列表的间隔一般从n/2开始,每趟倍增: n/4, n/8…… 直到1
def shellSort(alist):
sublistcount = len(alist)//2 # 间隔设定
while sublistcount > 0:
for startposition in range(sublistcount): # 子列表排序
gapInsertionSort(alist , startposition, sublistcount)
print(“After increments of size” , sublistcount ,“The list is”,alist)
sublistcount = sublistcount // 2 # 间隔缩小
def gapInsertionSort (alist,start,gap):
for i in range(start+gap,len(alist),gap):
currentvalue = alist[i]
position = i
while position>=gap and alist [position-gap]>currentvalue:
alist[position]=alist [position-gap]
position = position-gap
alist[position]=currentvalue
alist = [54,26,93,17,77,31,44,55,20]
shellSort(alist)
“”"
After increments of size 4 The list is [20, 26, 44, 17, 54, 31, 93, 55, 77]
After increments of size 2 The list is [20, 17, 44, 26, 54, 31, 77, 55, 93]
After increments of size 1 The list is [17, 20, 26, 31, 44, 54, 55, 77, 93]
“”"
粗看上去,谢尔排序以插入排序为基础,可能并不会比插入排序好
但由于每趟都使得列表更加接近有序,这过程会减少很多原先需要的“无效” 比对
对谢尔排序的详尽分析比较复杂,大致说是介于O(n)和O(n2)之间
分治策略在排序中的应用
归并排序是递归算法,思路是将数据表持续分裂为两半,对两半分别进行归并排序
递归的基本结束条件是:数据表仅有1个数据项,自然是排好序的;
缩小规模:将数据表分裂为相等的两半,规模减为原来的二分之一;
调用自身:将两半分别调用自身排序,然后将分别排好序的两半进行
def mergeSort(alist):
if len(alist)>1:# 基本结束条件
mid = len(alist)//2
lefthalf = alist[ :mid]
righthalf = alist[mid:]
mergeSort(lefthalf) # 递归调用
mergeSort(righthalf)
i=j=k=0
while i<len(lefthalf) and j<len(righthalf):#拉链式交错把左右半部从小到大归并到结果列表中
if lefthalf[i]<righthalf[j]:
alist[k]=lefthalf[i]
i=i+1
else:
alist[k]=righthalf[j]
j=j+1
k=k+1
while i<len(lefthalf):#归并左半部剩余项
alist[k]=lefthalf[i]
i=i+1
k=k+1
while j<len(righthalf):#归并右半部剩余项
alist[k]=righthalf[j]
j=j+1
k=k+1
alist = [54,26,93,17,77,31,44,55,20]
mergeSort(alist)
print(alist)
def merge_sort(lst):
#递归结束条件
if len(lst) <= 1:
return lst
#分解问题,并递归调用
middle = len(lst) // 2
left = merge_sort(lst[:middle]) #左半部排好序
right = merge_sort(lst[middle:]) # 右半部排好序
#合并左右半部,完成排序
merged = []
while left and right :
if left[0] <= right[0]:
merged. append(left.pop(0))
else:
merged. append(right . pop(0))
merged.extend(right if right else left)
return merged
alist = [54,26,93,17,77,31,44,55,20]
print(merge_sort(alist))
❖ 将归并排序分为两个过程来分析: 分裂和归并
❖ 分裂的过程,借鉴二分搜索中的分析结果,是对数复杂度,时间复杂度为O(log n)
❖ 归并的过程,相对于分裂的每个部分,其所有数据项都会被比较和放置一次,所以是线性复杂度,其时间复杂度是O(n)
综合考虑,每次分裂的部分都进行一次O(n)的数据项归并,总的时间复杂度是O(nlog n)
❖ 最后,我们还是注意到两个切片操作为了时间复杂度分析精确起见,可以通过取消切片操作,
改为传递两个分裂部分的起始点和终止点,也是没问题的,只是算法可读性稍微牺牲一点点。
❖ 我们注意到归并排序算法使用了额外1倍的存储空间用于归并 ,这个特性在对特大数据集进行排序的时候要考虑进去
如果希望这两半拥有相等数量的数据项,则应该找到数据表的“ 中位数”
但找中位数需要计算开销!要想没有开销,只能随意找一个数来充当“ 中值”
比如,第1个数。
❖ 基本结束条件:数据表仅有1个数据项,自然是排好序的
❖ 缩小规模:根据“中值” ,将数据表分为两半,最好情况是相等规模的两半
❖ 调用自身:将两半分别调用自身进行排序
(排序基本操作在分裂过程中)
“”"
❖ 分裂数据表的目标:找到“中值” 的位置
❖ 分裂数据表的手段
设置左右标(left/rightmark)
左标向右移动,右标向左移动
• 左标一直向右移动,碰到比中值大的就停止
• 右标一直向左移动,碰到比中值小的就停止
• 然后把左右标所指的数据项交换
继续移动,直到左标移到右标的右侧,停止移动
这时右标所指位置就是“ 中值” 应处的位置
将中值和这个位置交换
分裂完成,左半部比中值小,右半部比中值大
“”"
def quickSort(alist):
quickSortHelper(alist,0,len(alist)-1)
def quickSortHelper(alist, first,last):
if first<last: #基本结束条件
splitpoint = partition(alist, first,last)# 分裂
quickSortHelper(alist , first , splitpoint-1)#递归调用
quickSortHelper( alist , splitpoint+1,last)
def partition(alist, first, last):
pivotvalue = alist[first] #选定“中值"
leftmark = first + 1 #左右标初值
rightmark = last
done = False
while not done:
while leftmark <= rightmark and alist[leftmark] <= pivotvalue:
leftmark = leftmark + 1 #向右移动左标
while alist[rightmark] >= pivotvalue and rightmark >= leftmark:
rightmark = rightmark - 1 #向左移动右标
if rightmark < leftmark: #两标相错就结束移动
done = True
else: #左右标的值交换
temp = alist[leftmark]
alist[leftmark] = alist[rightmark]
alist[rightmark] = temp
temp = alist[first] #中值就位
alist[first] = alist[rightmark]
alist[rightmark] = temp
return rightmark # 中值点,也是分裂点
alist = [54, 26, 93, 17, 77, 31, 44, 55, 20]
quickSort(alist)
print(alist)
❖ 快速排序过程分为两部分: 分裂和移动
如果分裂总能把数据表分为相等的两部分,那么就是O(logn)的复杂度;
而移动需要将每项都与中值进行比对,还是O(n)
❖ 综合起来就是O(nlog n);
❖ 而且,算法运行过程中不需要额外的存储空间。
❖ 但是,如果不那么幸运的话,中值所在的分裂点过于偏离中部,造成左右两部分数量不平衡
❖ 极端情况,有一部分始终没有数据,这样时间复杂度就退化到O(n2)
还要加上递归调用的开销(比冒泡排序还糟糕)
❖ 可以适当改进下中值的选取方法,让中值更具有代表性
比如“ 三点取样” ,从数据表的头、尾、中间选出中值
会产生额外计算开销,仍然不能排除极端情况
=====================================================================
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
47b8a67243c1008edf79.png)
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
[外链图片转存中…(img-8CGP3nFa-1712707252340)]
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
[外链图片转存中…(img-seOBt00Z-1712707252340)]
文章浏览阅读2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数