python函數能否降低復雜度

㈠ python使用函數可以減小內存開支嗎

函數其實也就是封裝好的演算法代碼，因為一些常用函數都經過開發者，用戶的多次測試優化，在python的開源環境下更是如此，所以大多時候比新手開發者自己寫的方法內存性能都有提升，但針對不同的需求，自己寫新的演算法可能更優，並不絕對

㈡ python中將函數和變數封裝成類的好處

封裝成類的好處，總結歸納有2個：一個是保護隱私，一個是降低程序復雜度

㈢ python演算法設計的步驟有三步分別是

1. 弄清楚題目的意思，列出題目的輸入、輸出、約束條件
其中又一道題目是這樣的：「有一個mxn的矩陣，每一行從左到右是升序的，每一列從上到下是升序的。請實現一個函數，在矩陣中查找元素elem，找到則返回elem的位置。」題設只說了行和列是升序的，我在草稿紙上畫了一個3x4的矩陣，裡面的元素是1~12，於是我就想當然的認為矩陣的左上角是最小的元素，右下角是最大的元素。於是整個題目的思考方向就錯了。
2. 思考怎樣讓演算法的時間復雜度盡可能的小
繼續以上面的題目為例子。可以有如下幾種演算法：
a. 遍歷整個矩陣進行查找，那麼復雜度為O(m*n)；
b. 因為每一行是有序的，所以可以對每一行進行二分查找，復雜度為O(m*logn)。但是這樣只用到了行有序的性質。
c. 網上查了一下，最優的演算法是從矩陣的左下角開始，比較左下角的元素（假設為X）與elem的大小，如果elem比X大，那麼X所在的那一列元素就都被排除了，因為X是該列中最大的了，比X還大，那麼肯定比X上面的都大；如果elem比X小，那麼X所在的那一行就可以排除了，因為X是這一行里最小的了，比X還小那麼肯定比X右邊的都小。每迭代一次，矩陣的尺寸就縮小一行或一列。復雜度為O(max(m,n))。
可以先從復雜度較高的實現方法入手，然後再考慮如何利用題目的特定條件來降低復雜度。
3. 編寫偽代碼或代碼

㈣ 如何優化python 機器學習庫中的函數

def do_POST(self):
mpath,margs=urllib.splitquery(self.path)
datas = self.rfile.read(int(self.headers['content-length']))
self.do_action(mpath, datas)

def do_action(self, path, args):
self.outputtxt(path + args )

def outputtxt(self, content):
#指定返回編碼
enc = "UTF-8"
content = content.encode(enc)
f = io.BytesIO()
f.write(content)
f.seek(0)
self.send_response(200)
self.send_header("Content-type", "text/html; charset=%s" % enc)
self.send_header("Content-Length", str(len(content)))
self.end_headers()
shutil.fileobj(f,self.wfile)

㈤ 用python解決一個簡單的演算法問題，要求時間復雜度最小，並分析時間復雜度，給出代碼

比方找出前k個最大的數，建立一個最小堆，size為k, 先放前k個數到堆中。然後遍歷餘下的數（設為x），
如果x比堆頂的數大，則彈出堆頂，壓入x, 否則忽略。遍歷完後就找出了最大的k個數。

㈥ 使用python內建函數，如何分析復雜度

字典（dict）下列字典的平均情況基於以下假設： 1. 對象的散列函數足夠擼棒（robust），不會發生沖突。 2. 字典的鍵是從所有可能的鍵的集合中隨機選擇的。小竅門：只使用字元串作為字典的鍵。這么做雖然不會影響演算法的時間復雜度，但會對常數項產生顯著的影響，這決定了你的一段程序能多快跑完。操作平均情況最壞情況復制[注2]O(n)O(n)取元素O(1)O(n)更改元素[注1]O(1)O(n)刪除元素O(1)O(n)遍歷[注2]O(n)O(n) 註： [1] = These operations rely on the 「Amortized」 part of 「Amortized Worst Case」. Indivial actions may take surprisingly long, depending on the history of the container. [2] = For these operations, the worst case n is the maximum size the container ever achieved, rather than just the current size. For example, if N objects are added to a dictionary, then N-1 are deleted, the dictionary will still be sized for N objects (at least) until another insertion is made.

㈦ Python 適合大數據量的處理嗎

python可以處理大數據，python處理大數據不一定是最優的選擇。適合大數據處理。而不是大數據量處理。 如果大數據量處理，需要採用並用結構，比如在hadoop上使用python，或者是自己做的分布式處理框架。

python的優勢不在於運行效率，而在於開發效率和高可維護性。針對特定的問題挑選合適的工具，本身也是一項技術能力。

Python處理數據的優勢（不是處理大數據）：

1. 異常快捷的開發速度，代碼量巨少

2. 豐富的數據處理包，不管正則也好，html解析啦，xml解析啦，用起來非常方便

3. 內部類型使用成本巨低，不需要額外怎麼操作（java，c++用個map都很費勁）

4. 公司中，很大量的數據處理工作工作是不需要面對非常大的數據的

5. 巨大的數據不是語言所能解決的，需要處理數據的框架（hadoop， mpi）雖然小眾，但是python還是有處理大數據的框架的，或者一些框架也支持python。

(7)python函數能否降低復雜度擴展閱讀：

Python處理數據缺點：

Python處理大數據的劣勢：

1、python線程有gil，通俗說就是多線程的時候只能在一個核上跑，浪費了多核伺服器。在一種常見的場景下是要命的：並發單元之間有巨大的數據共享或者共用（例如大dict）。

多進程會導致內存吃緊，多線程則解決不了數據共享的問題，單獨的寫一個進程之間負責維護讀寫這個數據不僅效率不高而且麻煩

2、python執行效率不高，在處理大數據的時候，效率不高，這是真的，pypy（一個jit的python解釋器，可以理解成腳本語言加速執行的東西）能夠提高很大的速度，但是pypy不支持很多python經典的包，例如numpy。

3. 絕大部分的大公司，用java處理大數據不管是環境也好，積累也好，都會好很多。

參考資料來源：網路-Python

㈧ Python在程序設計中,函數的使用有哪些作用請具體闡述。

在所有編程語言中，函數的作用都是相似的
在開發程序的時候，某一段代碼需要執行很多次，為了提高編寫的效率以及代碼的復用，需要把這一段代碼封裝成一個模塊，這就是函數

㈨ 使用Python 會降低程序員的編程能力嗎

十年前，Pascal。我會精確計算每個數組和變數使用的內存，熟練地用非遞歸方法改寫程序，最短的時間內自己實現各種排序，多源最短路徑，求凸包和相鄰
點，動態規劃，二分圖匹配和網路流演算法等等等等，同時考慮演算法的最壞復雜度和最高項前邊的那個常數。現在，我一個都不記得了是的現在列舉這些名詞我就是在裝逼。
五
年前，C。我會自認為炫酷的使用函數指針，強制類型轉換，goto語句，宏來實現各種技巧（他喵的全是Linux
kernel害的）。我掙扎在多線程，多進程和各種鎖。我試著照ICC出來的匯編改程序。但你讓我不看書寫個紅黑樹出來我是做不到了。現在，你突然讓我寫
個C程序我得想一下語法。（所以這里我還是在裝逼。）
現在，Python。寫之前習慣性搜一下有沒有現成的庫。不會自己去實現圖的數據結構了，因為有NetworkX。不會自己去處理網路通信了，用Redis搞個發布訂閱機制或者乾脆實現個ReST服務都沒幾行代碼。多線程？Gevent搞非同步多簡單速度還比你快。
但是。
十年前我只能刷刷USACO和浙大同濟的Online Judge。AC是最高目標。
五年前我只能寫寫自己用的小軟體系統驅動什麼的，或者通宵寫個大作業。
現在我在研究用Evolutionary Optimisation在雲平台上調度Scientific Workflow。
會什麼和干什麼，你覺得哪個重要？
我
的意思並不是說因為用這些語言所以在干這些事兒，而是確確實實感覺到這些年自己的編程能力（或者說基本功，因為畢竟很多高級的技巧我也會的越來越多）在下
降，而且我認為這和我用的語言越來越高級是有一定關系的。當然語言和做的事之間完全沒什麼必然關系。但是以前的水平高又怎麼樣呢？做出來的不過是沒有人關
心的玩具罷了。即使能力值降低了，不過既然現在在做也可以做更有意義的事了，誰還關心跑分呢。

㈩ Python關於時間復雜度的問題（小白提問）

時間復雜度是不變的，O(n2)