python函数能否降低复杂度

㈠ python使用函数可以减小内存开支吗

函数其实也就是封装好的算法代码，因为一些常用函数都经过开发者，用户的多次测试优化，在python的开源环境下更是如此，所以大多时候比新手开发者自己写的方法内存性能都有提升，但针对不同的需求，自己写新的算法可能更优，并不绝对

㈡ python中将函数和变量封装成类的好处

封装成类的好处，总结归纳有2个：一个是保护隐私，一个是降低程序复杂度

㈢ python算法设计的步骤有三步分别是

1. 弄清楚题目的意思，列出题目的输入、输出、约束条件
其中又一道题目是这样的：“有一个mxn的矩阵，每一行从左到右是升序的，每一列从上到下是升序的。请实现一个函数，在矩阵中查找元素elem，找到则返回elem的位置。”题设只说了行和列是升序的，我在草稿纸上画了一个3x4的矩阵，里面的元素是1~12，于是我就想当然的认为矩阵的左上角是最小的元素，右下角是最大的元素。于是整个题目的思考方向就错了。
2. 思考怎样让算法的时间复杂度尽可能的小
继续以上面的题目为例子。可以有如下几种算法：
a. 遍历整个矩阵进行查找，那么复杂度为O(m*n)；
b. 因为每一行是有序的，所以可以对每一行进行二分查找，复杂度为O(m*logn)。但是这样只用到了行有序的性质。
c. 网上查了一下，最优的算法是从矩阵的左下角开始，比较左下角的元素（假设为X）与elem的大小，如果elem比X大，那么X所在的那一列元素就都被排除了，因为X是该列中最大的了，比X还大，那么肯定比X上面的都大；如果elem比X小，那么X所在的那一行就可以排除了，因为X是这一行里最小的了，比X还小那么肯定比X右边的都小。每迭代一次，矩阵的尺寸就缩小一行或一列。复杂度为O(max(m,n))。
可以先从复杂度较高的实现方法入手，然后再考虑如何利用题目的特定条件来降低复杂度。
3. 编写伪代码或代码

㈣ 如何优化python 机器学习库中的函数

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):
#指定返回编码
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解决一个简单的算法问题，要求时间复杂度最小，并分析时间复杂度，给出代码

比方找出前k个最大的数，建立一个最小堆，size为k, 先放前k个数到堆中。然后遍历余下的数（设为x），
如果x比堆顶的数大，则弹出堆顶，压入x, 否则忽略。遍历完后就找出了最大的k个数。

㈥ 使用python内建函数，如何分析复杂度

字典（dict）下列字典的平均情况基于以下假设： 1. 对象的散列函数足够撸棒（robust），不会发生冲突。 2. 字典的键是从所有可能的键的集合中随机选择的。小窍门：只使用字符串作为字典的键。这么做虽然不会影响算法的时间复杂度，但会对常数项产生显着的影响，这决定了你的一段程序能多快跑完。操作平均情况最坏情况复制[注2]O(n)O(n)取元素O(1)O(n)更改元素[注1]O(1)O(n)删除元素O(1)O(n)遍历[注2]O(n)O(n) 注： [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 适合大数据量的处理吗

python可以处理大数据，python处理大数据不一定是最优的选择。适合大数据处理。而不是大数据量处理。 如果大数据量处理，需要采用并用结构，比如在hadoop上使用python，或者是自己做的分布式处理框架。

python的优势不在于运行效率，而在于开发效率和高可维护性。针对特定的问题挑选合适的工具，本身也是一项技术能力。

Python处理数据的优势（不是处理大数据）：

1. 异常快捷的开发速度，代码量巨少

2. 丰富的数据处理包，不管正则也好，html解析啦，xml解析啦，用起来非常方便

3. 内部类型使用成本巨低，不需要额外怎么操作（java，c++用个map都很费劲）

4. 公司中，很大量的数据处理工作工作是不需要面对非常大的数据的

5. 巨大的数据不是语言所能解决的，需要处理数据的框架（hadoop， mpi）虽然小众，但是python还是有处理大数据的框架的，或者一些框架也支持python。

(7)python函数能否降低复杂度扩展阅读：

Python处理数据缺点：

Python处理大数据的劣势：

1、python线程有gil，通俗说就是多线程的时候只能在一个核上跑，浪费了多核服务器。在一种常见的场景下是要命的：并发单元之间有巨大的数据共享或者共用（例如大dict）。

多进程会导致内存吃紧，多线程则解决不了数据共享的问题，单独的写一个进程之间负责维护读写这个数据不仅效率不高而且麻烦

2、python执行效率不高，在处理大数据的时候，效率不高，这是真的，pypy（一个jit的python解释器，可以理解成脚本语言加速执行的东西）能够提高很大的速度，但是pypy不支持很多python经典的包，例如numpy。

3. 绝大部分的大公司，用java处理大数据不管是环境也好，积累也好，都会好很多。

参考资料来源：网络-Python

㈧ Python在程序设计中,函数的使用有哪些作用请具体阐述。

在所有编程语言中，函数的作用都是相似的
在开发程序的时候，某一段代码需要执行很多次，为了提高编写的效率以及代码的复用，需要把这一段代码封装成一个模块，这就是函数

㈨ 使用Python 会降低程序员的编程能力吗

十年前，Pascal。我会精确计算每个数组和变量使用的内存，熟练地用非递归方法改写程序，最短的时间内自己实现各种排序，多源最短路径，求凸包和相邻
点，动态规划，二分图匹配和网络流算法等等等等，同时考虑算法的最坏复杂度和最高项前边的那个常数。现在，我一个都不记得了是的现在列举这些名词我就是在装逼。
五
年前，C。我会自认为炫酷的使用函数指针，强制类型转换，goto语句，宏来实现各种技巧（他喵的全是Linux
kernel害的）。我挣扎在多线程，多进程和各种锁。我试着照ICC出来的汇编改程序。但你让我不看书写个红黑树出来我是做不到了。现在，你突然让我写
个C程序我得想一下语法。（所以这里我还是在装逼。）
现在，Python。写之前习惯性搜一下有没有现成的库。不会自己去实现图的数据结构了，因为有NetworkX。不会自己去处理网络通信了，用Redis搞个发布订阅机制或者干脆实现个ReST服务都没几行代码。多线程？Gevent搞异步多简单速度还比你快。
但是。
十年前我只能刷刷USACO和浙大同济的Online Judge。AC是最高目标。
五年前我只能写写自己用的小软件系统驱动什么的，或者通宵写个大作业。
现在我在研究用Evolutionary Optimisation在云平台上调度Scientific Workflow。
会什么和干什么，你觉得哪个重要？
我
的意思并不是说因为用这些语言所以在干这些事儿，而是确确实实感觉到这些年自己的编程能力（或者说基本功，因为毕竟很多高级的技巧我也会的越来越多）在下
降，而且我认为这和我用的语言越来越高级是有一定关系的。当然语言和做的事之间完全没什么必然关系。但是以前的水平高又怎么样呢？做出来的不过是没有人关
心的玩具罢了。即使能力值降低了，不过既然现在在做也可以做更有意义的事了，谁还关心跑分呢。

㈩ Python关于时间复杂度的问题（小白提问）

时间复杂度是不变的，O(n2)