有哪些用Python語言講算法和數(shù)據(jù)結(jié)構(gòu)的書？《用Python解決數(shù)據(jù)結(jié)構(gòu)與算法問題》，一本免費的算法書，強烈推薦。學習Python語法和API是遠遠不夠的。掌握算法和數(shù)據(jù)結(jié)構(gòu)這些永不過時的核心技能，

有哪些用Python語言講算法和數(shù)據(jù)結(jié)構(gòu)的書？

《用Python解決數(shù)據(jù)結(jié)構(gòu)與算法問題》，一本免費的算法書，強烈推薦。學習Python語法和API是遠遠不夠的。掌握算法和數(shù)據(jù)結(jié)構(gòu)這些永不過時的核心技能，是決定一個程序員的關(guān)鍵因素。;的職業(yè)發(fā)展。算法和數(shù)據(jù)結(jié)構(gòu)對于職業(yè)程序員來說非常重要。對于同一個問題，不同算法的效率千差萬別。問題規(guī)模小的時候你可能感覺不到，但是一旦數(shù)據(jù)上升到TB級別，兩者的差距就像西瓜和芝麻的區(qū)別。

舉個簡單的例子:我們要計算前n個整數(shù)的和，你想到的第一個算法可能是迭代。代碼很直觀，初學者也能讀懂，就是從1到n，得到最后的結(jié)果。這個算法的效率隨著n的增加而變化，時間復雜度為O(n)，線性時間大O表示最壞情況下的運行時間。

試想，當這個數(shù)字足夠大的時候，花費的時間將是不可估量的。當然，比線性時間差的算法還有很多。當然最后還是有一個理想的算法，就是恒水平，O(1)恒水平復雜度。也就是說，程序的運行時間與要處理的數(shù)據(jù)大小無關(guān)。

如果前n個整數(shù)的和是用數(shù)學方程而不是迭代計算的，其復雜度為O(1)。很榮幸回答你的問題。以下是這本書的目錄。希望對你有幫助！

如何理解Python中的集合和字典？

字典和集合是高度優(yōu)化的數(shù)據(jù)結(jié)構(gòu)，特別是對于查找、添加和刪除操作。本節(jié)將通過示例介紹它們在特定場景中的性能，并將它們與列表等其他數(shù)據(jù)結(jié)構(gòu)進行比較。

例如，有一個存儲產(chǎn)品信息(產(chǎn)品ID、名稱和價格)的列表，現(xiàn)在的需求是借助產(chǎn)品ID找出價格。實現(xiàn)代碼如下:

定義查找_產(chǎn)品_價格(產(chǎn)品，product_id):

對于身份證，價格在products:

如果我是product_id:

退貨價格

不返回

產(chǎn)品[

(111, 100),

(222, 30),

(333, 150)

]

打印(產(chǎn)品222的價格是{}。格式(find_product_price(products，222)))

運行結(jié)果如下:

產(chǎn)品222的價格是30英鎊

在上述程序的基礎(chǔ)上，如果鏈表有n個元素，因為檢查搜索過程需要遍歷列表，所以最壞情況下的時間復雜度是O(n)。即使先對列表進行排序，再使用二分搜索法算法，也要O(logn)時間復雜度，更不用說O(nlogn)時間對列表進行排序了。

但是如果用字典來存儲這些數(shù)據(jù)，那么查找會非常方便高效，而且可以用O(1)的時間復雜度來完成，因為不需要遍歷字典，直接通過鍵的哈希值就可以找到對應的值。實現(xiàn)代碼如下:

產(chǎn)品{

111: 100，

222: 30，

333: 150

}

打印(產(chǎn)品222的價格是{}。格式(產(chǎn)品[222])

運行結(jié)果如下:

產(chǎn)品222的價格是30英鎊

有些讀者可能對時間復雜性沒有直觀的理解。它不 沒關(guān)系。我再給你舉個例子。在下面的代碼中，初始化100，000個元素的產(chǎn)品，分別計算使用list和set統(tǒng)計產(chǎn)品價格數(shù)量的運行時間:

#統(tǒng)計時間需要使用時間模塊中的函數(shù)，就知道了。

導入時間

def find_unique_price_using_list(products):

唯一價格列表[]

對于_，products:的價格# A

如果價格不在unique_pric: # B

唯一價格(價格)

return len(唯一價格列表)

id[范圍(0，100000)中x的x]

價格[x對x，在范圍(200000，300000)內(nèi)]

產(chǎn)品列表(郵政編碼(id，價格))

#計算列表版本的時間

start_using_list _counter()

查找_唯一_價格_使用_列表(產(chǎn)品)

end_using_list _count: { }打印(經(jīng)過的時間)。格式(end_using_list - start_using_list))

#使用集合做同樣的工作

def find_unique_price_using_set(products):

unique_price_set集合()

對于_，products:的價格

唯一價格(價格)

return len(唯一價格集)

#計算集合版本的時間

啟動使用設(shè)置計數(shù)器()

查找_唯一_價格_使用_集合(產(chǎn)品)

end_using_set _count: { }打印(經(jīng)過的時間)。格式(結(jié)束使用設(shè)置-開始使用設(shè)置)

運行結(jié)果如下:

使用list: 68的時間流逝。56866 . 66666666667

使用s: 0.01表示時間流逝。58660.08888888861

可見兩者在只有10萬條數(shù)據(jù)的情況下，速度相差如此之大。而企業(yè)的后臺數(shù)據(jù)往往是幾億甚至幾十億的量級。因此，如果使用不合適的數(shù)據(jù)結(jié)構(gòu)，很容易導致服務器崩潰，不僅影響用戶體驗，還會給公司帶來巨大的財產(chǎn)損失。

那么，為什么字典和收藏的效率如此之高，尤其是查找、插入和刪除的操作？

字典和收藏的工作原理。

字典和集合的效率與其內(nèi)部數(shù)據(jù)結(jié)構(gòu)密切相關(guān)。與其他數(shù)據(jù)結(jié)構(gòu)不同，字典和集合的內(nèi)部結(jié)構(gòu)是哈希表:

對于字典來說，這個表存儲三個元素:散列、鍵和值。

對于集合，哈希表中只存儲一個元素。

對于以前版本的Python，其哈希表結(jié)構(gòu)如下:

|哈希值(哈希)鍵值(值)

。|...

0 |哈希0鍵0值0

。|...

1 | hash1 k:·邁克，多比科 1999-01-01，g:男}

然后，它將以類似于下面的形式存儲:

條目[

[ - , - , - ]

[-230273521，出生日期，1999年1月1日]，

[ - , - , - ],

[ - , - , - ],

[1231236123，姓名，邁克]，

[ - , - , - ],

[9371539127，性別，男]

]

顯然，這是對存儲空間的極大浪費。為了提高存儲空間的利用率，目前的哈希表除了字典本身的結(jié)構(gòu)之外，還會將索引與哈希值、鍵和值分開，就是下面這種結(jié)構(gòu):

指數(shù)

-

無|索引|無|無|索引|無|索引...

-

進入

-

哈希0鍵0值0

-

hash1 key1值1

-

hash2鍵2值2

-

...

-

在此基礎(chǔ)上，上述字典在新哈希表結(jié)構(gòu)下的存儲形式為:

索引[無，1，無，無，0，無，2]

條目[

[1231236123，姓名，邁克]，

[-230273521，出生日期，1999年1月1日]，

[9371539127，性別，男]

]

通過對比可以發(fā)現(xiàn)，空間利用率有了很大的提高。

明確具體的設(shè)計結(jié)構(gòu)，然后分析如何使用哈希表完成數(shù)據(jù)的插入、查找和刪除。

哈希表插入數(shù)據(jù)

在向字典中插入數(shù)據(jù)時，Python會先根據(jù)鍵(通過hash(key)函數(shù))計算出相應的哈希值，而在向集合中插入數(shù)據(jù)時，Python會根據(jù)元素本身(通過hash (value)函數(shù))計算出相應的哈希值。

例如:

dic {nam:1}

打印(哈希(名稱))

s《哈希表詳解》一節(jié)中詳細了解。

哈希表查找數(shù)據(jù)

在哈希表中查找數(shù)據(jù)類似于插入操作。Python會根據(jù)哈希值找到元素在哈希表中應該存放的位置，然后將其哈希值和key與該位置的元素進行比較(集合直接比較元素值):

如果它們相等，就證明找到了；

另一方面證明了元素存儲的時候遇到了哈希，需要繼續(xù)用原來的方法解決哈希，直到找到元素或者找到空位。

這里發(fā)現(xiàn)的空白意味著目標元素沒有存儲在哈希表中。

哈希表刪除元素

對于刪除操作，Python會臨時給這個位置的元素賦一個特殊值，然后在哈希表調(diào)整大小時刪除它。

應該注意的是，哈希的發(fā)生通常會降低字典和集合操作的速度。因此，為了保證其效率，集合中的字典和哈希表通常會保證至少留有1/3的剩余空間。隨著元素的不斷插入，當剩余空間不足1/3時，Python會重新獲得更多的內(nèi)存空間并擴展哈希表，同時表中所有的元素位置都會重新排出。