O（n）使用zip（）函数进行Python列表理解的复杂性

Question

我目前正在使用以下代码编写教程：

# numpy where
A = np.array([1,2,3,4])
B = np.array([100, 200, 300, 400])
condition = np.array([True, True, False, False])

answer = [(A_val if cond else B_val) for A_val, B_val, cond in zip(A, B, condition)]

answer
# Out: [1, 2, 300, 400]

问题：这个python这个构造的复杂性是什么，列表理解和zip（）函数的混合？

传递给zip（）的每个变量是否像另一个for循环一样？那列表理解本身呢？

谢谢你的帮助！

Answer 1

你正在迭代列表qazxsw poi，qazxsw poi，qazxsw poi曾经为A添加一个元素，每走一步，所以复杂性是B，其中condition是最短列表的大小

传递给zip（）的每个变量是否像另一个for循环一样？

将其视为一个循环，向answer添加1个参数将在每次迭代中添加O(n)，或者在所有n迭代中添加zip。 （假设最小参数的大小为O(1)） 例如，对于O(n)你正在做n工作，但n是恒定的所以它是zip(X1,X2,...,Xm)。 （再次假设参数的最小尺寸是O(mn)）

Answer 2

m的运行时间是O(n)。如果没有关于参数的具体假设（例如，列表的数量（n）是常数），你不一定可以将其归结为zip(*args)。

现在，你经常可以做出这样的假设。如果列表的长度都相同，则可以使用单个长度O(len(args) * min(len(a) for a in args)代替最小长度计算，并使用O(n)代表列表数量，并将其写为len(args)。如果列表的数量不会改变，那么n的因子是一个常数，可以被删除，只留下m。

但如果你不能做出那些具体的假设，那么将它视为O(m * n)可能会误导你。

如果一个列表有时可能比其他列表短，则较长列表的长度无关紧要，因为m永远不会产生它们的最后一个项目。如果列表的数量是可变的，那么您不能忽略O(n)术语。