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!
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)
)
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。