Python常用的五大基础算法介绍_python常用算法-CSDN博客

在编程学习中，算法是解决问题的核心逻辑。掌握基础算法不仅能提升代码效率，更能培养结构化思维。本文将通过原理讲解、代码实现和应用场景分析，详细介绍Python中五个常用的基础算法。

一、快速排序（分治思想）

原理
快速排序采用分治策略：选择一个基准值，将数组分为小于基准和大于基准的两部分，递归处理子数组。

def quick_sort(arr):       if len(arr) <= 1:           return arr       pivot = arr[len(arr)//2]  # 选择中间元素为基准       left = [x for x in arr if x < pivot]       middle = [x for x in arr if x == pivot]       right = [x for x in arr if x > pivot]       return quick_sort(left) + middle + quick_sort(right)      # 示例   print(quick_sort([3,6,8,10,1,2,1]))  # 输出 [1, 1, 2, 3, 6, 8, 10]

特点

平均时间复杂度：O(n log n)
适合处理大规模数据
应用场景：数据排序、排行榜生成

二、二分查找（减治思想）

原理
在有序数组中，通过不断缩小搜索范围定位目标值，每次比较将范围减半。

def binary_search(arr, target):       left, right = 0, len(arr)-1       while left <= right:           mid = (left + right) // 2           if arr[mid] == target:               return mid           elif arr[mid] < target:               left = mid + 1           else:               right = mid - 1       return -1      # 示例   arr = [1,3,5,7,9]   print(binary_search(arr, 5))  # 输出 2（索引位置）

关键点

必须作用于有序数组
时间复杂度：O(log n)
应用场景：大型数据库查询、游戏分数匹配

三、递归算法（斐波那契数列）

原理
通过函数自调用分解问题，经典案例是斐波那契数列：F(n) = F(n-1) + F(n-2)

def fibonacci(n):       if n <= 1:           return n       return fibonacci(n-1) + fibonacci(n-2)      # 示例   print(fibonacci(10))  # 输出 55

注意

需设置递归终止条件
存在重复计算问题（可用记忆化优化）
应用场景：树结构遍历、分形图形生成

四、动态规划（背包问题）

原理
将复杂问题分解为重叠子问题，存储中间结果避免重复计算。以0-1背包问题为例：

def knapsack(values, weights, capacity):       n = len(values)       dp = [[0]*(capacity+1) for _ in range(n+1)]              for i in range(1, n+1):           for w in range(1, capacity+1):               if weights[i-1] <= w:                   dp[i][w] = max(dp[i-1][w], values[i-1] + dp[i-1][w-weights[i-1]])               else:                   dp[i][w] = dp[i-1][w]       return dp[n][capacity]      # 示例   values = [60, 100, 120]   weights = [10, 20, 30]   print(knapsack(values, weights, 50))  # 输出 220

应用场景：资源分配、投资决策等

五、广度优先搜索（BFS）

原理
以层序遍历方式探索图或树结构，使用队列实现，保证先访问离起点最近的节点。

from collections import deque      def bfs(graph, start):       visited = set()       queue = deque([start])       visited.add(start)              while queue:           vertex = queue.popleft()           print(vertex, end=" ")           for neighbor in graph[vertex]:               if neighbor not in visited:                   visited.add(neighbor)                   queue.append(neighbor)      # 示例   graph = {'A': ['B','C'], 'B': ['D'], 'C': [], 'D': []}   bfs(graph, 'A')  # 输出 A B C D

特点

时间复杂度：O(V+E)
应用场景：社交网络好友推荐、最短路径查找

总结

算法	核心思想	最佳场景	时间效率
快速排序	分治	大数据排序	O(n log n)
二分查找	减治	有序数据查询	O(log n)
递归算法	自相似分解	树状结构处理	视具体问题
动态规划	最优子结构	资源优化问题	多项式时间
BFS	层级遍历	最短路径搜索	O(V+E)