python3 list时间复杂度

最新推荐文章于 2025-01-26 19:02:22 发布

原创

最新推荐文章于 2025-01-26 19:02:22 发布 · 2.6k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#list #python #算法

本文通过解决力扣算法题中遇到的问题，探讨了Python3列表(list)的时间复杂度。介绍了列表作为线性数据结构，其over-allocate特性以及引用数组的本质。列举了列表常见操作如遍历、删除、插入、访问和尾部添加的时间复杂度，指出其不适合频繁进行插入、删除操作。同时，文章提及空间复杂度的概念，指出列表的空间复杂度与其长度直接相关。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、引题

本周在做力扣上的算法题（删除排序数组中的重复项）时，遇到了超出时间限制的问题，后来才知道是我设计的算法时间复杂度过高，于是我就对list的各个基本操作和常用函数的复杂度作了个了解。

二、背景知识

1.数组是一种线性表结构，其用一块连续的内存空间，来存储一组具有相同类型的数据
2.时间复杂度，也叫做渐进时间复杂度，通常用大O公式书写，表示代码的执行时间随数据规模增长的变化趋势，而非真正的执行时间。因此大O关注的是变化趋势。

三、列表（list）特点

1.底层基于数组实现
python list本质上是一个over-allocate的数组，啥叫over-allocate呢？就是当底层数组容量满了而需要扩充的时候，python依据规则会扩充多个位置出来。比如初始化列表array=[1, 2, 3, 4]，向其中添加元素23，此时array对应的底层数组，扩充后的容量不是5，而是8。这就是over-allocate的意义，即扩充容量的时候会多分配一些存储空间。这样做的优点当然是提高了执行效率，否则每次添加元素，都要对底层数组进行扩充，效率是很低下的。另外，当列表存储的元素在变少时，python也会及时收缩底层的数组，避免造成内存浪费。这里可以通过对列表的实践，验证扩充与收缩的过程（通过 sizeof()或sys.getsizeof()查看内存变化，并推算容量值）。

2.属于引用数组

>>> a = [1, 2, 3, 4]
>>> a.__sizeof__()
72
>>> b = ['hello', 'world', 'mac']
>>> b.__sizeof__()
64
>>> c = [int('10'), str(8)]
>>> c.__sizeof__()
56
>>> d = 23
>>> 
>>> l