- 前面我们了解了 “大O表示法” 以及对不同的算法的评估，下面来讨论下 Python 两种内置数据类型有关的各种操作的大O数量级：列表 list 和字典dict。
- 这是 Python 中两种非常重要的数据类型，后面会用来实现各种数据结构，通过运行试验来估计其各种操作运行时间数量级。
对比 list 和 dict 操作如下：
List列表数据类型常用操作性能：
- 最常用的是：按索引取值和赋值（v=a[i]，a[i]=v），由于列表的随机访问特性，这两个操作执行时间与列表大小无关，均为O(1)。
- 另一个是列表增长，可以选择 append() 和 “+”：lst.append(v)，执行时间是O(1)；lst= lst+ [v]，执行时间是O(n+k)，其中 k 是被加的列表长度，选择哪个方法来操作列表，也决定了程序的性能。
测试 4 种生成 n 个整数列表的方法：
- 创建一个 Timer 对象，指定需要反复运行的语句和只需要运行一次的"安装语句"。
- 然后调用这个对象的 timeit 方法，指定反复运行多少次。
# Timer(stmt="pass", setup="pass") # 这边只介绍两个参数# stmt：statement的缩写，就是要测试的语句，要执行的对象# setup：导入被执行的对象（就和run代码前，需要导入包一个道理） 在主程序命名空间中 导入
time1= Timer("test1()","from __main__ import test1")print("concat：{} seconds".format(time1.timeit(1000)))
time2= Timer("test2()","from __main__ import test2")print("append：{} seconds".format(time2.timeit(1000)))
time3= Timer("test3()","from __main__ import test3")print("comprehension：{} seconds".format(time3.timeit(1000)))
time4= Timer("test4()","from __main__ import test4")print("list range：{} seconds".format(time4.timeit(1000)))结果如下：
可以看到，4种方法运行时间差别挺大的，列表连接（concat）最慢，List range最快，速度相差近 100 倍。append要比 concat 快得多。另外，我们注意到列表推导式速度大约是 append 两倍的样子。
总结列表基本操作的大 O 数量级：
我们注意到 pop 这个操作，pop()是从列表末尾移除元素，时间复杂度为O(1)；pop(i)从列表中部移除元素，时间复杂度为O(n)。
原因在于 Python 所选择的实现方法，从中部移除元素的话，要把移除元素后面的元素，全部向前挪位复制一遍，这个看起来有点笨拙
但这种实现方法能够保证列表按索引取值和赋值的操作很快，达到O(1)。这也算是一种对常用和不常用操作的折中方案。
list.pop()的计时试验，通过改变列表的大小来测试两个操作的增长趋势：
import timeit
pop_first= timeit.Timer("x.pop(0)","from __main__ import x")
pop_end= timeit.Timer("x.pop()","from __main__ import x")print("pop(0) pop()")
y_1=[]
y_2=[]for iinrange(1000000,10000001,1000000):
x=list(range(i))
p_e= pop_end.timeit(number=1000)
x=list(range(i))
p_f= pop_first.timeit(number=1000)print("{:.6f} {:.6f}".format(p_f, p_e))
y_1.append(p_f)
y_2.append(p_e)结果如下：
将试验结果可视化，可以看出增长趋势：pop()是平坦的常数，pop(0)是线性增长的趋势。
字典与列表不同，是根据键值（key）找到数据项，而列表是根据索引（index）。最常用的取值和赋值，其性能均为O(1)。另一个重要操作contains(in)是判断字典中是否存在某个键值（key），这个性能也是O(1)。
做一个性能测试试验来验证 list 中检索一个值，以及 dict 中检索一个值的用时对比，生成包含连续值的 list 和包含连续键值 key 的
dict，用随机数来检验操作符 in 的耗时。
import timeitimport random
y_1=[]
y_2=[]print("lst_time dict_time")for iinrange(10000,1000001,25000):
t= timeit.Timer("random.randrange(%d) in x"% i,"from __main__ import random, x")
x=list(range(i))
lst_time= t.timeit(number=1000)
x={j:'k'for jinrange(i)}
dict_time= t.timeit(number=1000)print("{:.6f} {:.6f}".format(lst_time, dict_time))
y_1.append(lst_time)
y_2.append(dict_time)结果如下：
- 可见字典的执行时间与规模无关，是常数。
- 而列表的执行时间则会随着列表的规模加大而线性上升。
更多 Python 数据类型操作复杂度可以参考官方文档：
https://wiki.python.org/moin/TimeComplexity