数据结构中的时空复杂性
算法分析
可以在实施之前和实施之后的两个不同阶段进行算法效率分析，如下
先验分析-这被定义为算法的理论分析。通过假设所有其他因素（例如处理器速度）是恒定的，并且对实现没有影响，来衡量算法的效率。
后验分析-定义为算法的经验分析。所选算法是使用编程语言实现的。接下来，所选算法在目标计算机上执行。在此分析中，收集了诸如运行时间和所需空间之类的实际统计信息。
算法分析涉及所涉及的各种操作的执行或运行时间。一项操作的运行时间可以定义为每项操作执行的计算机指令的数量。
算法复杂度
假设X被视为一种算法，而N被视为输入数据的大小，则算法X所实现的时间和空间是决定X效率的两个主要因素。
时间因子-通过计算关键操作（例如排序算法中的比较）的数量来计算或测量时间。
空间系数-通过计算算法所需的最大内存空间来计算或测量空间。
算法的复杂度f(N)提供了算法所需的运行时间和/或存储空间（相对于N作为输入数据的大小）。
空间复杂度
算法的空间复杂度表示算法在其生命周期中所需的存储空间量。
算法所需的空间等于以下两个组成部分的总和
固定部分是存储某些数据和变量（即简单变量和常量，程序大小等）所需的空间，而这些数据和变量与问题的大小无关。
可变部分是变量所需的空间，其大小完全取决于问题的大小。例如，递归堆栈空间，动态内存分配等。
任何算法p的空间复杂度S(p)为S(p)= A + Sp(I)其中A被视为固定部分，而S(I)被视为算法的可变部分，具体取决于实例特征I以下是一个简单的示例，试图解释该概念
算法
SUM(P, Q) Step 1 - START Step 2 - R ← P + Q + 10 Step 3 - Stop
这里我们有三个变量P，Q和R和一个常数。因此，S(p)= 1 + 3。现在，空间取决于给定常量类型和变量的数据类型，并且它将相应地相乘。
时间复杂度
算法的时间复杂度是算法执行完成所需要的时间量的表示。时间要求可以表示为或定义为数值函数t(N)，其中t(N)可以作为步数进行测量，前提是每一步需要固定的时间。
例如，在将两个n位整数相加的情况下，采取N步。因此，总的计算时间为t(N)= c * n，其中c是两个位相加所消耗的时间。在这里，我们观察到t(N)随着输入大小的增加而线性增长。
-
问题内容： 可以说我有一个散列，例如 存储这种数据结构的“通常”方式是什么（或者您不会吗？） 您是否可以直接获得价值（例如，获取哈利：年龄？ 一旦存储，您是否可以直接更改子键的值（例如，sally：weight = 100） 问题答案： 存储这种数据结构的“通常”方式是什么（或者您不会吗？） 例如，哈利（Harry）和莎莉（Sally）将分别存储在单独的散列中，其中字段代表其属性，例如年龄和体重。
-
问题内容： 我在Matlab中目前具有以下结构的数据 其中item是来自i = 1 .. n的单元格，每个单元格包含多个属性的数据结构，每个属性均具有大小为2，j的矩阵，其中j = 1 .. m。属性的数量不是固定的。 我必须将此数据结构转换为python，但是我对numpy和python列表并不陌生。用numpy / scipy在python中构造此数据的最佳方法是什么？ 谢谢。 问题答案： 我
-
在Spring-boot应用程序中使用yaml（带有snakeyaml依赖关系1.16)，我试图基于application.yml文件创建。我想创建一个像下面的json这样的数据结构，它是一个包含字符串键和数组值的映射。 我已经为我的yaml尝试了以下方法 尝试二 尝试三 如果我将集合更改为一个ArrayList（或List接口），这就可以了，但这不是我想要的。更改为此 但need也不能用于Set
-
栈和队列都很简单：接口相对固定，并且它们应用于比较特殊的情况。并不是所有数据结构都像它们一样简单；大多数数据结构支持更加多样化的操作。原则上，这将增大并行的可能性，但是也让对数据保护变得更加困难，因为要考虑对所有能访问到的部分。当为了并发访问对数据结构进行设计时，这一系列原有的操作，就变得越发重要，需要重点处理。 先来看看，在查询表的设计中，所遇到的一些问题。 6.3.1 编写一个使用锁的线程安全
-
顺便说一句，我试图解决时间复杂性，我找到了O(2^n)。正确吗？
-
主要内容：时间复杂度,空间复杂度《 算法是什么》一节提到，解决一个问题的算法可能有多种，这种情况下，我们就必须对这些算法进行取舍，从中挑选出一个“最好”的。 算法本身是不分“好坏”的，所谓“最好”的算法，指的是最适合当前场景的算法。挑选算法时，主要考虑以下两方面因素： 执行效率：根据算法所编写的程序，执行时间越短，执行效率就越高； 占用的内存空间：不同算法编写出的程序，运行时占用的内存空间也不相同。如果实际场景中仅能使用少量的内