python3.x - python列表组合高效率方法？
a = [i for i in range(1, 8000)]
假如有个这样的列表， 我需要把里面的所有值组合 然后求 组合的总和与100差的最小值。
例如 1和2组合 1+2 =3 与100 差 3-100 == -97 ， 1和3组合 1+3-100 = -96 ， 1和4组合，1+4-100=-95..... 1+99-100=0 ....依次类推， 1+2+3+4+5+6...+7999-100=?
则最小值依次为97， 96,95...0 然后找出最小的值就是0. 并且把符合 最小值等于0的组合 都放到一个列表中。
最终得到 a1= [[1,99],[2,98],......[1,2,97],....[1,2,3,94].........]
有没有高效的计算方法？
正常的计算方法 效率都比较低效率。
共有2个答案
可以用动态规划
def find_min_difference(a, target): n = len(a) dp = [float('inf')] * (target + 1) dp[0] = 0 for num in a: for t in range(target, num - 1, -1): dp[t] = min(dp[t], dp[t - num] + num) min_diff = dp[target] result = [] def find_combinations(curr_comb, idx, remaining_diff): nonlocal min_diff, result if remaining_diff == 0: if len(curr_comb) > 1: result.append(curr_comb[:]) return if idx == n: return if dp[remaining_diff] == dp[remaining_diff - a[idx]] + a[idx]: find_combinations(curr_comb + [a[idx]], idx + 1, remaining_diff - a[idx]) find_combinations(curr_comb, idx + 1, remaining_diff) find_combinations([], 0, min_diff) return resulta = [i for i in range(1, 8000)]target = 100result = find_min_difference(a, target)print(result)
def find_combinations(target_sum, numbers): i, j = 0, len(numbers) - 1 combinations = [] while i < j: if numbers[i] + numbers[j] == target_sum: combinations.append([numbers[i], numbers[j]]) i += 1 j -= 1 elif numbers[i] + numbers[j] < target_sum: i += 1 else: j -= 1 return combinationsa = [i for i in range(1, 8000)]target_sum = 100combinations = find_combinations(target_sum, a)前10个组合
[[1, 99], [2, 98], [3, 97], [4, 96], [5, 95], [6, 94], [7, 93], [8, 92], [9, 91], [10, 90]]-
问题内容： 有关内置python列表对象的快速问题。假设您有一个数字为0-99的列表。您正在编写一个将列表中的最后一项用于其他目的的程序。使用list [-1]比使用list [99]更有效吗？换句话说，无论哪种情况，python都会遍历整个列表吗？ 谢谢你的帮助。 问题答案： Python不会遍历列表来查找特定索引。列表是连续内存中的数组（指向元素的指针），因此查找所需元素始终是简单的乘法和加法
-
问题内容： 例： 结果是： 如您所见，与列表相比，对数组进行屏蔽的操作更为优雅。如果您尝试使用列表中的数组屏蔽方案，则会收到错误消息： 问题是要为s找到一个优雅的蒙版。 更新： 通过引入的答案，但是提出的要点使解决方案完全符合我的兴趣。 问题答案： 你在找 文档中的示例 相当于：
-
本文向大家介绍盘点提高 Python 代码效率的方法，包括了盘点提高 Python 代码效率的方法的使用技巧和注意事项，需要的朋友参考一下 第一招：蛇打七寸：定位瓶颈 首先，第一步是定位瓶颈。举个简单的栗子，一个函数可以从1秒优化到到0.9秒，另一个函数可以从1分钟优化到30秒，如果要花的代价相同，而且时间限制只能搞定一个，搞哪个？根据短板原理，当然选第二个啦。 一个有经验的程序员在这里一定会迟疑
-
我收到一份作业，要求我将总共有N个元素的K个排序列表有效地合并到一个排序列表中。我偶然发现的方法是使用最小堆对K列表中的元素进行排序，或者使用分而治之的方法（成对合并）。该线程中的注释表明，分而治之方法的时间复杂度为O（NK），而最小堆方法的时间复杂度为O（N log K），两者的空间复杂度相同。我还访问了许多其他线程，但我不能得到一个清晰的图片。 怀疑 许多其他网站告诉我们，两者都存在分歧
-
问题内容： 迭代效率与CPython中相同项目列表的迭代效率一样吗？ 问题答案： 这取决于您使用的Python版本。在Python 2中，创建一个新列表，这会花费一些额外的时间并消耗更多的内存。另一方面，一旦创建了列表，它就是一个列表，因此在完成列表创建的开销之后，应该具有相同的性能特征。 在Python 3中，创建视图对象而不是列表，并且我预计创建和迭代将比Python 2中更快，因为无需复制任
-
我想把两个列表合并成一个列表列表。反之亦然。我找不到任何工作，我对Python非常陌生 例子： 如何将S拆分回原来的S1和S2？示例：