Big O 中的“可扩展性”是指算法在处理更大的输入规模时,是否会出现效率下降的问题。具体来说,“可扩展性”好的算法应该能够在输入规模增加时,仍然保持良好的效率。
例如,一个算法的时间复杂度为 O(n),则当输入数据量变为原来的 10 倍时,该算法的执行时间也会变为原来的 10 倍。这种算法的可扩展性较差,不能够应对大规模数据的处理。而一个时间复杂度为 O(log n) 的算法,则会在数据量增加时,仅仅略微增加执行时间,因此具有更好的可扩展性。
下面是一个示例代码,展示了不同时间复杂度对可扩展性的影响:
def test_algorithm(func): input_sizes = [100, 1000, 10000, 100000] for size in input_sizes: input_data = [i for i in range(size)] start_time = time.time() func(input_data) end_time = time.time() print("Input size: {}, Time elapsed: {:.6f}s".format(size, end_time - start_time))
def O_n(input_data): for num in input_data: pass
def O_log_n(input_data): for i in range(len(input_data)): index = bisect_left(input_data, i)
test_algorithm(O_n) test_algorithm(O_log_n)
从上面的代码中可以看出,时间复杂度为 O(n) 的算法在输入规模扩大 10 倍时,执行时间也扩大了大约 10 倍;而时间复杂度为 O(log n) 的算法,执行时间的增长幅度相对更小,具有更好的可扩展性。
上一篇:比构造函数注入更好的策略吗?