二十五岁时我们都一样愚蠢、多愁善感，喜欢故弄玄虚，可如果不那样的话，五十岁时也就不会如此明智。
标题：Python - 算法分析
算法分析
算法的效率可以在执行之前和执行之后的两个不同阶段进行分析。他们是以下 -
先验分析 - 这是一种算法的理论分析。 算法的效率是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的。
后验分析 - 这是对算法的经验分析。 所选择的算法使用编程语言来实现。然后在目标计算机上执行。在此分析中，收集实际的统计数据，如运行时间和所需空间。
算法的复杂性
假设 X 是算法， n 是输入数据的大小，算法X使用的时间和空间是决定X的效率的两个主要因素。
时间因素 - 时间通过计算关键操作的数量来衡量，如排序算法中的比较。
空间因子 - 空间通过计算算法所需的最大存储空间来测量。
所述算法的复杂性 F（N） 给出的运行时间和/或在以下方面由该算法所需的存储空间 Ñ 作为输入数据的大小。
空间复杂性
算法的空间复杂度表示算法在其生命周期中所需的内存空间量。算法所需的空间等于以下两个组件的总和 -
固定部分，是存储某些数据和变量所需的空间，与问题的大小无关。例如，使用的简单变量和常量，程序大小等
变量部分是变量所需的空间，其大小取决于问题的大小。例如，动态内存分配，递归堆栈空间等。
任何算法P的空间复杂度S（P）是S（P）= C + SP（I），其中C是固定部分，S（I）是算法的可变部分，取决于实例特征I.是一个简单的例子，试图解释这个概念 -
Algorithm: SUM(A, B) Step 1 - START Step 2 - C ← A + B + 10 Step 3 - Stop这里我们有三个变量A，B和C以及一个常量。因此S（P）= 1 + 3.现在，空间取决于给定变量和常量类型的数据类型，并且它将相应地相乘。
时间复杂性
算法的时间复杂度表示算法运行完成所需的时间量。时间要求可以定义为一个数值函数T（n），其中T（n）可以测量为步数，只要每步消耗的时间恒定。
例如，添加两个n位整数需要 n个 步骤。因此，总计算时间是T（n）= c * n，其中c是加两位所用的时间。在这里，我们观察到T（n）随着输入尺寸的增加而线性增长。
