数据结构和算法： 第一次：
import time start_time = time.time() for a in range(0,1001): for b in range(0,1001): for c in range(0,1001): if a+b+c == 1000 and a**2+b**2 ==c**2: print(a,b,c) print("a,b,c:%d,%d,%d" % (a,b,c)) end_time = time.time() print(end_time-start_time) start_time = time.time()第二次：
for a in range(0,1001): for b in range(0,1001): c = 1000-a-b if a**2+b**2 ==c**2: print(a,b,c) print("a,b,c:%d,%d,%d" % (a,b,c)) end_time = time.time() print(end_time-start_time)算法的概念 算法是计算机处理信息的本质，因为计算机程序本质上是一个算法来告诉计算机确切的步骤来执行一个指定的任务。一般地，当算法在处理信息时，会从输入设备或数据的存储地址读取数据，把结果写入输出设备或某个存储地址供以后再调用。 算法是独立存在的一种解决问题的方法和思想 对于算法而言，实现的语言并不重要，重要的是思想。 算法可以有不同的语言描述实现版本。 算法的五大特征： 1.输入：算法有零个或多个输入。 2.输出：算法至少有一个输出。 3.有穷性：算法在有限的步骤之后会自动结束而不会无限循环，并且每个步骤可以在可接受的时间内完成。 4.确定性：算法中的每一步都有确定的意义，不会出现二义性。 5.可行性：算法的每一步都能够执行有限的次数完成。
时间复杂度与大O表示法
执行时间反应算法效率： 对于同一问题，给出两种解决办法，时间上进行了测算，两个程序执行的时间相差比较悬殊，由此可知：实现算法程序的执行时间可以反应出算法的效率，即算法的优劣。 但是单纯的依靠时间比较算法的优劣不是客观准确的，程序的运行离不开计算机环境（包括硬件和操作系统），这些客观原因影响程序运行的速度并反映在程序的执行时间上。 时间复杂度与“大O记法” 假定计算机执行算法每一个基本操作的时间是固定的一个时间单位，那么有多少个基本操作就代表会花费多少时间单位。对于不同的机器环境而言，确切的单位时间是不同的，但是对于算法进行多少个基本操作（即花费多少时间单位）在规模数量级上是相同的，由此可以忽略机器环境的影响，客观的反应算法的时间效率。 大O记法：时间跟n相关，只留最核心的部分，其他系数全部忽略 最坏时间复杂度： 分析算法时，存在几种可能的考虑： 算法完成工作最少需要多少基本操作，即最优时间复杂度。 算法完成工作最多需要多少基本操作，即最坏时间复杂度。 算法完成工作平均需要多少基本操作，即平均时间复杂度。 对于最优时间复杂度，其价值不大，最坏时间复杂度，提供了一种保证，表明算法在此种程度的基本操作中一定能完成工作。 对于平均时间复杂度，是对算法的一个全面评价，因此它完整全面的反映了这个算法的性质。但另一方面，这种衡量并没有保障，不是每个计算都能在这个基本操作内完成。 时间复杂度的几条基本计算规则： 1.基本操作，即只有常数项，认为其时间复杂度为O(1) 2.顺序结构，时间复杂度按加法进行计算 3.循环结构，时间复杂度按乘法进行计算 4.分支结构，时间复杂度取最大值 5.判断一个算法的效率时，往往只需要关注操作数量的最高次项，其他次要项和常数项可以忽略。 6.在没有特殊说明时，分析的算法的时间复杂度均按最坏的时间复杂度。 python内置类型性能分析： timeit模块 timeit模块可以用来测试一小段python代码的执行速度。
class timeit.Timer(stme='pass',setup='pass',timer=<timer function>)Timer是测量小段代码执行速度的类 stmt参数是要测试的代码的语句（statment） setup参数是运行代码时需要的设置 timer参数时一个定时器函数，与平台有关
timeit.Timer.timeit(number=1000)Timer类中测试语句执行速度的对象方法。number参数是测试代码时的测试次数，默认为1000次。方法返回执行代码的平均耗时，一个float类型的秒数。 测试list操作的所需时间
from timeit import Timer def t1(): li = [] for i in range(10000): li.append(i) def t2(): li = [] for i in range(10000): li.append(i) li += [i] def t3(): li = [i for i in range(10000)] def t4(): li = list(range(10000)) def t5(): li = [] for i in range(10000): li.extend([i]) timer1 = Timer("t1()","from __main__ import t1") print(timer1.timeit(1000)) timer2 = Timer("t2()","from __main__ import t2") print(timer2.timeit(1000)) timer3 = Timer("t3()","from __main__ import t3") print(timer3.timeit(1000)) timer5 = Timer("t5()","from __main__ import t5") print(timer5.timeit(1000))数据结构引入 为解决问题，需要将数据保存下来，然后根据数据的存储方式来设计算法实现进行处理。由于数据的存储方式不同就会导致需要不同的算法进行处理。如果希望算法解决问题的v效率高，就需要考虑数据究竟如何保存的问题，就是数据结构。 概念 数据是一个抽象的概念，将其进行分类后得到程序设计语言中的基本类型。数据元素之间不是独立的，存在特定的关系，这些关系便是结构。数据结构指数据对象中数据元素之间的关系。 python提供了很多现成的数据结构类型，这些系统自己定义好的，不需要我们去定义的数据结构叫做python的内置数据结构，比如列表、元组、字典。而有些数据组织方式，python系统里面没有直接定义，需要我们自己去定义实现这些数据的组织方式。这些数据组织方式称为python的扩展数据结构，比如栈、队列等。 算法与数据结构的区别 数据结构只是静态的描述了数据元素之间的关系。 高效的程序需要在数据结构的基础上设计和选择算法。 程序 = 数据结构+算法 总结：算法是为了解决实际问题设计的，数据结构是算法需要处理的问题的载体。 抽象数据类型（Abstract Data Type） 抽象数据类型的含义是指一个数据模型以及定义在此数学模型上的一组操作。即把数据类型和数据类型上的运算捆在一起，进行封装。引入抽象数据类型的目的是把数据类型的表示和数据类型上运算的实现与这些数据类型和运算在程序中的引用隔开，使他们相互独立。 最常用的数据运算有五种： 插入 删除 修改 查找 排序
