优化算法时间复杂度算法的时间复杂度对程序的执行效率有影响***，在Python中，可以通过选择合适的数据结构来优化时间复杂度，比如如list和set，查找一个元素的时间复杂度分别是O(n)和O(1)。不同的场景有不同的优化方式。一般来说，一般有分治法、分支定界法、贪心法、动态规划等思想。减少冗余数据，例如使用上三角或下三角来保存一个大的对称矩阵。稀疏矩阵表示用于以0元素为主的矩阵。合理使用copy和deepcopy对于dict、list等数据结构的对象，直接赋值使用引用的方式。在某些情况下，您需要复制整个对象。这种情况下可以使用copy包中的copy和deepcopy。这两个函数的区别在于后者是递归复制。效率也不同：（以下程序在ipython中运行）importcopya=range(100000)%timeit-n10copy.copy(a)#运行10次copy.copy(a)%timeit-n10copy.deepcopy(a)10loops，bestof3:1.55msperloop10loops,bestof3:151msperlooptimeit后面的-n表示运行次数，最后两行对应两次timeit的输出，下同。可以看出后者慢了一个数量级。使用dict或set查找元素。python的dict和set都是使用哈希表实现的（类似于c++11标准库中的unordered_map）。查找元素的时间复杂度为O(1)a=range(1000)s=set(a)d=dict((i,1)foriina)%timeit-n10000100ind%timeit-n10000100ins10000loops,bestof3:43.5nsperloop10000loops,bestof3：49.6nsperloopdict效率稍微高一点（并且占用更多空间）。generator（生成器）和yield的合理使用%timeit-n100a=(iforiinrange(100000))%timeit-n100b=[iforiinrange(100000)]100loops,bestof3:1.54msperloop100loops,bestof3:4.56msperloop使用()得到一个generator对象，所需的内存空间与列表的大小无关，所以效率会更高。在具体的应用中，比如set(iforiinrange(100000))会比set([iforiinrange(100000)])更快。但是对于需要循环遍历的情况：%timeit-n100a=(iforiinrange(100000))%timeit-n100b=[iforiinrange(100000)]100loops,bestof3:1.54msperloop100loops,bestof3:4.56msperloop后者效率更高，但是如果循环中断，使用生成器的好处是显而易见的。yield也用于创建生成器：defyield_func(ls):foriinls:yieldi+1defnot_yield_func(ls):return[i+1foriinls]ls=range(1000000)%timeit-n10foriiinyield_func(ls):pass%timeit-n10foriinnot_yield_func(ls):pass10loops,bestof3:63.8msperloop10loops,bestof3:62.9msperloop对于内存不是很大的list，可以直接返回一个list，但是可读性yield比较好（个人喜好）。python2.x内置的生成器函数包括xrange函数、itertools包等。不要把优化循环外可以做的事情放到循环里。例如，可以将以下优化加倍：a=range(10000)size_a=len(a)%timeit-n1000foriina:k=len(a)%timeit-n1000foriina:k=size_a1000loops,bestof3:569μsperloop1000loops,bestof3:256μsperloopOptimize多个判断表达式的顺序对于and，满足条件少的放在最前面，对于or，满足条件多的放在前面。如：a=range(2000)%timeit-n100[iforiinaif10
