最好和最坏一起报出来
同一个 lsearch_steps。把最好情况和最坏情况拼起来输出（用 / 隔开）：找第一个元素、找最后一个元素。
阅读更多 →
写一个数步数的线性查找
补全 lsearch_steps：从头挨个比，返回比了几次（找到就停）。 这次找 17。
阅读更多 →
运气最差时呢
同一个数组，改成找 24。运行下面这段程序： def lsearch_steps(a, target): steps = 0 for x in a: steps +=
阅读更多 →
运气最好时要几步
在 [13, 15, 17, 23, 24] 里从头挨个找 13。运行下面这段程序： def lsearch_steps(a, target): steps = 0 for x in
阅读更多 →
为什么最坏情况最有用
工程上最关心最坏情况，是因为【0】。
阅读更多 →
平时说的复杂度指哪一种
不加说明时，人们说的时间复杂度通常指【0】。
阅读更多 →
⚠️ 数据量多大之后 B 才会反超 A
算法 A 是 O(n²) 但常数很小（操作数正好是 n * n）；算法 B 是 O(n) 但常数很大（操作数是 100 * n）。 补全 crossover：找出最小的 n，使得 B 的操作数严格小于
阅读更多 →
同一个规模下，两种做法各要多少步
补全 compare：返回 暴力操作数/前缀和操作数/倍数（用 / 隔开）。 算 n=1000、m=1000。
阅读更多 →
算出翻倍之后的倍数
补全 grow：返回数据量从 n 翻到 2n 时，一个 O(n²) 算法的操作数变成几倍（整除）。 算 n = 100 的情况。
阅读更多 →
大数据下两种做法差多少
一千个元素、一千次查询。运行下面这段程序： def brute_ops(n, m): return n * m def prefix_ops(n, m): return n + m
阅读更多 →