这是函数：
c = []
def badsort(l):
v = 0
m = len(l)
while v<m:
c.append(min(l))
l.remove(min(l))
v+=1
return c
虽然我意识到这是一种非常低效的排序方式，但我想知道这样一个函数的时间复杂度是多少，因为虽然它没有嵌套循环，但它会重复循环多次。
【问题讨论】：
标签： python performance big-o
假设n = len(l)。
外部循环运行 n 次。内部循环中的 min() 在 l 上运行两次（此处有优化空间），但对于递增的数字（对于循环的每次迭代， l 的长度都会减少，因为您每次都从列表中删除一个项目）。
这样复杂度是2 * (n + (n-1) + (n-2) + ... + (n-n))。
这等于2 * (n^2 - (1 + 2 + 3 + ... + n))。
括号中的第二项是triangular number 并分歧为n*(n+1)/2。
因此，您的复杂度等于2*(n^2 - n*(n+1)/2))。
这可以扩展为2*(n^2 - n^2/2 - n/2)，
并简化为n^2 - n。
BigO 表示法对整体增长趋势感兴趣，而不是函数的精确增长率。p>
在 BigO 表示法中，常量被删除。这让我们仍然使用n^2 - n，因为没有常量。
此外，在 BigO 表示法中，仅考虑主要术语。 n^2 比 n 占主导地位，所以 n 被删除。
这意味着 BigO 中的答案是 O(n) = n^2，即二次复杂度。
【讨论】：
这里有几个有用的点可以帮助您了解如何找出函数的复杂性。
对于第一点，您看到终止条件是v < m，其中v 最初为0，m 是列表的大小。由于v 在每次迭代中递增一，因此循环最多（至少）运行N 次，其中N 是列表的大小。
现在，关于第二点。每次迭代我们都有 -
c.append(min(l))
其中min 是一个线性运算，占用O(N) 时间。 append 是一个常量操作。
接下来，
l.remove(min(l))
同样，min 是线性的，remove 也是如此。所以，你有O(N) + O(N) 这是O(N)。
总之，您有O(N) 迭代，每次迭代都有O(N)，使其成为O(N ** 2)，或二次。
【讨论】：
这个问题的时间复杂度是O(n^2)。虽然代码本身只有一个明显的循环，while 循环，min 和max 函数在实现上都是O(n)，因为在最坏的情况下，它必须扫描整个列表才能找到对应的最小值或最大值。 list.remove 是 O(n) 因为它也必须遍历列表，直到找到第一个目标值，在最坏的情况下，它可能在最后。 list.append 已摊销 O(1)，由于该方法的巧妙实现，因为list.append 在技术上是O(n)/n = O(1) 用于n 推送的对象：
def badsort(l):
v = 0
m = len(l)
while v<m: #O(n)
c.append(min(l)) #O(n) + O(1)
l.remove(min(l)) #O(n) + O(n)
v+=1
return c
因此，有：
Outer(O(n)) * Inner(O(n)+O(n)+O(n)) = Outer(O(n)) * Inner(O(n))
O(n)+O(n)+O(n) 可以简单地组合成O(n)，因为大 o 表示最坏的情况。因此，通过结合外部和内部复杂度，最终的复杂度为O(n^2)。
【讨论】：