我目前正在使用以下代码完成教程：
# numpy where
A = np.array([1,2,3,4])
B = np.array([100, 200, 300, 400])
condition = np.array([True, True, False, False])
answer = [(A_val if cond else B_val) for A_val, B_val, cond in zip(A, B, condition)]
answer
# Out: [1, 2, 300, 400]
问题：这个python this 结构的复杂性是什么，它是列表理解和 zip() 函数的混合体？
传递给 zip() 的每个变量是否都像另一个 for 循环一样？那么列表理解本身呢？
感谢您的帮助！
【问题讨论】：
标签： python python-3.x numpy time-complexity complexity-theory
您正在迭代列表A,B,condition 一次添加一个元素到answer 并采取每一步，所以复杂性是O(n) 其中n 是最短的大小列表
传递给 zip() 的每个变量是否都像另一个 for 循环一样？
将其视为一个循环，向 zip 添加 1 个参数将在每次迭代中添加 O(1)，或在所有 n 迭代中添加 O(n)。 （假设最小参数的大小为n）
例如，对于zip(X1,X2,...,Xm)，您正在执行O(mn) 工作，但m 是常量，所以它是O(n)。 （再次假设参数的最小尺寸是n）
【讨论】：
zip(*args)的运行时间为O(len(args) * min(len(a) for a in args)。如果没有关于参数的特定假设（例如，列表的数量 (len(args)) 是恒定的），您不一定能将其归结为 O(n)。
现在，您通常可以做出这样的假设。如果列表的长度相同，则可以使用单个长度n 代替最小长度计算，并使用m 代替列表的数量，并将其写为O(m * n)。如果列表的数量不会改变，那么m 的因子是一个常数，可以去掉，只留下O(n)。
但如果您无法做出这些具体假设，将其视为O(n) 可能会误导您。
如果一个列表有时会比其他列表短，那么较长列表的长度无关紧要，因为zip 永远不会产生它们的最后一项。如果列表的数量是可变的，那么您不能忽略 m 术语。
【讨论】：