Python 列表理解的 O(n) 复杂度与 zip() 函数
O(n) complexity of Python list comprehension with zip() function
我目前正在学习使用以下代码的教程：
# 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这个结构的复杂性是什么，是列表理解和 zip() 函数的混合体？
传递给 zip() 的每个变量都像另一个 for 循环一样工作吗？那么列表理解本身呢？
感谢您的帮助！
你在列表 A、B、condition 上迭代一次，每一步都向 answer 添加一个元素，所以复杂度是 O(n) 其中 n 是最短列表的大小
Does every variable passed to zip() act like another for-loop?
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 次迭代中添加 O(n)。 （假设最小参数的大小为 n）
例如，对于 zip(X1,X2,...,Xm)，您正在做 O(mn) 工作，但是 m 是常数，所以它是 O(n)。 （再次假设参数的最小大小是 n）
zip(*args)的运行时间是O(len(args) * min(len(a) for a in args)。如果没有对参数的特定假设（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。如果列表的长度都相同，您可以使用单个长度 n 代替最小长度计算，并使用 m 代表列表的数量，并将其写为 O(m * n)。如果列表的数量不会改变，那么 m 的因子是一个常数并且可以被删除，只留下 O(n).
但是如果您不能做出那些特定的假设，那么将其视为 O(n) 可能会误导您。
如果一个列表有时可以比其他列表短，那么较长列表的长度并不重要，因为 zip 永远不会生成它们的最后一项。如果列表数量可变，则不能忽略 m 项。
我目前正在学习使用以下代码的教程：
# 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这个结构的复杂性是什么，是列表理解和 zip() 函数的混合体？
传递给 zip() 的每个变量都像另一个 for 循环一样工作吗？那么列表理解本身呢？
感谢您的帮助！
你在列表 A、B、condition 上迭代一次，每一步都向 answer 添加一个元素，所以复杂度是 O(n) 其中 n 是最短列表的大小
Does every variable passed to zip() act like another for-loop?
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 次迭代中添加 O(n)。 （假设最小参数的大小为 n）
例如，对于 zip(X1,X2,...,Xm)，您正在做 O(mn) 工作，但是 m 是常数，所以它是 O(n)。 （再次假设参数的最小大小是 n）
zip(*args)的运行时间是O(len(args) * min(len(a) for a in args)。如果没有对参数的特定假设（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。如果列表的长度都相同，您可以使用单个长度 n 代替最小长度计算，并使用 m 代表列表的数量，并将其写为 O(m * n)。如果列表的数量不会改变，那么 m 的因子是一个常数并且可以被删除，只留下 O(n).
但是如果您不能做出那些特定的假设，那么将其视为 O(n) 可能会误导您。
如果一个列表有时可以比其他列表短，那么较长列表的长度并不重要，因为 zip 永远不会生成它们的最后一项。如果列表数量可变，则不能忽略 m 项。