笔记1

前几天刷leetcode，用动态规划讲时间复杂度降低到了O(n)，但是今天看numpy的文档发现，算法还要考虑实际情况。

转

买低，卖高

这是另一个激发你胃口的例子。考虑以下经典技术面试问题：

假定一只股票的历史价格是一个序列，假设你只允许进行一次购买和一次出售，那么可以获得的最大利润是多少？例如，假设价格=(20，18，14，17，20，21，15)，最大利润将是7，从14买到21卖。

(对所有金融界人士说：不，卖空是不允许的。)

存在具有n平方时间复杂度的解决方案，其包括采用两个价格的每个组合，其中第二价格“在第一个之后”并且确定最大差异。

然而，还有一个O(n)解决方案，它包括迭代序列一次，找出每个价格和运行最小值之间的差异。 它是这样的：

>>> def profit(prices):
...     max_px = 0
...     min_px = prices[0]
...     for px in prices[1:]:
...         min_px = min(min_px, px)
...         max_px = max(px - min_px, max_px)
...     return max_px

>>> prices = (20, 18, 14, 17, 20, 21, 15)
>>> profit(prices)
7

这可以用NumPy实现吗？行!没问题。但首先，让我们构建一个准现实的例子：

中间太长不转了，结论

虽然理论上的时间复杂性是一个重要的考虑因素，运行时机制也可以发挥很大的作用。NumPy不仅可以委托给C，而且通过一些元素操作和线性代数，它还可以利用多线程中的计算。但是这里有很多因素在起作用，包括所使用的底层库。

我也不知道我为什么要写这个对别人没用的blog，其实吧本来就没啥用。

差点忘记了这个写日记的地方。